대기업에서 AI가 올바른 답을 찾는 방법

01맥락을 구성하는 문제

이 모델은 더 이상 엔터프라이즈 AI 시스템의 약점이 아닙니다. 답이 제대로 나오느냐는 업스트림에서 결정되는데, 어떤 규칙, 숫자, 사실을 모델 앞에 두고 어떤 것은 생략했는지에 따라 결정됩니다.

컨텍스트 창을 채우는 방법에는 세 가지가 있습니다.

첫 번째는 모든 것을로드하는 것입니다. 이것은 작은 위키에서 작동하며 그 후에는 빠르게 작동하지 않습니다. 코퍼스의 크기에 따라 비용이 증가하고 정확도도 저하됩니다. 왜냐하면 중요한 단락은 모델의 관심을 끌기 위해 그렇지 않은 수천 개의 단락과 경쟁해야 하기 때문입니다.

두 번째는 오늘날의 표준 아키텍처인 유사성에 의한 검색입니다. 모든 문서를 포함하고 각 질문에 대해 포함 공간에서 문서에 가장 가까운 청크를 가져옵니다. 이것은 다양한 코퍼스에서 잘 작동합니다. 대기업 내에서는 제대로 작동하지 않으며 그 이유는 임베딩 품질과 관련이 없습니다. 회사는 반복됩니다. 192개의 부서가 있는 회사에는 192개의 할인 정책이 있으며 대부분이 서로 복사되고 가볍게 편집되었기 때문에 거의 동일하게 읽혀집니다. 특정 사례에 적용되는 정책은 텍스트에 전혀 표시되지 않는 방식으로 다른 191개 정책과 다릅니다. 즉, 다른 부서에 속하고, 다른 역할이 소유하고, 임계값은 다른 숫자입니다. 그 정보는 결코 문구에 없었습니다. 이는 정책과 그 주변의 모든 것 사이의 관계에 위치하며 벡터 인덱스는 관계를 둘 곳이 없습니다.

세 번째 방법은 관계를 명시적으로 저장하고 사용하는 것입니다. 모든 노드와 모든 관계에 유형이 있는 그래프로 회사를 모델링하고 질문에 답하십시오. 질문에 이름이 지정된 것부터 시작하고, 이러한 종류의 질문과 관련된 관계 종류만 따르고, 진행하면서 한 줄 요약을 읽고, 실제로 탐색가 시작되는 소수의 노드에 대한 전체 세부 정보를 로드하십시오. 읽는 자료의 양은 회사 규모가 아니라 탐색하는 길이에 따라 달라집니다. 그리고 대답의 각 사실은 특정 관계로 인해 발생했기 때문에 거기에 도달했습니다. 이는 누군가가 관계를 확인할 수 있음을 의미합니다.

논문의 나머지 부분은 세 번째 옵션에 관한 것입니다. 섹션 04~06에서는 정확성, 회사가 실제로 결정을 내리는 방식에 대한 충실성, 다양한 부서에 변수가 있는 결정 등 품질에 답하기 위해 수행하는 작업을 다룹니다. 섹션 07과 08에서는 비용에 미치는 영향을 측정합니다.

02기반 구조: 유형이 정의된 단일 그래프

Intelligence Warehouse는 기업 전체에 대해 하나의 그래프를 유지합니다. 비즈니스 개념은 입력된 노드이고, 관계는 입력된 관계이며, 사람들은 그래프를 직접 편집하지 않습니다. 이는 그들이 구축한 흐름과 그 과정에서 시스템에 제공하는 답변으로 구성됩니다. 전체 아키텍처는 다른 곳에 문서화되어 있습니다. 다음은 순회 인수에 필요한 최소값입니다.

이 인쇄물의 두 가지 특성은 종이의 나머지 부분을 담고 있습니다.

첫 번째는 유형이 정의된 관계를 사용하면 그래프가 축소된다는 것입니다. 누가 무언가를 승인할 수 있는지에 대한 질문은 decomposes_into 에지를 넘을 이유가 없으며 측정항목이 이동한 이유에 대한 질문은 reports_to를 넘을 이유가 없습니다. 어떤 종류의 질문이 요청되는지 선언하면 다른 일이 발생하기 전에 도달 가능한 그래프가 작은 조각으로 축소됩니다. IW의 5가지 렌즈(Hierarchy, Function, Flow, Entity, Decision)가 바로 이 메커니즘입니다. 각 렌즈는 걷기가 따라갈 수 있는 일련의 가장자리 유형입니다.

