Perché la ricerca basata sull’intelligenza artificiale è complessa – e come Happeo sta riuscendo a padroneggiarla

La prospettiva di una ricerca basata sull’intelligenza artificiale in ambito aziendale è allettante. Immaginate che i dipendenti riescano a trovare senza sforzo le informazioni esatte di cui hanno bisogno, superando la confusione causata da documenti obsoleti e post irrilevanti. È una visione che promette una maggiore produttività, una condivisione delle conoscenze senza intoppi e una forza lavoro più coesa. Ma la realtà della ricerca basata sull'IA, in particolare nel panorama complesso di una intranet, è ben più articolata.

Come funziona la ricerca basata sull’intelligenza artificiale

Non tutte le IA sono uguali. Esistono vari tipi di modelli di IA che possono fungere da base per le funzionalità di ricerca, tra cui il modello linguistico di grandi dimensioni (LLM) è tra i più popolari grazie alla sua profonda comprensione del contesto e alle risposte simili a quelle umane. Ciò rende l’LLM un’opzione privilegiata, in particolare per la tecnologia di ricerca basata sull’IA.

La maggior parte delle funzioni di ricerca basate sull’IA si fonda su un’architettura e su una serie di azioni suggerite denominate «Retrieval-Augmented Generation» (RAG). In termini semplici, l’IA agisce come un bibliotecario altamente efficiente, seguendo questi passaggi:

• Recupero: effettua la ricerca nella vostra intranet e in qualsiasi fonte integrata in base alla query dell’utente.
• Arricchimento: utilizza le informazioni recuperate per formulare una risposta.
• Generazione: fornisce tale risposta all’utente in modo naturale e comprensibile.

Sembra semplice e il clamore che circonda l’IA fa sembrare che si tratti di una soluzione “plug-and-play”. Tuttavia, all’interno di questo processo si nascondono alcuni ostacoli significativi.

Affidabilità e qualità dei dati

L’IA non è un esperto in materia; è semplicemente uno strumento di recupero e sintesi delle informazioni, un «bibliotecario», come lo chiamiamo noi, con un ampio accesso alle informazioni. È il processo di recupero che aiuta il bibliotecario a capire cosa vuole l’utente e a rispondere con una risposta sintetizzata.

Le sue risposte dipendono interamente dalla qualità e dall’accuratezza dei dati che trova. Non è in grado, di per sé, di determinare quali informazioni siano “giuste” o “sbagliate”. Può solo valutare ciò che esiste e poi – sulla base dei metadati dell’utente e dei metadati delle informazioni – formulare un’ipotesi fondata sulla rilevanza di tali informazioni.

Ciò comporta tre sfide fondamentali:

• Dati incoerenti: se la vostra intranet è piena di politiche obsolete, istruzioni contraddittorie o informazioni disorganizzate, l’IA avrà difficoltà a fornire risposte affidabili.
• Dati mancanti: se le informazioni che i vostri dipendenti cercano semplicemente non esistono all’interno della vostra intranet o dei sistemi collegati, l’IA non avrà nulla su cui basarsi.
• Integrate tutti i dati all’interno dell’organizzazione e filtrate le informazioni rilevanti.

I pericoli dei «quasi errori» e delle «allucinazioni» dell’IA

Uno degli aspetti più frustranti della ricerca basata sull’IA è il “quasi errore”. L’IA potrebbe trovare informazioni quasi corrette, portando a risposte che a prima vista sembrano accurate ma che contengono sottili inesattezze o conclusioni fuorvianti.

Un’altra sfida da superare è rappresentata dalle “allucinazioni” dell’IA: si verificano quando viene posta una domanda e l’IA non dispone di riferimenti per rispondere con precisione, quindi inventa quella che ritiene essere una risposta ragionevole. Queste “allucinazioni” dell’IA possono minare la fiducia nella funzione di ricerca e indurre i dipendenti a seguire una strada sbagliata. Per il successo della ricerca basata sull’IA è fondamentale riuscire – invece di colmare le lacune di conoscenza con informazioni inventate – a identificare tali lacune e creare contenuti corretti per arricchire il pool di dati accessibili all’IA.

Approccio incrementale al perfezionamento dell’IA

Sebbene la soluzione definitiva risieda nel miglioramento dei dati sottostanti, Happeo sta lavorando attivamente per mitigare questi problemi attraverso continui perfezionamenti:

• Valutazione pre e post-arricchimento: valutando le informazioni recuperate prima che vengano utilizzate per generare una risposta, e valutando poi la risposta stessa, possiamo garantire la qualità della risposta. Inoltre, mostriamo effettivamente la valutazione della risposta, in modo che possiate essere certi che la risposta fosse corretta.
• Miglioramenti nel recupero: i continui miglioramenti all’algoritmo di ricerca contribuiscono a garantire che l’IA recuperi le fonti più pertinenti e affidabili, riducendo la possibilità di un “quasi errore”.
• Comprensione contestuale: comprendere l’utente rende più facile per il sistema di recupero trovare le informazioni pertinenti. Ciò include una migliore comprensione del profilo dell’utente (titolo, reparto, comportamento di ricerca passato) e dell’aspetto temporale dei risultati, migliorando la pertinenza della risposta.

