Varför AI-sökning är svårt – och hur Happeo bemästrar det

Perspektivet med AI-driven sökning i ett företagssammanhang är lockande. Tänk dig att medarbetarna utan ansträngning hittar exakt den information de behöver, utan att behöva söka sig igenom en massa föråldrade dokument och irrelevanta inlägg. Det är en vision om ökad produktivitet, smidigt kunskapsutbyte och en mer sammanhängande personalstyrka. Men verkligheten när det gäller AI-sökning, särskilt i den komplexa miljön som ett intranät utgör, är betydligt mer nyanserad.

Hur AI-sökning fungerar

All AI är inte likadan. Det finns olika typer av AI-modeller som kan utgöra grunden för AI-funktionalitet, där den stora språkmodellen (LLM) är en av de mest populära tack vare sin djupa förståelse för sammanhang och människoliknande svar. Detta gör LLM till ett utmärkt val, särskilt för AI-sökteknik.

De flesta AI-drivna sökfunktioner bygger på en arkitektur och föreslagna åtgärder som kallas Retrieval-Augmented Generation (RAG). Enkelt uttryckt fungerar AI:n som en mycket effektiv bibliotekarie som följer dessa steg:

• Hämtning: Den söker igenom ditt intranät och eventuella integrerade källor utifrån användarens sökfråga.
• Augmentation: Den använder den hämtade informationen för att formulera ett svar.
• Generation: Den levererar svaret till användaren på ett naturligt och begripligt sätt.

Det verkar enkelt, och hypen kring AI får det att framstå som en plug-and-play-lösning. Men det finns några betydande hinder dolda i denna process.

Datans tillförlitlighet och kvalitet

AI:n är ingen ämnesexpert; den är bara en informationssökare och -sammanställare, en ”bibliotekarie”, som vi kallar den, med omfattande tillgång till information. Det är själva sökprocessen som hjälper bibliotekarien att förstå vad användaren vill ha och svara med ett sammanställt svar.

Dess svar är helt beroende av kvaliteten och noggrannheten hos de data den hittar. Den kan inte i sig avgöra vilken information som är ”rätt” eller ”fel”. Den kan endast bedöma vad som finns och sedan – utifrån användar- och informationsmetadata – göra en kvalificerad gissning om informationens relevans.

Detta medför tre avgörande utmaningar:

• Inkonsekventa data: Om ditt intranät är fyllt med föråldrade riktlinjer, motstridiga instruktioner eller oorganiserad information kommer AI:n att ha svårt att ge tillförlitliga svar.
• Saknade data: Om den kunskap som dina medarbetare söker helt enkelt inte finns på ditt intranät eller i anslutna system har AI:n inget att utgå ifrån.
• Integrera all data inom organisationen och filtrera fram relevant information.

Farorna med AI:s ”nära missar” och hallucinationer

En av de mest frustrerande aspekterna av AI-sökning är ”nästan-träffarna”. AI:n kan hitta information som nästan stämmer, vilket leder till svar som vid första anblicken verkar korrekta men som innehåller subtila felaktigheter eller vilseledande slutsatser.

En annan utmaning som måste övervinnas är AI:s ”hallucinationer”, vilket inträffar när en fråga ställs och AI:n saknar referensunderlag för att svara korrekt, varpå den hittar på vad den anser vara ett rimligt svar. Dessa AI-”hallucinationer” kan undergräva förtroendet för sökfunktionen och leda medarbetarna på villovägar. För att AI-sökningen ska lyckas är det avgörande att – istället för att fylla kunskapsluckor med påhittad information – identifiera dessa luckor och skapa korrekt innehåll för att berika den datapool som är tillgänglig för AI:n.

Stegvis tillvägagångssätt för att förfina AI

Även om den ultimata lösningen ligger i att förbättra den underliggande datan arbetar Happeo aktivt med att mildra dessa problem genom löpande förfiningar:

• Utvärdering före och efter komplettering: Genom att bedöma den hämtade informationen innan den används för att generera ett svar, och sedan utvärdera själva svaret, kan vi vara mycket säkra på svarets kvalitet. Och vi visar faktiskt utvärderingen av svaret så att du kan vara säker på att svaret var korrekt.
• Förbättringar av informationshämtningen: Kontinuerliga förbättringar av sökalgoritmen bidrar till att säkerställa att AI:n hämtar de mest relevanta och tillförlitliga källorna, vilket minskar risken för ”nästan-träffar”.
• Kontextuell förståelse: Att förstå användaren gör det lättare för informationshämtaren att hitta relevant information. Detta inkluderar en bättre förståelse av användarprofilen (titel, avdelning, tidigare sökbeteende) och den tidsmässiga aspekten av resultaten, vilket förbättrar svarets relevans.