두 번째는 모든 노드가 두 가지 해상도로 존재한다는 것입니다. 유형, 이름, 한 문장 등 약 45개의 토큰으로 구성된 한 줄 요약이 있습니다. 그리고 전체 본문에는 약 350개의 토큰이 있습니다. 계약, 규칙, 출처, 데이터 프로필(있는 경우) 등이 있습니다. 탐색는 이동하는 동안 요약을 읽고 정착한 노드에서만 전신 비용을 지불합니다. 잘 조직된 문서의 점진적인 공개와 동일한 아이디어가 회사에 적용됩니다.

03그래프 탐색의 구성

순회는 5단계로 실행되며 그 중 하나만 모델에 닿습니다.

1 · 앵커

앵커 해상도. 질문의 이름을 노드에 연결합니다. "첸나이 대리점"이 하나가 됩니다 entity 노드; "이 할인"은 circuit 이는 무역 할인을 관리합니다. 이름이 모호하지 않은 경우 이는 조회입니다. 그렇지 않은 경우에는 작은 추론 하나만으로 문제가 해결됩니다.

2 · 렌즈

탐색 관점 선택. 질문의 유형을 분류하고 적합한 관계 유형을 불러옵니다. 승인 권한 질문은 reports_to / owns / escalates_to를 따라가고, 근본 원인 질문은 decomposes_into / measured_by / feeds를 따라갑니다. §07에서는 이 단계가 탐색량을 얼마나 줄이는지 측정합니다.

3 · 확장

프론티어 확장. 완전한 도달 가능성 대신 토큰 예산을 사용하여 법적 관계를 따라 앵커부터 너비 우선으로 요약만 읽습니다. 관련된 모델이 없습니다. 이것은 인접 목록 작업입니다.

4 · 하강

세부 정보 로드와 판단. 관련 노드의 전체 본문을 불러오고 지시문, 질문, 탐색 후보 요약, 근거 본문을 모델에 전달합니다. 일반적인 탐색은 모델을 두 번 호출합니다. 한 번은 의사결정 지점에서 추론하고 다른 한 번은 감사 가능한 근거 경로와 함께 답변을 작성합니다.

5 · 실행 결과 재기록

다시 쓰기. 탐색이 모순(값에 동의하지 않는 두 시스템, 예외와 충돌하는 규칙)에 부딪히면 인간의 해결 방법은 회로에 연결된 규칙 노드로 다시 돌아옵니다. 같은 영역을 통과하는 다음 그래프 탐색에서는 문제를 재발견하는 대신 규칙을 읽습니다.

모델이 더 이상 수행하도록 요청받지 않는 작업에 대해 명시적으로 설명할 가치가 있습니다. 도구를 선택하지 않고, 증가하는 기록을 다시 읽지 않으며, 관련 항목에 대해 검색된 청크 더미를 선별하지 않습니다. 제어 흐름은 코드로 실행됩니다. 모델은 구조적 과정이 이미 보증한 소량의 재료와 그에 대한 이유를 얻습니다.

04답의 타당성을 유지하는 이유

모델은 본 적이 없는 규칙을 적용할 수 없습니다. 아키텍처에 대한 다른 사실이 무엇이든 실제로 컨텍스트 창에 도달하는 필요한 자료의 비율은 정확성의 한계입니다. 그래서 이것이 가장 먼저 측정해야 할 것입니다.

필요한 정보가 실제로 전달되는가

시뮬레이션에서 각 질문에는 실제 기반 세트가 있습니다. 즉, 정답이 결정되는 특정 규칙 노드, 임계값 및 에스컬레이션 레코드(6~14개)가 있습니다. 우리는 검색 기준선에 30개 청크(약 10,500개 토큰)의 고정 예산을 할당했습니다. 이는 전체 순회 탐색이 모든 것에 소비하는 것의 대략 두 배입니다. 그런 다음 각 회사 규모에서 해당 예산 내에서 업무 맥락 정립 세트의 어느 부분이 차지하는지 물었습니다.

