שלב 01
ביקורת מאגר ידע
מיפוי מקורות: מסמכים, מדיניות, נהלים, הערות לקוח, ויקי וידע תפעולי.
תשתית אוטומציה
יישום RAG — מערכת ידע פנימית מאובטחת מבוססת AI, מעוגנת במקורות המאושרים שלכם
Profitec AI בונה מערכת retrieval-augmented generation פרטית שמאפשרת לעובדים לחפש, לשלוף ולהשתמש במסמכי החברה, נהלים, מדיניות וידע תפעולי דרך עוזר AI שעונה רק ממקורות מאושרים.
יישום RAG בונה מערכת ידע פנימית מאובטחת שמאפשרת לעובדים לחפש, לשלוף ולהשתמש במסמכים, נהלים, מדיניות, הערות לקוח וידע תפעולי דרך עוזר AI שמבוסס על מקורות מאושרים. Profitec AI מבצעת את כל הבנייה — ביקורת מאגר ידע, ניקוי מקורות, ארכיטקטורת אחזור, הקמת embeddings/vector database, כללי הרשאה, ביסוס תשובות ולוגיקת ציטוטים — עם תהליכי בדיקה אנושית, כך שהתשובות נשארות מדויקות, ניתנות למעקב ומודעות-הרשאות.
היכן התהליך נשבר
איפה הידע הפנימי נשבר
01
עובדים לא מוצאים את המסמך, הנוהל או המדיניות הנכונים כשהם צריכים אותם.
02
הידע נמצא בראש של אנשים, בכוננים מפוזרים ובשרשורים ישנים.
03
עוזרי AI גנריים ממציאים תשובות כי הם לא מעוגנים במקורות שלכם.
04
מסמכים רגישים נחשפים לכלים ללא בקרת גישה.
05
לעובדים חדשים לוקח חודשים ללמוד איפה נמצא הידע.
06
אי אפשר לדעת מאיזה מקור הגיעה תשובה.
מה Profitec בונה
מה המערכת RAG עושה
שכבת ידע פרטית מעל המקורות המאושרים שלכם. היא שולפת את הקטעים הנכונים, מעגנת בהם כל תשובה, ומכבדת מי מורשה לראות מה — עם ציטוטים ובדיקה אנושית היכן שצריך.
עונה על שאלות עובדים רק ממקורות חברה מאושרים
שולפת את הקטעים המדויקים שמאחורי כל תשובה
מצטטת את מסמך המקור והסעיף לכל תשובה
אוכפת כללי הרשאה כך שאנשים רואים רק את מה שמותר להם
מנקה, מבנה ומסירה כפילויות ממאגר הידע
שומרת על עדכניות התשובות ככל שהמסמכים משתנים
מנתבת תשובות בעלות ביטחון נמוך או רגישות לבדיקה אנושית
מתעדת שאלות, מקורות ותשובות לצורך ביקורת
צינור
איך צינור ה-RAG עובד
קלט
עיבוד
AI / לוגיקה
בקרה אנושית
פלט
מדידה
שלב 02
ניקוי מקורות
הסרת כפילויות, מבנה וסילוק תוכן מיושן או סותר לפני האינדוקס.
שלב 03
ארכיטקטורת אחזור
תכנון chunking, מטא-דאטה ואסטרטגיית האחזור לעיגון מדויק.
שלב 04
Embeddings ו-vector database
יצירת embeddings וטעינת המקורות המאושרים ל-vector database.
שלב 05
כללי הרשאה
מיפוי הרשאות כך שהאחזור מכבד מי יכול לראות כל מקור.
שלב 06
ביסוס תשובות וציטוטים
הגבלת העוזר לקטעים שנשלפו וצירוף ציטוט לכל תשובה.
שלב 07
תהליכי בדיקה אנושית
ניתוב תשובות בעלות ביטחון נמוך או רגישות לאדם לפני שסומכים עליהן.
שלב 08
בדיקות, ניטור ומסירה
אימות מול שאלות אמיתיות, ניטור דיוק ופערים, ומסירת תיעוד.
אינטגרציות
נבנה סביב הכלים שאתם כבר מפעילים.
מקורות
Google DriveSharePointNotionConfluencePDFs
Vector DB
pgvectorPineconeWeaviateQdrant
מודלים
ClaudeGPTEmbeddingsRerankers
גישה
SSOכללים מבוססי-תפקידיומני ביקורת
מסירה
SlackTeamsאפליקציית webכלים פנימיים
אוטומציה
n8nMakeAPIsWebhooks
הכלים הם להמחשה. האוטומציה מעוצבת סביב המערכות שאתם כבר משתמשים בהן, מחוברת דרך ממשקי API ושכבות תזמור כמו n8n ו-Make.