• Stegvis och iterativ berikning: Med tiden, när nytt innehåll införs och ytterligare förbättringar görs, tillförs mer kontext och noggrannhet till de underliggande uppgifterna.

Den ultimata lösningen: Kunskapsmotorn

Även om dessa förfiningar hjälper, är den verkliga nyckeln till tillförlitlig AI-sökning att säkerställa att de data som används är korrekta, fullständiga och uppdaterade. Det handlar inte bara om data och information. Data och information är fakta, men det är sättet på vilket informationen förstås, destilleras och kompletteras där den saknas som gör att informationen omvandlas till kunskap.

Det är därför Happeos kommande Knowledge Engine revolutionerar AI-sökningen (och mycket mer). Detta sofistikerade verktyg går längre än traditionell AI-sökning genom att erbjuda:

• Identifiering av kunskapsluckor: Den identifierar proaktivt kunskapsluckor i ditt Happeo-intranät utifrån användarnas handlingar och ger användarna förslag på åtgärder för att hitta information utöver sökresultaten. Avgörande är att den samlar in kunskapsluckor och tilldelar dem till ämnesexperter.
• Kunskapsskapande: Det underlättar skapandet av nytt innehåll för att fylla dessa luckor genom att använda våra nya verktyg Pages AI och Writing Assistant.
• Användaravisering: Det informerar automatiskt de medarbetare som har sökt efter den informationen om att den nu är tillgänglig via en personlig översiktssida.

Genom att aktivt hantera och kuratera intranätets kunskapsbas säkerställer vår Knowledge Engine att varje medarbetare (och AI) har tillgång till så korrekt och aktuell information som möjligt – omedelbart och alltid.

Framtiden för AI-driven sökning

AI-sökning är ett område som utvecklas snabbt, och Happeo är stolta över att ligga i framkant när det gäller innovation. Även om det fortfarande finns utmaningar är potentialen för en verkligt intelligent och pålitlig sökfunktion inom räckhåll. Genom att kombinera avancerad AI med ett robust kunskapshanteringssystem skapar vi en intranätupplevelse som ger medarbetarna den information de behöver, precis när de behöver den.

AI-driven sökning fungerar i allmänhet genom att utnyttja en arkitektur som kallas Retrieval-Augmented Generation, eller RAG. Systemet fungerar ungefär som en högeffektiv digital bibliotekarie och arbetar i en trestegsprocess för att leverera naturliga, människoliknande svar. Denna process bygger på stora språkmodeller som valts ut för sin djupa förståelse av sammanhanget.

Det första steget i processen är informationshämtning. När en medarbetare skriver in en sökfråga i intranätets sökfält skannar AI:n hela intranätet samt eventuella integrerade externa datakällor. Den samlar in allt matchande innehåll utifrån de använda termerna och avsikten bakom användarens fråga.

Det andra steget är utvidgning. Här tar systemet all den råinformation som det just har hämtat och strukturerar den, och använder sedan uppgifterna för att noggrant formulera ett sammanhängande svar. Detta säkerställer att informationen sätts in i sitt sammanhang innan den skickas vidare till det sista steget.

Det sista steget är generering. AI-systemet bearbetar det formulerade svaret och levererar det direkt till användaren. Istället för att bara returnera en lista med länkar presenterar det det slutgiltiga svaret i ett naturligt, konversationsliknande och mycket lättförståeligt format.

AI-sökmotorer besitter ingen inneboende ämnesexpertis. Istället fungerar de som syntetiserare som är helt beroende av kvaliteten, noggrannheten och fullständigheten hos den data som står till deras förfogande. Eftersom en AI inte på naturlig väg kan avgöra vad som faktiskt är rätt eller fel måste den göra kvalificerade gissningar baserade på metadata.

Detta beroende av befintliga data leder till ”nästan-träffar” när AI:n hittar information som är nästan korrekt. Systemet genererar då ett svar som vid första anblicken verkar mycket korrekt men som i själva verket innehåller subtila felaktigheter eller vilseledande slutsatser. Dessa nästan-träffar kan snabbt urholka medarbetarnas förtroende för sökverktyget.