메커니즘은 철자할 가치가 있습니다. 유사성 검색은 질문과 가장 유사한 청크를 반환하며, 대기업의 경우 질문과 가장 유사한 청크는 대부분 동일한 정책에 대한 다른 부서의 버전입니다. 예산을 늘리는 것이 도움이 되고,§07그 비용이 무엇인지 보여줍니다. 고정된 예산에서는 회사의 성장이 리콜을 잡아먹습니다.

실패가 발생하는 모습

두 번째 정확도 문제는 실패의 형태입니다. 검색이 누락되면 빈 상태로 돌아오지 않습니다. 가장 가까운 유사 항목으로 돌아오고, 모델은 잘못된 부서의 정책에서 유창한 답변을 작성하며, 출력에는 아무것도 잘못되었다는 내용이 표시되지 않습니다. 기업 배포에서 환각이라고 불리는 현상의 상당 부분은 모델이 잘못된 자료에서 제대로 작동하는 것입니다.

탐색는 다르게 실패합니다. 승인자의 이름을 지정하려면 escalates_to 에지를 통해 person 노드에 도착해야 합니다. Edge가 없으면 생성할 이름이 없으며 시스템에서는 이름을 찾을 수 없다고 보고합니다. 눈에 보이는 "경로 없음"은 자신감 넘치는 잘못된 이름보다 훨씬 저렴한 실패입니다. 누군가가 가장자리를 고치면 그 실패 등급은 사라졌습니다.

숫자에도 마찬가지입니다. Walk에서 측정항목을 인용하면 측정항목이 measured_by인 data_source 노드에서 소스의 최신성과 프로필이 첨부된 수치를 읽습니다. 해당 날짜에 가장 높은 순위를 차지한 분기별 보고서 청크에서가 아닙니다.

오류를 특정하고 수정하면서 누적되는 정확도

모든 답변은 원래 경로를 전달하므로 검토자가 잘못된 답변을 발견하면 어떤 관계나 규칙이 해당 답변을 생성했는지 확인할 수 있으며 수정 사항은 그래프에 대한 변경입니다. 그 시점부터 동일한 지점을 가로지르는 모든 탐색는 수정된 버전을 얻습니다. 임베딩 인덱스는 이에 상응하는 것을 제공하지 않습니다. 다시 청크하거나 순위를 다시 매기거나 미세 조정할 수는 있지만 한 가지 사실을 복구하고 그 사실이 복구된 상태로 유지된다는 것을 알 수는 없습니다. 그래프에서 각 수정 사항은 영구적이고 공유됩니다. 따라서 정확도는 지수의 왼쪽 위치에 머물지 않고 사용함에 따라 위쪽으로 이동합니다.

05기업의 의사결정 방식을 따르는 그래프 탐색

실제 회사에서 ₹40 lakh 할인이 실제로 어떻게 승인되는지 생각해 보세요. 정책 PDF에 기재된 버전이 아닌 실제 버전입니다.

숙련된 영업 운영 담당자는 유통업체가 적격인지 확인하는 것부터 시작합니다. 증가하는 계정에 대한 할인과 감소하는 계정에 대한 할인은 우연히 같은 숫자를 전달하는 서로 다른 결정이기 때문에 그녀는 계정 내역을 가져옵니다. 그녀는 기준액과 비교하여 금액을 확인하고 ₹25 lakh를 초과하면 통화가 중단된다는 것을 알고 있습니다. 그녀는 이 계좌에 대해 자신이 알고 있는 정보와 마진 하한선을 비교하고, 해당 사례가 진짜 예외인 경우 직접 승인하지 않고 지역 이사에게 가져갑니다. 그 주문 중 어느 것도 장식이 아닙니다. 이는 회사의 결정 절차이며, 가격 책정 오류가 발생하는 데 수년이 걸렸습니다.

