До появи нинішнього покоління інструментів ШІ, розв'язання проблем LFB означало б використання традиційних підходів з управління знаннями: місяці ручного аудиту документації, структуровані інтерв'ю з експертами для вилучення та формалізації унікальних внутрішніх знань, побудова звичайного пошукового порталу або вікі-ресурсу, а також найм додаткових інженерів для зменшення залежності від ключових співробітників за рахунок збільшення штату. Це було б дорого, повільно та статично. Отримана база знань почала б застарівати в момент її публікації, оскільки діюча ERP-система продовжувала б розвиватися.

Тепер, коли можливості LLM та RAG корпоративного рівня стали достатньо зрілими для використання в робочому середовищі, став можливим принципово інший підхід — такий, що дозволяє засвоювати, структурувати та робити доступним для пошуку весь обсяг знань LFB за тижні, а не за квартали. Але сама по собі наявність ШІ не була рішенням. Питання полягало в тому, як застосувати його відповідально.

Поширеною помилкою при впровадженні ШІ в корпоративному секторі є зосередження на самому ШІ — вибір моделі, точне налаштування промптів, генерація результатів, тоді як структурна основа, що визначає, чи буде цей результат корисним, ігнорується.

Основний принцип, на якому базується GuardianLLM, полягає в тому, що ШІ має створювати цінність. Модель LLM, підключена до неорганізованої бази знань, видаватиме переконливі відповіді, які будуть неповними, застарілими або неправильними. Та сама LLM, підключена до добре структурованої, постійно оновлюваної та правильно індексованої бази знань, стає надійним робочим інструментом.

Це означало, що перед впровадженням будь-якого компонента ШІ зусилля були зосереджені на:

Архітектурі знань: Мапування, категоризація та структурування розрізненої документації LFB, вихідного коду ERP, історії тікетів та робочих журналів у цілісний корпус даних із можливістю пошуку.

Управлінні якістю джерел: Встановлення правил збору даних, які фільтрують, версіонують та перевіряють контент перед тим, як він потрапить до бази знань, гарантуючи, що ШІ працює лише з авторитетними та актуальними матеріалами.

Проектуванні пошуку замість проектування генерації: Інвестування у векторне та семантичне індексування Azure AI Search для забезпечення того, що потрібна інформація буде знайдена ще до того, як LLM спробує згенерувати відповідь.

Механізмах безперервного оновлення: Створення автоматизованих конвеєрів (синхронізація з Git, імпорт журналів, інтеграція з системою тікетів), щоб база знань залишалася актуальною без ручного втручання.