Hallucinationer uppstår när en medarbetare ställer en fråga som AI:n saknar referensdata för att besvara. Eftersom det finns en kunskapslucka hittar systemet på vad det anser vara ett rimligt svar. För att förhindra detta måste sökplattformen aktivt identifiera saknad information och uppmana användarna att skapa korrekt innehåll för att fylla dessa luckor.

Knowledge Engine förbättrar noggrannheten genom att omvandla statiska data till aktiv, kuraterad kunskap. Istället för att bara söka igenom befintliga filer hanterar och rensar detta verktyg aktivt intranätets kunskapsbas. Det görs genom tre huvudfunktioner: upptäckt av luckor, skapande av kunskap och användaraviseringar.

Genom luckdetektering identifierar systemet proaktivt när medarbetare söker efter information som inte finns på intranätet. Istället för att låta AI:n hitta på ett svar loggar verktyget dessa misslyckade sökningar. Därefter markerar det automatiskt dessa kunskapsluckor och tilldelar dem till relevanta ämnesexperter inom företaget.

För att stödja dessa experter underlättar motorn kunskapsskapandet. Den använder inbyggda funktioner som Pages AI och en skrivassistent för att hjälpa experterna att snabbt utarbeta det saknade innehållet. Detta säkerställer att intranätets databas ständigt uppdateras med korrekt och aktuell information.

Slutligen hanterar verktyget användaraviseringar. När den saknade informationen har skapats och publicerats meddelar systemet automatiskt de medarbetare som tidigare sökt efter den. Dessa uppdateringar levereras direkt via en personlig översiktssida, vilket gör att alla hålls uppdaterade.

Vanliga frågor

Hur fungerar AI-driven sökning på en intranätplattform?
AI-driven sökning använder vanligtvis en arkitektur som kallas Retrieval-Augmented Generation (RAG), byggd på stora språkmodeller. Det fungerar i tre steg: hämtning, där AI:n genomsöker intranätet och anslutna källor efter matchande innehåll; utvidgning, där den strukturerar den råa informationen till ett sammanhängande svar; och generering, där den levererar ett naturligt, konversationsliknande svar istället för bara en lista med länkar.

Varför kan inte AI-sökningen avgöra om informationen är rätt eller fel?
AI är ingen ämnesexpert – det är ett verktyg för informationshämtning och syntetisering vars svar helt och hållet beror på kvaliteten och noggrannheten hos de data den hittar. Den kan endast bedöma vad som finns och göra en kvalificerad gissning om relevans baserat på metadata, inte självständigt verifiera faktamässig korrekthet.

Vad får AI-sökmotorer att hallucinera eller ge svar som nästan stämmer?
”Nästan-träffar” inträffar när AI:n hittar information som är nästan rätt, vilket ger ett svar som verkar korrekt men innehåller subtila felaktigheter. ”Hallucinationer” inträffar när det inte finns några referensdata alls för att besvara en fråga, så AI:n fabricerar ett svar som låter trovärdigt istället för att erkänna kunskapsluckan.

Hur förbättrar Happeo Knowledge Engine sökprecisionen på intranätet?
Knowledge Engine förbättrar noggrannheten genom att omvandla statiska data till aktivt hanterad och kuraterad kunskap istället för att bara söka i befintliga filer. Detta sker genom tre funktioner: upptäckt av kunskapsluckor, kunskapsskapande och användaraviseringar, vilket kontinuerligt uppdaterar intranätets kunskapsbas istället för att låta AI fylla luckorna med påhittade svar.

Vilka är de tre huvudfunktionerna i Knowledge Engine?
Luckdetektering flaggar proaktivt när medarbetare söker efter information som inte finns och tilldelar dessa luckor till ämnesexperter. Kunskapsskapande använder Pages AI och en skrivassistent för att hjälpa dessa experter att snabbt utarbeta det saknade innehållet. Användaraviseringar varnar sedan automatiskt alla som tidigare sökt efter den informationen så snart den har publicerats.

Vad kan organisationer göra för att förbättra tillförlitligheten i AI-sökningen samtidigt som de arbetar mot en fullständig lösning för kunskapshantering?
Användbara steg i processen inkluderar utvärdering före och efter komplettering för att bedöma svarskvaliteten, kontinuerliga förbättringar av sökalgoritmen, bättre kontextuell förståelse av användaren (roll, avdelning, tidigare sökbeteende) samt iterativ berikning av de underliggande uppgifterna över tid i takt med att nytt innehåll läggs till.