이 섹션의 주장은 그래프 탐색이 절차의 텍스트 요약이 아니라 절차 자체를 재현한다는 것입니다. 전제 조건 관계가 가장 저렴한 홉이므로 적격성을 먼저 확인합니다. 계정 내역은 엔터티 노드가 이를 전달하기 때문에 존재합니다. 임계값은 숫자에 대한 문장이 아니라 실제 숫자를 담고 있는 규칙 노드이기 때문에 바인딩됩니다. escalates_to는 제안이 아닌 휴먼 작업으로 종료되기 때문에 회사가 사람의 판단을 참조하고 회사가 승인을 요구하는 지점에서 승인이 이루어지는 지점에서 모델을 참조합니다. 시스템은 문서에서 조직을 모방하지 않습니다. 이는 조직이 실행하는 것과 동일한 종속성 구조를 실행합니다.

의사결정 회로: 반복되는 결정을 온전히 보존하기

결정을 저장하는 단위는 회사가 하나의 반복 결정에 대해 알고 있는 모든 것을 함께 유지하는 작은 하위 그래프인 결정 회로입니다.

• 이 결정이 적용되는 시기를 알려주는 전제 조건.
• 각각의 출처가 있는 규칙 노드: 이것은 SOP에서 나온 것이고, 하나는 가격 분석가와의 인터뷰에서 나온 것이고, 하나는 주제 전문가가 지난 분기에 해결한 갈등에서 나온 것입니다.
• 에스컬레이션 경로는 예외를 소유한 사람들에 대한 관계로서 순서대로입니다.
• 예외 기록: 규칙이 재정의된 시기와 이유에 대한 기록입니다.
• 디스패치 정책: 결정적, 에이전트 또는 하이브리드.

예외 기록은 그 자체로 특별한 문장이 될 가치가 있습니다. 회사의 의사결정 품질은 대부분 규칙이 아니라 예외에 따라 결정됩니다. 규칙은 모두가 이미 동의하는 것입니다. 회로는 예외를 유지하고 에이전트 단계는 이를 읽기 때문에 시스템이 비정상적인 사례에 대해 행사하는 판단은 범용 모델이 합리적인 행동으로 간주하는 것이 아니라 이 회사가 이전에 유사한 사례를 해결한 방법에 따라 결정됩니다.

기업의 판단 순서에 맞춰 의사결정 정교화하기

기업들은 이미 IW가 기계적으로 하는 일을 손으로 하고 있습니다. 판단 요청이 충분히 자주 나오고 계속 같은 방식으로 해결되면 누군가가 이를 SOP에 작성하고 그때부터 판단이 아닌 절차가 됩니다. 서킷 프로모션도 같은 움직임입니다. 에이전트를 시작하는 회로는 매 걸을 때마다 실제 사례를 축적합니다. 판단이 명백히 안정적이면(시뮬레이션에는 50번의 일관된 실행이 필요함) 시스템은 이를 결정론적 코드로 컴파일하고 결과에 대해 3% 샘플링 감사를 유지하며 입력이 드리프트하는 경우 강등합니다. 섹션 08에서는 이에 대한 가격을 책정합니다. 여기서 중요한 점은 충실성입니다. 가장 빈번하고 가장 안정적인 결정이 먼저 굳어지며, 이는 회사 자체가 선택하는 순서입니다.

또한 이 시스템은 회사의 통제 불균등성을 고의적으로 계승합니다. 조직이 엄격한 경우(기록 시스템에 기록하는 모든 것, 팀 경계를 넘는 모든 것) 승격하려면 사람의 검토가 필요합니다. 편안한 곳에서는 프로모션이 진행됩니다. 게이트는 그래프에서 읽혀지므로 시스템은 한결같이 조심스럽거나 한결같이 느슨해지기보다는 각 장소에서 회사가 결정한 만큼 정확히 조심스럽게 종료됩니다.

06여러 부서에 걸친 의사결정

회사에서 가장 중요한 결정은 다변수이며, 변수는 서로 다른 부서에 속합니다.

₹40 lakh 할인이 좋은 아이디어인지 여부는 가격 정책에만 의존하지 않습니다. 금융의 변수인 마진포지션에 따라 달라집니다. SKU 재고에서 이 유통업체는 공급망인 이동합니다. 계정 이탈 위험, 즉 판매'에 대해 설명합니다. 그리고 같은 분기에 마케팅 프로모션이 시작되는지 여부도 확인합니다. 각 기능은 자체 변수를 추적하고 자체 목표를 최적화하며 누구도 공동 결정을 소유하지 않습니다. 이것이 바로 회사가 방에 우연히 참석한 적절한 사람들과의 회의에서 그러한 질문을 해결하는 이유입니다.

