Две ветки AI и их использование для создания продукта
Сегодня большинство продактов используют AI, основанные на RAG. RAG - это поиск ответа по знаниям перед ответом LLM. Загружаем документацию, инструкции, FAQ, отзывы, регламенты. Пользователь задаёт вопрос — система находит наиболее подходящие фрагменты текста и передаёт их LLM.
Но есть другой подход — граф знаний. Здесь информацию представляют не только в виде текстов, а как объекты и связи между ними: Клиент → купил → продукт → входит в → тариф → имеет → цену. Сотрудник → отвечает за → клиента. Функция → доступна в → тарифе.
То есть, RAG ищет информацию, а Граф знаний показывает структуру и связи.
Для многих AI-функций RAG вполне достаточно. Например: — «Как оформить возврат?» — «Какие тарифы у нас есть?» — «Что говорит регламент о просроченной оплате?» — «Найди похожие обращения клиентов».
Но, что если у вас возник другой запрос, например такой: «Почему этот клиент находится в зоне риска и что нам делать?»
Допустим, система знает, что клиент: — пользуется тарифом «Профессиональный»; — активно использует функцию X; — через месяц заканчивается договор; — за последние 2 месяца было 3 обращения в поддержку; — после повышения цены тариф подорожает на 25%.
Что может ответить на ваш вопрос RAG? «В базе знаний указано, что повышение цены более чем на 20% является одним из факторов риска оттока. Для клиентов с высокой активностью рекомендуется персональная коммуникация и предложение альтернативного тарифа». Полезно. Но это в основном найденная и обобщённая информация.
А что может дать графовая модель? Она связывает конкретные объекты: Клиент → использует → функцию X Функция X → критична для → сегмента клиента Клиент → имеет → тариф Professional Professional → цена изменяется на → +25% Клиент → договор заканчивается через → 30 дней
И система может дать ответ: «Клиент относится к группе высокого риска: через 30 дней заканчивается договор, цена его тарифа вырастет на 25%, а используемая им функция X критична для этого сегмента. Рекомендуется связаться с клиентом до продления и предложить альтернативный тариф». Разница вот в чем: RAG нашёл нужные знания, а граф связал факты о конкретном объекте.
А если поверх графа и документов работает LLM, она уже может объяснить решение человеку нормальным языком.
А в вашей работе какой вид ИИ важен: «AI, который отвечает на вопросы» или «AI, который понимает ситуацию и помогает принять решение»?