מה משתפר
מדדים שאנחנו מודדים מול בסיס.
דיוק תשובות
/01התשובות מעוגנות במקורות שנשלפו, לא בזיכרון של המודל.
יכולת מעקב למקור
/02כל תשובה מצטטת את המסמך והסעיף שממנו הגיעה.
זמן למציאת ידע
/03עובדים מקבלים תשובות בשניות במקום לחפש בין מערכות.
עמידה בהרשאות
/04האחזור מכבד הרשאות, כך שאנשים רואים רק את מה שמותר.
מהירות קליטה
/05עובדים חדשים שואלים את מאגר הידע במקום להפריע לעמיתים.
כיסוי ופערים
/06הניטור חושף שאלות שמאגר הידע עדיין לא יכול לענות עליהן.
בקרות
בקרות וסיכון
- התשובות מוגבלות למקורות מאושרים שנשלפו — ללא ייצור לא-מעוגן
- כללי הרשאה נאכפים באחזור, כך שההרשאות נשמרות
- ציטוטים בכל תשובה לצורך מעקב
- בדיקה אנושית לתשובות בעלות ביטחון נמוך ורגישות
- יומני ביקורת של שאלות, מקורות ותשובות
- ניטור לדיוק, תוכן מיושן ושאלות ללא מענה
יישום
מסלול מבוקר מביקורת ועד ניטור.
01
ביקורת
מיפוי מקורות ידע, בעלים, רגישות וכללי הרשאה.
02
ארכיטקטורה
תכנון אחזור, chunking, embeddings, ה-vector database ולוגיקת העיגון.
03
בנייה
ניקוי מקורות, אינדוקס, וחיווט כללי הרשאה, ציטוטים ותהליכי בדיקה.
04
בדיקות
הרצת שאלות עובדים אמיתיות ומקרי קצה; אימות דיוק, ציטוטים והרשאות.
05
השקה
פריסה ב-Slack, Teams או אפליקציית web עם תיעוד והנחיות בדיקה.
06
ניטור
מעקב אחר דיוק, פערים ושימוש; שמירה על עדכניות האינדקס ככל שהמסמכים משתנים.
שאלות נפוצות
מה צוותים שואלים לפני שמתחילים.
01מה זה RAG (retrieval-augmented generation)?
RAG היא גישה שבה עוזר AI שולף קטעים רלוונטיים מהמקורות המאושרים שלכם ועונה רק על בסיס התוכן שנשלף, במקום להסתמך על האימון הכללי של המודל. כך מקבלים עוזר פנימי שהוא מדויק, עדכני ומעוגן במסמכים שלכם.
02במה זה שונה משימוש ב-ChatGPT?
עוזר גנרי עונה מתוך האימון שלו ויכול להמציא דברים על העסק שלכם. מערכת RAG עונה רק מהמסמכים המאושרים שלכם, מצטטת את המקור ומכבדת כללי הרשאה — כך שהתשובות ניתנות למעקב, עדכניות ומודעות-הרשאות.
03האם הנתונים שלנו מאובטחים ופרטיים?
כן. המקורות נשארים בתוך הסביבה המאושרת שלכם, האחזור אוכף כללי הרשאה כך שאנשים רואים רק את מה שמותר להם, וכל תשובה מתועדת לביקורת. אנחנו מתכננים את הארכיטקטורה סביב דרישות האבטחה והסודיות שלכם.
04באילו מקורות זה יכול להשתמש?
מסמכים, מדיניות, נהלים, הערות לקוח, ויקי וידע תפעולי ממקורות כמו Google Drive, SharePoint, Notion, Confluence או PDFs. ביקורת מאגר הידע וניקוי המקורות באים קודם, כך שהמערכת מעוגנת בתוכן נקי ומאושר.
05איך אתם שומרים על דיוק התשובות?
התשובות מוגבלות לקטעים שנשלפו ונושאות ציטוט, תשובות בעלות ביטחון נמוך או רגישות מנותבות לבדיקה אנושית, והניטור חושף פערים ותוכן מיושן כך שמאגר הידע נשאר אמין ככל שהוא גדל.
השלב הבא
הפכו ידע ארגוני מפוזר לעוזר אחד מעוגן.
סקירה ממוקדת ממפה את מקורות הידע שלכם, כללי ההרשאה והשאלות שהצוות שואל הכי הרבה — ואז מראה את מערכת ה-RAG ששווה לבנות ואיך לשמור על דיוקה.