Quando un rappresentante commerciale di Glean doveva prepararsi per un incontro cruciale, si è affidato alla potente tecnologia di intelligenza artificiale generativa dell’azienda. In pochi minuti, il sistema ha analizzato anni di e-mail, messaggi Slack e chiamate registrate, offrendo una panoramica dettagliata della relazione con il cliente e individuando opportunità che avrebbero richiesto ore di lavoro manuale.
Non si trattava di un semplice chatbot, ma di un sofisticato sistema che comprendeva la complessa rete di relazioni nei dati aziendali, trasformando il modo in cui le aziende possono operare.
Glean ha dimostrato l’efficacia di questa tecnologia con una delle più grandi aziende di ride-sharing al mondo. Dopo aver sviluppato una soluzione interna simile, l’azienda ha deciso di passare alla piattaforma di Glean. In un mese, l’uso della piattaforma è raddoppiato, con un risparmio medio di due o tre ore alla settimana per dipendente, che ha portato a un risparmio globale di oltre 200 milioni di dollari.
Il successo di Glean è legato all’uso dei knowledge graph, una tecnologia che sta rivoluzionando la gestione dei dati aziendali. I knowledge graph rappresentano relazioni complesse tra i dati in un formato visivo e flessibile, migliorando la comprensione e l’uso delle informazioni.
Combinando i knowledge graph con i sistemi Retrieval Augmented Generation (RAG), Glean ha sviluppato GraphRAG, che migliora l’accuratezza e la consapevolezza del contesto dei risultati dell’IA.
GraphRAG migliora i tradizionali sistemi RAG, che recuperano informazioni basate su database vettoriali. Invece, sfrutta le relazioni strutturate nei knowledge graph per fornire risposte più contestualizzate e accurate, riducendo le allucinazioni dell’IA e aumentando la spiegabilità.
Per le organizzazioni con budget limitati, esistono opzioni economiche per implementare i knowledge graph. Strumenti open source e iniziative guidate dalla comunità possono ridurre i costi. Ad esempio, Neo4j offre un’edizione gratuita per progetti su piccola scala, e altre piattaforme come Amazon Neptune e NebulaGraph forniscono soluzioni open source per la creazione di knowledge graph.
Con l’avanzamento della tecnologia, i knowledge graph diventeranno sempre più accessibili e convenienti. Framework come Langchain e LlamaIndex stanno emergendo come strumenti potenti per la creazione e l’interrogazione dei knowledge graph, migliorando le prestazioni e l’efficienza operativa.
Nonostante le promettenti opportunità, l’adozione dei knowledge graph presenta sfide, come l’integrazione dei dati e la necessità di competenze specialistiche. Per superare questi ostacoli, le organizzazioni potrebbero dover investire in formazione o collaborare con esperti di knowledge graph.
Con l’espansione della tecnologia e l’aumento dei professionisti qualificati, il futuro dei knowledge graph sembra luminoso, offrendo nuove possibilità per gestire e sfruttare i dati aziendali.