IKVision pretvara znanje, pravila i logiku odlučivanja u izvršive poslovne procese. Kombinacijom Retrieval-Augmented Generation (RAG), pristupa Law as Code, poslovnih agenata temeljenih na LLM-ovima i kontroliranih radnih tokova stvaramo AI sustave koji su transparentni, sljedivi i revizijski provjerljivi.
Mnoga mala i srednja poduzeća ne koriste velike, integrirane IT sustave. Umjesto toga oslanjaju se na Excel tablice, e-poštu, PDF dokumente, strukture mapa i osobne bilješke.
Vrijedno znanje već postoji – ali je raspršeno, teško ga je pronaći i često zahtijeva znatan trud kako bi se učinkovito koristilo u svakodnevnom radu.
Informacije postoje u različitim formatima, održavaju se nedosljedno i često su dostupne samo osobama koje su ih izvorno stvorile.
Informacije su dostupne, ali nisu strukturirane, međusobno povezane niti dostupne u odgovarajućem kontekstu. Odnosi između dokumenata, odluka i poslovnih procesa ostaju implicitni te ih je potrebno iznova rekonstruirati.
Zbog toga zaposlenici troše dragocjeno vrijeme na traženje, provjeravanje i tumačenje informacija umjesto da ih produktivno koriste.
Znanje se ne koristi sustavno ponovno, odluke se donose više puta na temelju istih podataka, a pogreške nastaju kada su informacije nepotpune, zastarjele ili teško dostupne.
Upravo se ovdje gubi produktivnost – ne zato što informacije nedostaju, već zato što nisu dostupne u obliku koji se može izravno koristiti u poslovnom kontekstu.
IKVision čini postojeće znanje dostupnim i primjenjivim. Umjesto uvođenja novih sustava, objedinjavamo postojeće informacije i smještamo ih u zajednički, strukturirani kontekst.
Sadržaj se priprema tako da se može izravno koristiti u svakodnevnim poslovnim aktivnostima. Ključ je kontekstualna isporuka: informacije postaju dostupne upravo onda kada su potrebne unutar procesa.
To omogućuju Retrieval-Augmented Generation (RAG) i poslovni agenti temeljeni na LLM-u.
Ove tehnologije povezuju nestrukturirane podatke sa strukturiranim znanjem i podržavaju transparentnu i sljedivu pripremu odluka.
Temeljne informacije ostaju u svakom trenutku potpuno transparentne, provjerljive i stručno pregledive.
Informacije se validiraju, objedinjavanju i čine izravno ponovno upotrebljivima za odluke, dokumentaciju i sljedeće korake procesa. Rezultat je digitalni asistent koji smanjuje dodatne upite, minimizira pogreške i aktivno podržava postojeće poslovne procese.
Implementacija započinje postupno i pod kontrolom – s jasno definiranim slučajevima uporabe, mjerljivom poslovnom vrijednošću i skalabilnim putem za buduće proširenje.
AI projekti često djeluju jedinstveno – svaki slučaj uporabe izgleda drugačije.
U praksi, međutim, slijede zajedničku i ponavljajuću strukturu.
Razlika nije u samom slučaju uporabe, već u kombinaciji malog broja jasno definiranih funkcionalnih elemenata.
U inženjerstvu se složeni procesi desetljećima razlažu na standardizirane funkcionalne građevne blokove – poznate kao Unit Operations. Svaka operacija ima jasno definiranu funkciju i može se razumjeti, kombinirati i optimizirati neovisno o ostalima. Takav pogled još uvijek nedostaje mnogim AI projektima – i upravo tu započinjemo.
AI Unit Operations pretvaraju pojedinačne zahtjeve u sustave: jednom kada su strukturirani na ovaj način, mogu se ponovno koristiti, proširivati i kontrolirano primjenjivati.
Isti princip primjenjujemo na AI sustave. Ove funkcionalne elemente nazivamo: AI Unit Operations
AI Unit Operations predstavljaju funkcionalne građevne blokove ove arhitekture.
Svaki slučaj primjene slijedi istu logiku sustava – od ulaznih podataka, preko znanja, pravila i procjene, do kontroliranog djelovanja.
Input
Obrada dolaznih informacija
Tehnologije
Knowledge
Retrieval of knowledge
Tehnologije
Logic
Primjena pravila
Tehnologije
Reasoning
Donošenje odluka i evaluacija
Tehnologije
Action
Izvršavanje radnji
Tehnologije
Control
Nadzor i validacija rezultata
Tehnologije
AI Unit Operations standardiziraju složene zahtjeve te ih čine skalabilnima, upravljivima i ponovno upotrebljivima.
Referentna arhitektura opisuje funkcionalne građevne blokove AI sustava. U praksi se ti blokovi mogu implementirati različitim tehnologijama. Sljedeći primjer prikazuje Retrieval-Augmented Generation (RAG) workflow temeljen na n8n, PostgreSQL, pgvector i Large Language Model tehnologijama.
