BigQuery AI.SEARCH: duomenų paieška agentams tampa greitesnė ir pigesnė
·
BigQuery AI.SEARCH šiandien nėra teorinis žaislas. Tai jau darbas, pinigai, duomenys ir kartais labai žemiškas klausimas: kas prisiims atsakomybę, kai DI pradės veikti už žmogų?
BigQuery AI.SEARCH naujienose yra vienas skaičius, kuris priverčia sustoti: Google Cloud teigia matanti iki 133 kartų geresnį slot efficiency vienos užklausos scenarijuose. O tokios užklausos labai dažnos agentų paieškoje.
Turiu prisipažinti, tokias naujienas skaitau ne kaip blizgančią vitriną. Skaitau kaip žmogus, kuris iš karto galvoja apie komandą pirmadienio rytą. Kas iš to bus naudinga? Kur bus painiava? Ir kur po mėnesio kas nors pasakys: „mes galvojom, kad čia automatiškai susitvarkys“.
KAS NUTIKO
Google Cloud pristatė tris BigQuery paieškos pokyčius: Autonomous Embedding Generation general availability, AI.SEARCH general availability ir Hybrid Search public preview. Tikslas – kad struktūruoti ir nestruktūruoti duomenys būtų randami paprasčiau.
Čia kaip tvarkingas sandėlis. Jei prekė guli kažkur gale be etiketės, net geriausias darbuotojas sugaiš laiką. Agentui lygiai tas pats su duomenimis.
Čia svarbi detalė: kalbame ne apie dar vieną gražų demonstracinį video. Kalbame apie produktus, politiką, infrastruktūrą arba tyrimus, kurie keičia, kaip žmonės dirba su DI realiose organizacijose.
KODĖL TAI SVARBU
DI agentams reikia patikimos paieškos. Jei jie neranda teisingo dokumento, prasideda spėjimai, migloti atsakymai ir halucinacijų kaina.
DI jau išlipo iš „parašyk tekstą“ dėžutės. Jis naršo, jungiasi prie įrankių, analizuoja duomenis, planuoja veiksmus, kartais tvarko dokumentus ar padeda priimti sprendimą. Trumpai: jis artėja prie darbo proceso, ne tik prie pokalbio lango.
Ir čia smegenys mėgsta paslysti. Norisi sakyti: „ai, čia dar užsienyje“. Bet tas pats modelis ar funkcija rytoj atsiras kliento kompiuteryje, darbuotojo naršyklėje arba partnerio pasiūlyme.
KĄ TAI REIŠKIA VERSLUI
Verslui tai svarbu, nes daug įmonių turi ne modelio problemą, o duomenų radimo problemą. Sutartys, klinikiniai dokumentai, produktų aprašymai, support istorija – viskas turi būti pasiekiama aiškiai.
- sutvarkyti duomenų prieigą
- automatiškai generuoti embeddings ten, kur tinka
- testuoti natūralios kalbos paieškas
- matuoti atsakymo tikslumą pagal šaltinius
Paimkite 20 realių klausimų, kuriuos žmonės užduoda apie jūsų dokumentus, ir patikrinkite, ar paieška randa teisingą šaltinį dar prieš jungiant modelį.
Man patinka paprastas testas: ar po šios naujienos tavo komanda turi vieną aiškesnį sprendimą? Jei ne, vadinasi dar tik skaitome. Skaityti galima. Tik nereikia apsimesti, kad tai jau strategija.
KUR GALI SKAUDĖTI
Rizika – agentui duoti prastą paiešką ir kaltinti modelį. Jei šaltiniai netvarkingi, net protingas modelis pradeda klibėti.
Dažniausia klaida labai ūkiška. Žmonės įsijungia įrankį, pabando, nustemba, pasidžiaugia ir tada palieka viską savieigai. Po kelių savaičių paaiškėja, kad vieni darbuotojai kelia jautrius failus, kiti matuoja naudą iš jausmo, o treti net nežino, kas leidžiama.
Ne tragedija. Bet tvarkos reikia.
KĄ PASIDARYTI ŠIĄ SAVAITĘ
Šią savaitę pasirinkite vieną dokumentų rinkinį ir patikrinkite, ar jį galima rasti natūralia kalba be rankinio naršymo.
Šaltinis: Google Cloud Blog.
DUK
Kas yra BigQuery AI.SEARCH?
Tai BigQuery funkcija natūralios kalbos paieškai per duomenis, naudojama kartu su embedding sprendimais.
Kodėl tai svarbu DI agentams?
Agentai turi rasti teisingus šaltinius greitai, kitaip atsakymai tampa nepatikimi.
Kas yra Hybrid Search?
Tai paieškos būdas, kuris jungia semantinę ir raktažodžių paiešką geresniam tikslumui.
Jei nori DI naudoti praktiškai, pradėk nuo vieno proceso. Vienas pasikartojantis darbas. Vienas atsakingas žmogus. Vienas matavimas. Daugiau praktikos rasi MasterSprint.
