AI megoldások
Mesterséges intelligencia, ami a ti adataitokon dolgozik — forrás-hivatkozással, jogosultságkezelten és mérhető pontossággal.
- Belső tudásasszisztens saját dokumentumokra, forrásmegjelöléssel
- Dokumentum-feldolgozás: szerződés, számla, ajánlat, jegyzőkönyv
- Ügyfélszolgálati és értékesítési támogatás emberi átadással
- Kiértékelés (eval), naplózás és költségkeret az első naptól
Áttekintés
Mit jelent ez a gyakorlatban?
Nem chatbotot adunk el. Olyan MI-rendszert építünk, amely a cég saját dokumentumaiból, adatbázisaiból és rendszereiből válaszol, minden állítás mellé forrást tesz, és pontosan annyit lát, amennyit az adott felhasználó jogosultsága enged.
Amit leszállítunk
- Használati esetek felmérése és megtérülési becslés
- Adatforrások bekötése és vektoros tudásbázis
- RAG-pipeline forrásmegjelöléssel
- Jogosultságkezelés felhasználói szinten
- Kiértékelő (eval) készlet és pontossági riport
- Betanítás és üzemeltetési átadás
Mit tartalmaz
Modulok, amikből összeáll a megoldás
Belső dokumentumokra épülő kérdés-válasz, forrásokkal és jogosultsággal.
Mezőkinyerés, összevetés, hiányzó adat jelzése — PDF, szkennelt kép, e-mail.
Válaszjavaslat az ügyintézőnek, nem helyette. Emberi jóváhagyással.
Több lépéses feladatok végrehajtása szabályozott eszközhozzáféréssel.
Jelentés szerinti keresés a teljes belső tartalomban, szinonimákkal együtt.
Tesztkészlet, pontossági riport, promptverziózás, token- és költségmérés.
Számok
Piaci mutatók — és mit jelentenek nálatok
Mit jelent ez neked? Egy 20 fős tudásmunkás-csapatnál ez nagyjából 4 teljes állásnyi idő évente. A belső kereső-asszisztens ennek a felét visszaadhatja.
Forrás: McKinsey Global Institute — The social economy (2012)Mit jelent ez neked? Az MI ma már nem versenyelőny, hanem alapelvárás. A kérdés nem az, hogy kell-e, hanem hogy hol térül meg leghamarabb nálatok.
Forrás: McKinsey — The state of AI (2024)Mit jelent ez neked? Ami két éve gazdaságtalan volt, ma bőven megtérül. Modellválasztással és gyorsítótárral tovább csökkenthető a havi számla.
Forrás: Stanford HAI — AI Index Report (2024–2025)Miért kell?
A tipikus problémák, amikre válasz
A tudás emberek fejében van
Az új kolléga hetekig kérdezget. Egy jól felépített tudásasszisztens másodpercek alatt válaszol — a valódi belső dokumentációból.
Túl sok a manuális olvasás
Szerződések, ajánlatok, számlák, jegyzőkönyvek. A dokumentum-értelmezés kinyeri a mezőket és ellenőrzi az eltéréseket.
A generikus AI hallucinál
Kontextus és források nélkül a modell kitalál. Mi RAG-architektúrával, kiértékelő tesztkészlettel és visszamérhető pontossággal dolgozunk.
Így dolgozunk
Lépésről lépésre, konkrét eredményekkel
Felmérés
Melyik folyamatban van valódi MI-érték? Adat, kockázat, megtérülés.
Use case lista, adatleltár, megtérülési becslés
Prototípus
Működő demó valós adatokon, mérhető pontossággal, szűk körben tesztelve.
Kipróbálható demó + első eval-riport
Éles rendszer
Jogosultságok, naplózás, integrációk, felhasználói felület, biztonsági átvizsgálás.
Éles rendszer, dokumentáció, betanítás
Finomhangolás
Eval-eredmények alapján promptok, chunkolás, modellváltás, költségoptimalizálás.
Havi pontossági és költségriport
Tipikus esetek
Hol hozza a legtöbbet
Belső HR- és folyamat-kérdések
Szabályzatok, eljárásrendek, kollektív szerződés — azonnali, hivatkozott válasz.
Ajánlat- és szerződés-ellenőrzés
Eltérések kiemelése a sablonhoz képest, kockázatos pontok jelzése.
Műszaki támogatás
Gépkönyvek, hibakódok, karbantartási naplók egyetlen kereshető felületen.
Összehasonlítás
Nélkülünk vs. velünk
Technológia
Gyakori kérdések
Azonnali válaszok
Kikerülnek az adataink egy nagy modellszolgáltatóhoz?+
Csak akkor, ha ezt választjátok. Európai adatkezelés, vállalati végpontok (nincs tanításra felhasználás) vagy teljesen saját infrastruktúrán futó nyílt modell is opció.
Mennyi idő alatt lesz látható eredmény?+
Az első működő prototípus jellemzően 2–4 hét, éles bevezetés 6–12 hét, a bekötendő rendszerek számától függően.
Mit tesztek a hallucináció ellen?+
Kizárólag a megtalált forrásokból engedünk válaszolni, minden állításhoz hivatkozás tartozik, és ha nincs elég fedezet, a rendszer azt mondja, hogy nem tudja.
Milyen rendszerekhez tudjátok kötni?+
SharePoint, Google Drive, e-mail, CRM, ERP, ticketrendszer, adatbázisok, fájlszerver — API-n, konnektoron vagy köztes rétegen keresztül.
Hogyan alakul a modellválasztás?+
Feladatonként. Az egyszerű osztályozás olcsó kis modellel is pontos, a bonyolult érvelés nagyobb modellt kap. Ezt eval-lal döntjük el, nem érzésre.
Mi kell hozzá tőletek?+
Egy felelős kapcsolattartó, hozzáférés a releváns tartalmakhoz és néhány szakértő kolléga a tesztkérdésekhez. A többit visszük.