서로 통신하지 않는 함수가 여전히 노드를 공유하기 때문에 그래프는 메커니즘을 변경합니다. 판매를 담당하는 유통업체는 공급망 계획을 수립하는 SKU에 연결됩니다. 가격 책정에 따른 할인은 재무 부서가 소유한 마진 KPI에 영향을 미칩니다. 할인 결정에서 시작되는 탐색는 부서 경계에서 멈추지 않습니다. 그래프에는 경계가 없고 관계만 있기 때문입니다. 영향을 받는 SKU의 재고 위치를 읽는 것은 2개의 홉입니다. 예전에는 회의였어요.

공동 목표로 상충관계를 평가하는 공통 기준 만들기

추가적인 맥락만으로는 더 나은 결정을 내릴 수 없습니다. 그래프 탐색에는 다른 것과 비교하는 방법도 필요합니다. 이것이 바로 KPI 트리가 제공하는 것입니다. 모든 지역 지표에는 상승 경로가 있습니다. 지역 볼륨은 수익으로, 채널 할인은 기여 마진으로 전환되며, 이 둘은 회사 수준 노드에서 소유자 및 대상과 만납니다.

따라서 탐색이 마진과 거래량을 비교하는 경우 각 측면을 공유 조상까지 이동하여 동일한 통화로 양쪽을 표현할 수 있습니다. 결정은 결정 팀이 수행하는 로컬 측정 기준 대신 회사의 목표에 따라 점수가 매겨집니다. 그것이 매출을 극대화하는 영업시스템과 우연히 매출에 안착하는 회사시스템의 차이이다.

또한 트리는 운영 검토에서 가장 어려운 두 가지 질문을 일반적인 탐색으로 전환합니다. 아래로 내려가는 것은 근본 원인 작업입니다. 이동한 측정항목에서 시작하고, 상위 항목의 분산을 설명하는 하위 항목을 따라 decomposes_into 에지를 내려가고, 데이터 프로필이 연결된 리프에서 중지합니다. 아래로 내려가는 산술은 추론이 아니라 코드입니다. 모델은 분해의 의미와 이에 대해 수행할 작업을 설명하기 위해 맨 아래에 한 번 호출됩니다. 걸어가는 것은 영향을 미치는 작업입니다. 공급업체 또는 엔터티에서 시작하여 피드 및 decomposes_into 에지를 상승시키고 전체 체인을 증거로 첨부하여 문제가 도달하는 회사 수준 측정항목을 확인합니다.

한 팀만으로는 발견할 수 없는 조합

다기능 탐색이 표면화하는 것 중 일부는 어느 팀도 그 조각을 가지고 있지 않다는 점에서 진정으로 새로운 것입니다. 공급망에서 6주 동안 재입고할 수 없는 SKU의 수량을 늘리기 위해 할인을 승인한다는 것은 처리할 수 없는 수요를 가속화하기 위해 비용을 지불한다는 것을 의미합니다. 두 가지 사실 모두 그 자체로는 평범합니다. 하나는 가격 책정의 세계이고 다른 하나는 공급망의 세계입니다. 연결은 두 기능이 모두 접촉하는 SKU 노드(탐색가 진행되는 곳)에만 존재합니다. 다른 방향에도 동일하게 적용됩니다. 가격이 규칙 노드를 변경할 때 이에 의존하는 모든 판매 흐름은 실제 관계를 넘어 다운스트림이므로 영향을 받는 팀은 분기 수치에서 변경 사항을 발견하는 대신 변경 사항에 대해 알립니다.

07연산 비용 1: 규모가 커져도 일정한 비용

비용 주장은 탐색가 읽는 것이 그래프의 크기가 아니라 탐색에 달려 있다는 것입니다. 우리는 그래프를 작성하고 탐색를 실행하여 이를 테스트했습니다.

