Tidligere Google AI-chef lancerer platform til at erstatte RAG

Tidligere Google AI-chef lancerer platform til at erstatte RAG

I en verden, hvor generativ AI ofte kæmper med troværdighed, er en ny spiller trådt ud af skyggerne med et klart mål: at gøre AI pålidelig nok til virksomheders mest kritiske opgaver. Lovelace AI, stiftet af Andrew Moore, tidligere General Manager for Google Cloud AI, har netop lanceret sin platform 'Elemental'. Ambitionen er at erstatte den udbredte, men ofte upålidelige, RAG-teknologi med en mere robust og deterministisk løsning bygget på strukturerede vidensgrafer.

Lanceringen signalerer et vigtigt modenhedstegn i AI-markedet. Vi bevæger os fra en fase med eksperimenter og "sjove" chatbots til en ny æra, hvor AI skal kunne levere verificerbare og konsistente resultater i miljøer, hvor fejl ikke er en mulighed. For danske B2B-ledere er dette et afgørende skift, der kan åbne døren for AI-anvendelser, som hidtil har været for risikable.

Fra "godt nok" til garanteret: Problemet med naiv RAG

For at forstå betydningen af Lovelace AI’s lancering, må vi først se på den teknologi, de vil erstatte: RAG, eller Retrieval-Augmented Generation. I al sin enkelhed fungerer RAG ved at give en sprogmodel adgang til en bunke dokumenter – en slags åben bog til en eksamen. Når modellen skal svare på et spørgsmål, finder den først relevante afsnit i dokumenterne og bruger dem derefter til at formulere et svar.

Metoden har været revolutionerende og er fundamentet i utallige AI-løsninger i dag. Men den har en akilleshæl, især i professionelle sammenhænge. Problemet ligger i, at den ofte er "naiv":

• Uklar kildekritik: Systemet henter information fra ustrukturerede tekster, hvor to dokumenter kan indeholde modstridende oplysninger, eller hvor konteksten er tvetydig.
• Mangel på sporbarhed: Det kan være svært præcist at afgøre, hvorfor AI'en nåede frem til en bestemt konklusion. Den kan sammenstykke information fra flere kilder på en måde, der ikke kan efterprøves.
• Risiko for "hallucinationer": Selvom RAG reducerer risikoen for frit opfundne svar, kan den stadig misfortolke eller "kreativt" kombinere information, hvilket fører til faktuelt forkerte svar.

For en marketingafdeling, der skriver et udkast til et opslag på sociale medier, er "godt nok" måske acceptabelt. Men i en juridisk afdeling, der analyserer kontrakter, eller i en produktionsvirksomhed, der diagnosticerer fejl på komplekst udstyr, er upræcise svar en direkte forretningsrisiko.

Lovelace AI's svar: Kontekstmotorer og vidensgrafer

Her kommer Lovelace AI’s ‘Elemental’ ind i billedet. I stedet for at lade en AI søge frit i en bunke dokumenter, bygger Elemental en såkaldt "kontekstmotor" baseret på en struktureret vidensgraf (knowledge graph). Tænk på forskellen mellem at søge i en rodet stak noter og at slå op i et velorganiseret leksikon med krydsreferencer.

En vidensgraf kortlægger ikke bare information, men også relationerne mellem dem. For eksempel ved den ikke kun, at "Produkt A" og "Komponent B" eksisterer; den ved, at "Produkt A *indeholder* Komponent B", at "Komponent B *er fremstillet af* Leverandør C", og at "Leverandør C *har en leveringstid på* 14 dage".

Denne strukturerede tilgang giver tre afgørende fordele for enterprise AI:

1. Determinisme: Svarene er forudsigelige og konsistente. Fordi AI'en navigerer i et netværk af verificerede fakta og relationer, vil det samme spørgsmål altid give det samme, korrekte svar.
2. Verificerbarhed: Hvert eneste svar kan spores tilbage til de specifikke data og relationer i vidensgrafen, som det er baseret på. Dette er essentielt for revision, compliance og fejlfinding.
3. Pålidelighed: Ved at bygge på en kurateret og struktureret videnbase elimineres risikoen for, at AI'en "gætter" eller lader sig vildlede af tvetydig information.

Hvad det betyder for danske virksomheder

Lovelace AI's fremstød er mere end bare en ny teknologi; det er en indikator på, hvor markedet for enterprise AI er på vej hen. For danske virksomheder, der har stået på sidelinjen på grund af bekymringer om risiko og pålidelighed, åbner denne udvikling nye døre.

Potentialet findes især i brancher, hvor præcision er altafgørende. Forestil dig en finansiel rådgiver, der kan få øjeblikkelige, verificerbare svar om komplekse investeringsprodukter baseret på regulatoriske dokumenter og markedsdata. Eller en ingeniør, der kan fejlfinde på en produktionslinje ved at spørge en AI-agent, som har en komplet, struktureret forståelse af hver eneste maskine, komponent og procedure.

Dette skift kræver dog også en ny tilgang til data. Fokus flytter sig fra blot at "have data" til aktivt at strukturere viden. Fremtidens vindere bliver de virksomheder, der ikke kun ser AI som et værktøj til at analysere ustruktureret information, men som investerer i at bygge de robuste vidensfundamenter, som den næste generation af enterprise AI-agenter kræver.

Næste kapitel for AI i erhvervslivet

Lanceringen af Lovelace AI markerer et skifte fra probabilistisk til deterministisk AI. Det er overgangen fra systemer, der giver det *sandsynligvis* bedste svar, til systemer, der giver det *garanteret* korrekte svar baseret på et verificerbart grundlag. Denne udvikling gør teknologien moden til at blive en integreret del af virksomheders mest kritiske processer.

For danske beslutningstagere er budskabet klart: Tiden med forsigtige pilotprojekter er ved at rinde ud. Spørgsmålet er ikke længere, *om* man skal bruge AI, men *hvordan* man bygger det pålidelige datagrundlag, der kan drive reel forretningsværdi uden at gå på kompromis med sikkerhed og præcision.