Aperçu

L'intelligence artificielle repose sur la génération augmentée par la recherche (RAG), une approche avancée qui enrichit les grands modèles de langage (LLM) en extrayant dynamiquement des informations de sources spécifiques en temps réel. Contrairement aux modèles d'IA classiques, qui s'appuient uniquement sur des données préalablement entraînées, la RAG recherche dynamiquement des documents pertinents dans des bases de connaissances désignées avant de générer une réponse. Ainsi, les réponses générées par l'IA sont non seulement contextuellement exactes, mais aussi à jour, ce qui rend cette technologie particulièrement utile dans la gestion des services informatiques (ITSM) et les environnements d'entreprise où les connaissances évoluent constamment.

Matrix42 propose des options de déploiement flexibles pour les solutions d'IA. Avec la plateforme CAI (IA conversationnelle) intégrant des composants Natural Language Processing (TALN) et de modélisation de langage complexe (MLC) hébergés localement et entièrement détenus et exploités par Matrix42 , aucun prestataire externe n'intervient à aucune étape du traitement des données. Toutes les données restent au sein de l'infrastructure du client ou dans des environnements hébergés par Matrix42 et approuvés (par exemple, au sein de l'UE), garantissant ainsi un contrôle total sur l'infrastructure, les flux de données et la conformité.

Les clients peuvent également choisir d'intégrer des fournisseurs LLM externes, tels Azure OpenAI Service ou OpenAI . Dans ce cas, les données d'entrée de l'agent et le contexte nécessaires à la génération d'une réponse sont transmis à l'infrastructure du fournisseur sélectionné et traités conformément à ses politiques régionales d'hébergement et de protection des données. Remarque : En cas d'utilisation de modèles propres, Matrix42 décline toute responsabilité quant à la qualité des réponses générées.

Matrix42 GenAI peut enrichir les connaissances de l'IA en tirant parti de la génération augmentée par la recherche (RAG). Cela permet aux agents de support de recevoir des réponses précises et contextuelles basées sur les connaissances internes de l'organisation, telles que :

• Documentation relative aux services informatiques.
• Bases de connaissances.
• Politiques de l'entreprise.
• Dépôts internes (wikis, PDF, Confluence et sources de données structurées).

Ce modèle garantit que seules les informations autorisées et pertinentes sont récupérées et partagées, améliorant ainsi l'efficacité des agents et leurs capacités de résolution des cas tout en réduisant la charge de travail des équipes de support informatique.

Intégrations de widgets possibles :

• M42 Pro (Widget Agent )
• MS Teams

Sources de données

AI Knowledge prend en charge les sources de données suivantes :

• M42 Core / Pro et Entreprise
• SharePoint
• Confluence
• DokuWiki
• HelpJuice
• Pages Web – prend en charge les pages dont les éléments ne sont pas générés dynamiquement.
• Fichiers locaux – formats pris en charge : CSV, XLS/XLSX, DOCX, PDF.

Durées d'exécution disponibles

• M42 GenAI local (Finlande, Allemagne)
• Apportez votre propre modèle ( Azure OpenAI / OpenAI )

Fonctionnalités supplémentaires

Pare-feu

Le système intègre des mécanismes de sécurité pour restreindre l'accès aux ressources non autorisées et contrôler le flux de données afin de garantir la sécurité. Le pare-feu peut être basé sur OpenAI , Azure Open API Runtime ou un modèle de classification local.

Réorganisation

Un mécanisme de tri des documents en fonction de leur pertinence par rapport à la requête donnée.
Sélection des meilleurs documents pour la requête en fonction de leur pertinence.

Recherche en texte intégral (FTS)

Recherche en texte intégral permettant de récupérer des fragments pertinents dans les documents et les fichiers.

Flux de travail du système

L'agent soumet une requête – l'interaction se déroule via un widget ou une autre interface système intégrée à ITSM.

Recherche par plongement vectoriel – la requête est encodée dans un vecteur et comparée aux documents existants dans la base de données.

Classement et reclassement – le système trie les résultats en fonction de leur pertinence.

Les meilleurs documents sont inclus dans la consigne – le contenu sélectionné est utilisé pour formuler la réponse.

Génération de réponse par GPT – le modèle génère une réponse basée sur les instructions du système et les documents sélectionnés.

Gestion du contexte

Le système prend en charge les questions de suivi, permettant aux agents de poursuivre la conversation tout en maintenant la continuité contextuelle.

• Possibilité de désactiver le contexte pour les réponses indépendantes.

Actualisation automatique des données

Possibilité de récupérer périodiquement des données, par exemple de nouveaux articles de la base de connaissances.
Garantit l'actualité des informations grâce à des mises à jour régulières des sources.

Traitement des données et Pro de la vie privée

Matrix42 traite exclusivement les données nécessaires à la génération d'une réponse pertinente et précise. Il s'agit généralement de la requête de l'agent , des attributs contextuels applicables issus de la plateforme M42 Pro et du contenu pertinent extrait de la base de connaissances de l'organisation.

Par défaut, les transcriptions des conversations sont conservées pendant 12 mois. Cette durée de conservation peut être personnalisée selon les préférences du client ou ses politiques internes. Aucune donnée collectée lors des interactions n'est utilisée pour l'entraînement des modèles d'IA. Matrix42 ne traite, ne stocke ni ne télécharge aucune donnée sensible ou personnelle, hormis celles strictement nécessaires à la génération des réponses.

Les points de données suivants sont enregistrés dans les journaux système à des fins d'audit et de surveillance :

• question – la question de l'agent.
• réponse – la réponse précédente, permettant la continuité du contexte.
• sessionId – un identifiant unique pour la session de conversation.
• addressIp – l’adresse IP de l’agent (si disponible).
• startTime – l'horodatage marquant le début de la session.
• processingTime – le temps nécessaire pour générer la réponse [s].
• rawQuestion – la réponse originale soumise par l’agent.
• rawResponse – la réponse non traitée générée par le modèle d'IA.