시뮬레이션은 12개 부서에서 4가지 크기로 종합 기업 그래프를 구성합니다(813노드) ~ 768개 부서(48,405노드), 다음의 노드 및 에지 분류법을 사용합니다.§02. 각 크기에서 3개의 인텐트 클래스에 걸쳐 300개의 쿼리를 실행하고 경계선과 비용을 측정합니다.

관계 유형 지정으로 줄어드는 탐색량 측정

각 쿼리는 앵커에서 너비 우선에서 깊이 4까지 두 번 확장합니다. 한 번은 렌즈가 허용하는 관계 유형만 따르고 한 번은 모든 것을 따릅니다. 두 실행 모두 동일한 인접 목록에 대한 일반 그래프 작업이므로 비교가 직접적입니다.

평평한 녹색 막대 뒤의 직관: 유형이 없는 동네는 회사의 밀도에 따라 성장하지만, 유형이 있는 동네는 질문의 구조에 따라서만 성장하며, 회사가 커져도 질문은 더 복잡해지지 않습니다.

기업 규모가 60배 커질 때 질의당 토큰 수

탐색이 사용하는 맥락은 후보 노드 요약, 근거 본문, 지시문, 답변으로 구성됩니다. 비교 대상인 검색 방식에는 유리한 조건을 부여했습니다. 완벽한 임베딩과 완전히 캐시된 접두부를 가정하고, 유사도만으로 구분하기 어려운 거의 중복된 자료에 대해서만 추가 비용을 계산합니다. 필요한 근거의 95%를 찾아내려면 기업 규모가 커질수록 검색 범위를 넓혀야 합니다. 이는 §04의 문제를 비용으로 해결하는 방식입니다. 혼동 가능성의 가정은 원본 스크립트에 명시되어 있으며 아래에서 민감도를 검토합니다.

08연산 비용 2: 사용할수록 내려가는 비용

단선은 회사의 성장이 문제의 가격을 올리지 않는다는 것을 의미합니다. 두 번째 주장은 더 강력합니다. 고정 회사에서는 모델이 변경되지 않고 시스템이 실행됨에 따라 질문의 가격이 하락합니다.

이를 구동하는 세 가지 메커니즘이 있으며 세 가지 모두 이전 섹션에서 소개되었습니다.

• 프로모션(§05). 판단이 안정화된 회로는 결정론적 코드로 컴파일되므로 트래픽 분배 책임자는 3% 샘플링된 감사를 제외하고 추론에 대한 비용을 전혀 지불하지 않습니다.
• 경로 캐싱. 비즈니스 질문이 반복됩니다. 변경되지 않은 데이터에 대해 반복적으로 탐색하는 것은 조회이며 기본 데이터 노드가 새로 고쳐지는 순간 캐시 항목이 무효화되므로 재사용이 최신 상태보다 오래 지속되지 않습니다.
• 다시 쓰기(§03, 5단계). 해결된 모든 충돌은 규칙 노드가 되며 규칙 노드가 탐색을 대체합니다. 대안을 평가하는 데 사용되는 탐색 부분은 이제 하나의 제약 조건을 읽으므로 논쟁이 있었던 회로가 더 짧아집니다. 효과를 원래 탐색의 60%로 제한합니다.

실제 질문 트래픽이 반복되는 결정에 집중되어 있기 때문에 우리는 192개 부서로 구성된 회사를 대상으로 12개월 동안 워크로드를 실행했습니다. 한 달에 8,000개의 쿼리, Zipf를 통해 420개 회로에 분산되었습니다. 기준선은 이전과 동일한 관대 한 검색 에이전트이며 구조적 이유로 인해 해당 라인은 평평합니다. 해당 아키텍처에서는 실행으로 인해 변경되는 사항이 없습니다.

비용 하락의 원인

세 가지 메커니즘은 하나의 비용 함수에서 독립적인 스위치이므로 기여도를 정확하게 분리할 수 있습니다. 우리는 동일한 시드에서 8개의 스위치 조합을 모두 실행하고 Shapley 값을 사용하여 감소를 계산했습니다. 이는 분할을 적용하는 순서와 무관하게 만듭니다.

결과에 가장 큰 영향을 주는 가정

위의 모든 것은 하나의 숫자, 즉 논리가 안정화되는 회로에 있는 회사의 의사결정 트래픽의 비율에 의존합니다. 우리는 70%를 사용했습니다. 아래 표는 다른 값으로 전체 12개월을 다시 실행합니다.