• Arricchimento incrementale e iterativo: nel corso del tempo, con l’introduzione di nuovi contenuti e l’apporto di ulteriori miglioramenti, i dati sottostanti acquisiscono maggiore contesto e accuratezza.

La soluzione definitiva: il motore di conoscenza

Sebbene questi perfezionamenti siano utili, la vera chiave per una ricerca affidabile basata sull’IA è garantire che i dati da cui attinge siano accurati, completi e aggiornati. Non si tratta solo di dati e informazioni. I dati e le informazioni sono fatti, ma è il modo in cui tali informazioni vengono comprese, sintetizzate e integrate laddove sono incomplete che trasforma le informazioni in conoscenza.

Ecco perché il Knowledge Engine di Happeo, di prossima uscita, sta rivoluzionando la ricerca basata sull’IA (e non solo). Questo sofisticato strumento va oltre la tradizionale ricerca basata sull’IA, potenziando:

• Rilevamento delle lacune: identifica in modo proattivo le lacune di conoscenza all’interno della vostra intranet Happeo sulla base delle azioni degli utenti e fornisce suggerimenti agli utenti per trovare informazioni al di là della ricerca. Fondamentalmente, raccoglie le lacune di conoscenza e le assegna agli esperti in materia.
• Creazione di conoscenza: facilita la creazione di nuovi contenuti per colmare tali lacune utilizzando le nostre nuove funzionalità Pages AI e Writing Assistant.
• Notifica agli utenti: informa automaticamente i dipendenti che hanno cercato quelle informazioni che queste sono ora disponibili tramite una dashboard personalizzata.

Gestendo e curando attivamente la base di conoscenze della vostra intranet, il nostro Knowledge Engine garantisce che ogni dipendente (e l’IA) abbia accesso alle informazioni più accurate e aggiornate possibili, istantaneamente e in ogni momento.

Il futuro della ricerca basata sull’intelligenza artificiale

La ricerca basata sull’IA è un settore in rapida evoluzione e Happeo è orgogliosa di essere all’avanguardia nell’innovazione. Sebbene permangano alcune sfide, il potenziale per una funzione di ricerca veramente intelligente e affidabile è ormai a portata di mano. Combinando un’IA avanzata con un solido sistema di gestione delle conoscenze, stiamo creando un’esperienza intranet che fornisce ai dipendenti le informazioni di cui hanno bisogno, proprio quando ne hanno bisogno.

La ricerca basata sull’IA funziona generalmente utilizzando un’architettura nota come Retrieval-Augmented Generation, o RAG. Il sistema agisce in modo molto simile a un bibliotecario digitale altamente efficiente, operando attraverso una sequenza in tre fasi per fornire risposte naturali, simili a quelle umane. Questo processo si basa su modelli linguistici di grandi dimensioni, selezionati per la loro profonda comprensione del contesto.

La prima fase di questo processo è il recupero. Quando un dipendente digita una query nella barra di ricerca dell’intranet, l’IA analizza l’intera intranet insieme a eventuali fonti di dati esterne integrate. Raccoglie tutti i contenuti corrispondenti in base ai termini utilizzati e all’intento alla base della domanda dell’utente.

La seconda fase è l’arricchimento. In questa fase, il sistema prende tutte le informazioni grezze appena recuperate e le struttura, utilizzando i dati per formulare con cura una risposta coerente. Ciò garantisce che le informazioni siano contestualizzate prima di passare alla fase finale.

La fase finale è la generazione. Il sistema di IA elabora la risposta formulata e la fornisce direttamente all’utente. Anziché limitarsi a restituire un elenco di link, presenta la risposta finale in un formato naturale, colloquiale e di facile comprensione.

I motori di ricerca basati sull’IA non possiedono competenze specifiche intrinseche in materia. Agiscono invece come sintetizzatori che dipendono interamente dalla qualità, dall’accuratezza e dalla completezza dei dati a loro disposizione. Poiché un’IA non è in grado di determinare in modo naturale cosa sia oggettivamente giusto o sbagliato, deve formulare ipotesi ragionate basate sui metadati.

Questa dipendenza dai dati esistenti porta a “risposte quasi corrette” quando l’IA trova informazioni che sono quasi corrette. Il sistema genera quindi una risposta che a prima vista sembra altamente accurata, ma che in realtà contiene sottili inesattezze o conclusioni fuorvianti. Queste risposte quasi corrette possono erodere rapidamente la fiducia dei dipendenti nello strumento di ricerca.