Primjer Retrieval-Augmented Generation (RAG) workflowa s n8n, PostgreSQL/pgvector i Large Language Models tehnologijama.
Workflow slijedi istu logiku sustava kao i AI Unit Operations: informacije se prikupljaju, identificiraju se relevantni elementi znanja, ugrađuju se u kontekst, obrađuju pomoću jezičnog modela te se na kraju vraćaju s provjerljivim referencama na izvore.
Pitanje → Relevantan kontekst → Provjerena informacija → Odgovor
Tekstovi se pomoću embedding modela pretvaraju u vektore koji matematički predstavljaju njihovo značenje.
Relevantne informacije pronalaze se putem semantičke sličnosti, bez obzira na točne korištene riječi.
LLM generira precizne odgovore na temelju provjerenih internih informacija.
Cilj → Kontekst → Odluka → Akcija → Povratna informacija
LLM Business Agenti su AI sustavi usmjereni na cilj koji kombiniraju veliki jezični model s kontekstualnim znanjem, mogućnostima planiranja i povezanim alatima.
Oni čine više od odgovaranja na pitanja – analiziraju informacije, pripremaju odluke i određuju konkretne sljedeće korake u procesu.
LLM agent je sustav usmjeren na cilj koji kombinira veliki jezični model s kontekstom, planiranjem, upravljanjem stanjima i alatima kao što su baze podataka, API-ji ili sustavi e-pošte. Analizira informacije, planira međukorake, koristi alate i procjenjuje vlastite rezultate.
Za razliku od chatbota, LLM agent ne odgovara samo na pitanja. Aktivno određuje što treba učiniti sljedeće kako bi postigao definirani cilj. U tu svrhu analizira informacije, planira međukorake, koristi alate poput baza podataka, API-ja ili sustava e-pošte te provjerava rezultate. Odluke i stanja pohranjuju se i koriste u daljnjim koracima.
LLM agent je AI komponenta koja ne samo da pruža znanje, već ga aktivno pretvara u odluke i poslovne procese. Podržava zaposlenike, priprema odluke i automatizira definirane procesne korake – na kontroliran, transparentan i sljediv način, uz opcionalni Human-in-the-Loop nadzor.
LLM agent slijedi definirani cilj, koristi kontekstualne informacije, radi u više koraka, koristi alate poput baza podataka ili API-ja te pohranjuje međurezultate za kasnije radnje. Dodatna ključna značajka je kontrolirana autonomija: agent djeluje unutar jasno definiranih tehničkih i poslovnih granica.
Tradicionalna automatizacija slijedi fiksna pravila i unaprijed definirane tijekove rada. Nasuprot tome, LLM agent može interpretirati sadržaj, uzeti u obzir kontekst i dinamički prilagoditi svoje ponašanje ciljevima, jeziku i okolnostima. To ga čini posebno prikladnim za promjenjive procese, nestrukturirane informacije i individualne scenarije donošenja odluka.
Retrieval-Augmented Generation kombinira semantičko pretraživanje s jezičnim modelima. RAG sustav najprije dohvaća relevantne informacije iz internih dokumenata, baza podataka ili izvora znanja, a zatim te informacije koristi kao kontekst za generiranje odgovora.
Vektorske baze podataka pohranjuju semantičke prikaze teksta kao matematičke vektore. To omogućuje pronalaženje informacija prema značenju, a ne prema točnim riječima, čak i kada upit koristi drugačije izraze od izvornog dokumenta.
RAG smanjuje halucinacije tako što odgovore generira ne samo na temelju podataka korištenih za treniranje modela, već i na temelju posebno dohvaćenih i provjerenih internih izvora. Time odgovori postaju sljediviji, pouzdaniji i stručnije provjerljivi.
Lokalni AI sustavi omogućuju organizacijama obradu osjetljivih podataka unutar vlastite infrastrukture. To poboljšava privatnost, kontrolu, sljedivost i integraciju s postojećim IT i compliance okruženjima.
LLM agenti mogu analizirati informacije, dohvaćati relevantne izvore, pripremati odluke, određivati sljedeće korake procesa i pokretati radnje poput obavijesti, generiranja dokumenata ili izvršavanja radnih tijekova – pod kontroliranim uvjetima i uz opcionalni Human-in-the-Loop nadzor.
Analiza procesa, podataka i organizacijskih zahtjeva. Razvoj realističnih AI planova s naglaskom na poslovnu vrijednost, zaštitu podataka i praktičnu provedbu.
Semantički pristup dokumentima, bazama podataka i stručnom znanju. Pouzdani odgovori temeljeni na kontroliranim podacima poduzeća.
Transformacija zakona, propisa, politika i poslovnih pravila u transparentnu, strojno čitljivu logiku odlučivanja.
Agenti za analizu informacija, pripremu odluka i izvršavanje procesnih koraka na kontroliran i sljediv način.
Rado ćemo razgovarati s vama o vašim procesima, podacima i ciljevima.
Kontaktirajte IKVision