Lösungen / RAG und semantische Suche
Durchsuchen Sie Ihre Dokumente nach Bedeutung und erhalten Sie Antworten, die die Stelle zeigen, aus der sie stammen.
Diese Szenarien sind Beispiele. Keines beschreibt einen Kunden.
Banken und Finanzen
Was wir bauen würden
Ein Assistent, der die Fragen der Kundenberater aus dem Research und den Produktdokumenten der Bank beantwortet und dabei genau den Absatz zitiert, aus dem jede Antwort stammt. Er durchsucht nur Dokumente, die der Berater ohnehin öffnen darf, und läuft auf den Servern der Bank.
FAISS, vLLM, Llama, Keycloak
Banken und Finanzen
Was wir bauen würden
Ein Agent, der das Kundendossier aus jedem System zusammenträgt, Ablaufdaten und fehlende Unterlagen prüft und die Zusammenfassung der Überprüfung mit Quellen entwirft. Der Analyst zeichnet das vollständige Dossier ab, und der Agent hat keine Berechtigung, Kunden zu kontaktieren oder etwas zu genehmigen.
LangGraph, Python, PostgreSQL, Avaloq API
Uhren und Luxus
Was wir bauen würden
Ein Briefing-Assistent, der Kaufhistorie, Servicedaten und Beraternotizen zum Kunden liest und dann ein einseitiges Briefing in der Sprache des Beraters schreibt, mit einer Quelle für jede Zeile. Er läuft auf Infrastruktur, die das Haus kontrolliert, und speichert selbst nichts.
Mistral, vLLM, Salesforce API
Uhren und Luxus
Was wir bauen würden
Ein Annahme-Assistent, der die Fotos und die Beschreibung des Kunden liest, ähnliche frühere Reparaturen findet und einen vorläufigen Kostenvoranschlag mit den wahrscheinlichen Arbeitsschritten und Teilen entwirft. Ein Uhrmacher bestätigt oder korrigiert den Entwurf, und jeder korrigierte Kostenvoranschlag kommt zu den Beispielen für die nächsten hinzu.
PyTorch, FAISS, FastAPI, Salesforce API
Pharma und Life Sciences
Was wir bauen würden
Ein Suchassistent für Ihre Einreichungen, SOPs und die Leitlinien von Swissmedic, EMA und ICH, der in wenigen Sätzen antwortet und jede Aussage mit dem genauen Abschnitt verknüpft. Er hat nur Lesezugriff und antwortet nicht, wenn die Dokumente keine Antwort hergeben.
FAISS, bge-reranker-v2-m3, vLLM, Veeva Vault
Pharma und Life Sciences
Was wir bauen würden
Ein Literatur-Agent, der jede Woche PubMed zu den Themen jedes Teams abfragt, Abstracts nach dessen Kriterien sichtet und eine kurze Übersicht mit Links verschickt, samt dem Grund, weshalb jede Publikation ausgewählt wurde. Die Wissenschaftler bewerten die Auswahl, und das schärft die Sichtung der folgenden Woche.
PubMed API, BGE-M3, LangGraph, Microsoft Teams
Detailhandel und E-Commerce
Was wir bauen würden
Eine hybride Suche, die Stichwortsuche mit mehrsprachiger semantischer Suche über den Katalog kombiniert, damit eine Anfrage die richtigen Produkte findet, in jeder Sprache und Formulierung. Sie läuft neben der heutigen Suchmaschine und wird anhand echter Suchprotokolle abgestimmt.
OpenSearch, BGE-M3, Python
Detailhandel und E-Commerce
Was wir bauen würden
Ein Service-Agent, der jedes Ticket liest, die Bestellung und die Rückgaberegeln nachschlägt und die Antwort in der Sprache der Kundschaft entwirft. Routineantworten gehen nach einer kurzen Prüfung hinaus; Rückerstattungen und Ausnahmen warten auf eine Person, mit bereits zusammengefasstem Fall.
LangGraph, Zendesk API, FAISS
Retrieval-Augmented Generation findet die Passagen in Ihren Dokumenten, die zu einer Frage passen, und lässt dann ein Sprachmodell nur aus diesen Passagen antworten, mit Quellenangabe. Semantische Suche ist die erste Hälfte für sich allein: Passagen nach Bedeutung finden, über Sprachen und Formulierungen hinweg. Beides hängt davon ab, wie Dokumente zerlegt, indexiert und sortiert werden, und dort steckt der grösste Teil der Arbeit.
Weiterlesen
Inside FAISS: Billion-Scale Similarity Search →45 Min. LesezeitEr ist angewiesen, aus gefundenen Passagen zu antworten, und zeigt sie an. Eine Kontrolle markiert Aussagen, die von den Passagen nicht gestützt werden. Findet die Suche nichts Relevantes, sagt er das. Die Quellentreue messen wir an echten Fragen Ihres Teams.
Ja. Die Suche filtert nach den Zugriffsrechten, die die Person bereits hat. Somit sieht niemand eine Passage, die er im Quellsystem nicht öffnen könnte.
FAISS, wenn der Index in den Arbeitsspeicher passt und die Filter einfach sind; pgvector oder OpenSearch, wenn Berechtigungen und Metadatenfilter im selben Speicher liegen müssen. Unser ausführlicher Artikel zu FAISS erklärt, wie seine Indizes Speicher gegen Geschwindigkeit abwägen.
Ja, mit mehrsprachigen Embeddings. Eine Frage auf Französisch kann eine Passage auf Deutsch finden, und die Antwort kommt in der Sprache der Frage zurück.
Wir beginnen mit einer Machbarkeitsstudie auf Ihren eigenen Daten, damit Sie Ergebnisse sehen, bevor etwas versprochen wird.