Le “allucinazioni” si verificano quando un dipendente pone una domanda alla quale l’IA non dispone di dati di riferimento per rispondere. A causa di una lacuna di conoscenza, il sistema inventa quella che ritiene essere una risposta ragionevole. Per evitare ciò, la piattaforma di ricerca deve identificare attivamente le informazioni mancanti e invitare gli utenti a creare contenuti corretti per colmare tali lacune.

Il Knowledge Engine migliora la precisione trasformando i dati statici in conoscenza attiva e curata. Anziché limitarsi a effettuare ricerche tra i file esistenti, questo strumento gestisce e pulisce attivamente la base di conoscenza della vostra intranet. Lo fa attraverso tre funzionalità principali: individuazione delle lacune, creazione di conoscenza e notifica agli utenti.

Attraverso il rilevamento delle lacune, il sistema identifica in modo proattivo quando i dipendenti cercano informazioni che non esistono sull’intranet. Anziché lasciare che l’IA inventi una risposta, lo strumento registra questi fallimenti di ricerca. Successivamente, segnala automaticamente queste lacune di conoscenza e le assegna agli esperti in materia all’interno dell’azienda.

Per assistere questi esperti, il motore facilita la creazione di conoscenza. Utilizza funzionalità integrate come Pages AI e un assistente di scrittura per aiutare gli esperti a redigere rapidamente i contenuti mancanti. Ciò garantisce che il database della intranet sia costantemente aggiornato con informazioni accurate e attuali.

Infine, lo strumento gestisce le notifiche agli utenti. Una volta che le informazioni mancanti sono state create e pubblicate, il sistema avvisa automaticamente i dipendenti che le avevano cercate in precedenza. Questi aggiornamenti vengono forniti direttamente tramite una dashboard personalizzata, garantendo a tutti di essere sempre allineati.

Domande frequenti

Come funziona la ricerca basata sull’intelligenza artificiale su una piattaforma intranet?
La ricerca basata sull’intelligenza artificiale utilizza in genere un’architettura denominata Retrieval-Augmented Generation (RAG), basata su modelli linguistici di grandi dimensioni. Funziona in tre fasi: il recupero, in cui l’IA analizza l’intranet e le fonti collegate alla ricerca di contenuti corrispondenti; l’arricchimento, in cui struttura tali informazioni grezze in una risposta coerente; e la generazione, in cui fornisce una risposta naturale e colloquiale anziché un semplice elenco di link.

Perché la ricerca basata sull’IA non è in grado di determinare se un’informazione sia corretta o errata?
L’IA non è un’esperta in materia: è uno strumento di recupero e sintesi delle informazioni le cui risposte dipendono interamente dalla qualità e dall’accuratezza dei dati che trova. Può solo valutare ciò che esiste e formulare un’ipotesi plausibile sulla rilevanza sulla base dei metadati, non verificare in modo indipendente la correttezza dei fatti.

Cosa induce i motori di ricerca basati sull’IA ad avere “allucinazioni” o a fornire risposte “quasi corrette”?
Le risposte "quasi corrette" si verificano quando l’IA trova informazioni quasi corrette, producendo una risposta che sembra accurata ma contiene sottili inesattezze. Le "allucinazioni" si verificano quando non ci sono dati di riferimento per rispondere a una domanda, quindi l’IA inventa una risposta che suona plausibile invece di ammettere la lacuna di conoscenza.

In che modo il Knowledge Engine di Happeo migliora l’accuratezza della ricerca nell’intranet?
Il Knowledge Engine migliora la precisione trasformando i dati statici in conoscenza gestita attivamente e curata, anziché limitarsi a cercare nei file esistenti. Lo fa attraverso tre funzionalità: individuazione delle lacune, creazione di conoscenza e notifica agli utenti, aggiornando continuamente la base di conoscenza dell’intranet invece di lasciare che l’IA colmi le lacune con risposte inventate.

Quali sono le tre funzionalità principali del Knowledge Engine?
Il rilevamento delle lacune segnala in modo proattivo quando i dipendenti cercano informazioni che non esistono e assegna tali lacune agli esperti in materia. La creazione di conoscenza utilizza Pages AI e un assistente di scrittura per aiutare tali esperti a redigere rapidamente i contenuti mancanti. La notifica agli utenti avvisa poi automaticamente chiunque abbia precedentemente cercato quelle informazioni una volta che queste sono state pubblicate.

Cosa possono fare le organizzazioni per migliorare l’affidabilità della ricerca basata sull’IA mentre lavorano alla realizzazione di una soluzione completa di gestione della conoscenza?
Tra i passi incrementali utili figurano la valutazione pre e post-potenziamento per valutare la qualità delle risposte, i miglioramenti continui all’algoritmo di recupero, una migliore comprensione contestuale dell’utente (ruolo, reparto, comportamento di ricerca passato) e l’arricchimento iterativo dei dati sottostanti nel tempo man mano che vengono aggiunti nuovi contenuti.