ARGO Kastor
Warstwa wiedzy i AI w ekosystemie ARGO. Porządkuje materiały, encje i kontekst, a jej architekturę rozwijamy w stronę orkiestracji pracy firmy.
Dane firmy i materiały
zamieniamy w wiedzę.
Kastor pracuje dziś w dwóch obszarach: zapleczu danych oraz przetwarzaniu materiałów z obserwowanych źródeł i własnych notatek.
Serwer i baza wektorowa
Zaplecze na serwerze Ubuntu obsługuje warstwę danych oraz encjowanie. Powiązania obiektów i reprezentacje treści tworzą podstawę dalszej pracy z wiedzą.
Źródła, wiadomości i głos
Na drugim serwerze działa przetwarzanie materiałów z obserwowanych kanałów YouTube i blogów, notatek głosowych oraz wiadomości tekstowych. Treści są pobierane, przetwarzane i encjowane.
Te elementy stanowią działający fundament. Kolejne scenariusze analizy, odpowiedzi i orkiestracji zadań rozwijamy na jego podstawie.
Zdarzenia, podsumowanie
i rozmowa o danych.
Rozwijana tablica „Puls firmy” zbiera zdarzenia z OMS i podsumowania przygotowywane przez lokalnego Bielika. Zamówienia, płatności i przebiegi automatyzacji otrzymują wspólny kontekst, a pod wpisami można dopytać Kastora o szczegóły.
Projekt pokazuje sposób prezentacji najważniejszych spraw, źródeł i rozmowy o podsumowaniu. Liczby, identyfikatory oraz treść odpowiedzi na ekranie są przykładowe.
Kontekst, narzędzia
i kontrola działania.
Docelowa architektura Kastora łączy wiedzę firmy z wyspecjalizowanymi agentami i narzędziami. Ważne są źródła informacji, reguły pracy i możliwość sprawdzenia wyniku.
Źródła i pamięć
Informacje zachowują powiązanie z materiałem i obiektem, którego dotyczą. Wiedza ma narastać razem z historią pracy firmy.
Obliczenia w kodzie
Przyjmujemy zasadę, że liczby, reguły i obliczenia obsługują narzędzia oraz bazy danych. Model interpretuje treść i korzysta z przygotowanych wyników.
Wyspecjalizowane zadania
Architektura przewiduje agentów dobranych do rodzaju pracy: materiałów, dokumentów, poczty, analizy czy głosu.
Orkiestracja i ocena
Kolejność działań, uprawnienia, zdarzenia oraz zatwierdzanie istotnych operacji są częścią rozwijanej warstwy sterującej.
Model dobieramy
do zadania.
Bielik wspiera przetwarzanie danych i tworzenie opisów. Whisper przygotowuje tekst z nagrań, a modele Qwen wspierają embeddingi i porządkowanie informacji.
Dążymy do lokalnych modeli i zamkniętego obiegu danych. W obecnych procesach wykorzystywane są również usługi zewnętrzne. Rozwijając kolejne scenariusze, dobieramy model do zadania, zasobów i wymagań dotyczących informacji.
Więcej o lokalnym AIGdzie w Twojej firmie
ginie potrzebna wiedza?
W dokumentach, korespondencji, nagraniach czy ustaleniach przekazywanych między ludźmi? Zacznijmy od konkretnych źródeł oraz pracy, którą mają ułatwić.
Porozmawiajmy o Kastorze