Monivaiheinen päättely (multi-hop reasoning) on tekoälyjärjestelmän kykyä vastata kysymykseen usean peräkkäisen päätelmän kautta, usein yhdistämällä tietoa eri lähteistä. Esimerkki: kysymys ”Mitä osastoa johtaa projektista X vastaava henkilö?” edellyttää ensin vastuuhenkilön ja sitten hänen osastonsa selvittämistä. Tällaiset kysymykset ovat vaativia haku- ja RAG-järjestelmille, koska jokainen välivaihe on löydettävä ja yhdistettävä oikein.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoHakuvahvistettu generointi (retrieval-augmented generation) yhdistää haun ja tekstin tuottamisen: ennen vastaamista järjestelmä hakee tietokokoelmasta – esimerkiksi käsikirjoista, ohjeistuksista tai UKK:sta – asiaankuuluvia kohtia ja välittää ne kielimallille kontekstina. Vastaus perustuu siten ajantasaiseen, yrityskohtaiseen sisältöön eikä pelkästään mallin opetustietoon. Tämä vähentää keksittyjä väitteitä, tekee lähteistä jäljitettäviä ja mahdollistaa päivitykset ilman uudelleenopetusta.
Kysymyksiin vastaaminen (question answering, QA) on luonnollisen kielen käsittelyn ala, jolla järjestelmä vastaa arkikielellä esitettyihin kysymyksiin suoraan hakutulosten listan palauttamisen sijaan. Nykyaikaiset järjestelmät etsivät olennaisia tekstikohtia tietokannasta ja muodostavat niistä vastauksen, mieluiten lähdeviitteen kera. Tyypillisiä käyttökohteita ovat asiakaspalvelu, sisäiset tietokannat ja käyttöohjeet – esimerkiksi kun henkilöstöoppaalta kysytään ”Kuinka monta lomapäivää saan ensimmäisenä vuonna?”
LazyGraphRAG on graafipohjaisen hakuun perustuvan generoinnin lähestymistapa, jonka Microsoft Research esitteli vuonna 2024. Toisin kuin GraphRAG, se ei anna kielimallin luoda tiivistelmiä indeksoinnin aikana; sen sijaan se tunnistaa käsitteet ja niiden yhteisesiintymät klassisella luonnollisen kielen käsittelyllä, ja kielimallia käytetään vasta kyselyhetkellä. Microsoftin mukaan tämä laskee indeksointikustannukset perusvektori-RAG:n tasolle. Se sopii erityisen hyvin kysymyksiin, jotka vaativat yleiskuvaa suurista dokumenttikokoelmista.
Mallien ketjutus tarkoittaa usean tekoälymallin tai tekoälyvaiheen yhdistämistä peräkkäin niin, että yhden vaiheen tuloste on seuraavan vaiheen syöte. Monimutkaiset tehtävät voidaan näin jakaa hallittaviin osatehtäviin, joita voidaan tarkistaa ja parantaa erikseen. Esimerkki: yksi vaihe tiivistää asiakkaan tiedustelun, toinen ohjaa sen oikealle osastolle ja kolmas laatii vastausluonnoksen.