대부분의 결정이 판단을 영원히 유지하는 비관적인 수치인 30%에서는 곡선이 여전히 약 1/3 정도 떨어지고 평평한 선과 캐싱에 의해 유지되는 기준선 아래에서 87%로 끝납니다. SOP는 정확히 결정이 반복되고 안정화되는 회사 자체 기록이기 때문에 운영 트래픽의 경우 70%가 진실에 더 가깝다고 생각합니다. 그러나 결과는 그것에 대해 옳았는가에 달려 있지 않습니다.

09탐색 사례: 400만 루피 할인 승인

다음은 §05 실행의 질문입니다. "첸나이-남부 유통업체에 대해 ₹40L 거래 할인을 승인해야 합니까?" 이 질문은 권한 체인, KPI 영향, 의사결정 회로 및 다른 기능의 변수 등 이 백서에서 주장한 모든 것을 실행합니다.

이 회사 규모의 검색 기준선은 중앙값을 소비합니다.24,270같은 질문에 대한 토큰(§07) 그리고 6단계에서는 어떠한 예산으로도 생산할 수 없는 부분이 있습니다: ₹34 lakh 수치. 그 숫자는 어디에도 쓰여 있지 않습니다. 이는 임계값 규칙과 RD의 권한 경계가 만나는 지점으로만 존재하며 두 노드는 관계로 연결됩니다. 텍스트를 검색하는 시스템은 정책을 인용할 수 있습니다. 적용하면 그래프가 나타납니다.

그리고 유통업체 할인은 트래픽 분포의 선두 근처에 있기 때문에 이 탐색는 6,370개의 토큰에 머물지 않습니다. 회로는 예제를 축적하고 승격 자격을 갖추며 몇 달이 지나면 위의 전체 표는 샘플링된 감사를 포함하는 결정론적 코드 경로가 됩니다. 이 시점에서 이 질문의 한계 비용은 0에 가깝고 감사 추적은 이전보다 더 좋습니다.

10적용 범위와 구분

4개의 인접한 아이디어가 입력된 순회와 혼동됩니다. 차이점은 건축적입니다.

GraphRAG는 말뭉치를 요약하기 위해 문서 위에 그래프를 작성하는데, 그 기능이 훌륭합니다. 그러나 해당 노드는 작동 개체가 아닌 추출된 주제입니다. 그 안에는 임계값을 설정하거나 사람에게 에스컬레이션하거나 파견 정책을 전달하는 내용이 없습니다. 컨텍스트 그래프는 사실 이후의 결정 추적을 기록합니다. 유용한 법의학이며 법의학에 대해 정직하지만 지난 분기의 결정 기록은 다음 결정을 내리는 데 필요한 기계가 아닙니다. 온톨로지는 수십 년 전에 바로 입력을 받았고 스키마에서 멈췄습니다. 탐색 경제도 없고, 2가지 해상도 노드도 없고, 승격 경로도 없고, 누가 최신 상태를 유지하는지에 대한 좋은 대답도 없습니다. 마지막 질문에 대한 IW의 대답은 누구도 그래프를 직업으로 유지하지 않는다는 것입니다. 그래프는 회사를 운영하는 데 따른 부작용입니다. 구축된 모든 흐름, 충돌 해결 및 승격된 회로는 이미 발생한 유지 관리입니다.

11가정과 한계

순회 비용은 얼마이며 이 분석이 잘못될 수 있는 부분은 무엇입니까?

12분석 재현 방법

이 페이지의 모든 숫자는 시드된 스크립트의 출력에서 읽혀집니다. 그래프가 작성되고 확장이 실행되며 어떤 수치도 손으로 입력되지 않습니다.

자신의 환경에 대해 테스트하려면 공급자의 가격, 부서 수, 쿼리 조합을 입력하고 검색 로그가 있는 경우 계층 대신 혼동성을 측정하십시오. 두 가지 핵심 결과, 즉 회사 규모에 따른 맥락 평탄화와 사용에 따른 비용 감소는 추첨보다는 아키텍처에서 비롯됩니다.

관련 논문