Fra driftsdata til AI-klart vidensgrundlag
Forbind de driftsdata, der indsamles via GL3, med GL4-pipelinen til klargøring på HERCULES: kuratering, dokumenter, chunks, vektorer og semantisk validering.
Et yderligere anvendelsesscenarie baseret på CIRMS’ driftsarkitektur. Omfang og understøttede integrationer skal bekræftes.
Opbyg vidensgrundlaget, før AI tilføjes.
At indsamle data er ikke det samme som at klargøre dem til AI. Dette yderligere anvendelsesscenarie fokuserer på CIRMS’ GL3/GL4-fundament og holder dataklargøring adskilt fra de planlagte GL5-modeller og samtalefunktioner.
Oplysninger inden for omfanget
- Registrerede kilder
- Understøttede kilder valgt til implementeringen.
- Kildemetadata
- Oplysninger om struktur, identitet og ændringer.
- Driftsposter
- Data indsamlet gennem de aftalte GL3-processer.
- Krav til klargøring
- Omfang, tilladelser og tilsigtet brug af viden.
Sådan er arbejdsgangen organiseret.
En oversigt på anvendelsesniveau, ikke en påstand om, at hver kilde, connector eller driftsprocedure er konfigureret på forhånd.
- 01
Forstå kilden
Opdater kildemetadata, og fastlæg omfanget af udtrækket.
- 02
Indsaml og kuratér
Før data ind i klargøringsprocessen, og anvend de konfigurerede kurateringsregler.
- 03
Klargør vidensressourcer
Generer dokumenter, chunks og vektorrepræsentationer gennem GL4.
- 04
Validér parathed
Gennemgå semantisk validering og parathedsstatus før efterfølgende brug i AI.
Synlig klargøring
Forstå, hvordan kildeposter bliver til vidensressourcer.
Genanvendelig viden
Klargør strukturerede ressourcer til den tilsigtede efterfølgende brug.
Adskilte ansvarsområder
Hold dataenes parathed adskilt fra AI-ræsonnement og svar til brugerne.
Klargøringsflowet fra driftsdata til AI.
Hvad der ligger bag anvendelsesscenariet.
Adskil platformens fundament fra den planlagte intelligens og kravene i målmiljøet.
GL3 / GL4 & arkitektur
HERCULES udfører GL3-automatisering og dataindsamling samt GL4 AI Data Readiness. Denne side beskriver det dokumenterede fundament, ikke en ny GL5-funktion.
AI & fremtidige udvidelser
AI-modeller, samtalebaserede svar og beslutningsstøtte, som bruger den klargjorte viden, hører til det planlagte GL5-lag og kræver en særskilt evaluering.
Mennesker, data & rettigheder
Bekræft de understøttede kildetyper, håndteringen af identitet og ændringer, adgangstilladelserne og parathedskriterierne. En bestået klargøringsfase garanterer ikke i sig selv et korrekt eller sikkert AI-svar.
En afgrænset evaluering
Registrer en understøttet, repræsentativ kilde, og gennemgå klargøringsresultaterne og kørselsstatus sammen med dataejeren, før omfanget udvides.
Mulige målepunkter: kildedækning, klargøringsfejl, vidensaktualitet og resultater af semantisk validering i forhold til den tilsigtede anvendelse.