RAG-rendszer építése magyar nyelvű vállalati tudásbázisra – a GLC-RAG 11 modulja

Erre kínál megoldást a RAG, vagyis a Retrieval-Augmented Generation technológia. A módszer lényege, hogy a mesterséges intelligencia a válasz elkészítése előtt megkeresi a vállalati tudásbázisban található releváns információkat, majd ezek felhasználásával fogalmazza meg válaszát.

A magyar fejlesztésű GLC-RAG azonban ennél tovább megy. Nem csupán dokumentumokkal kiegészített chatbotot biztosít, hanem egy 11 modulból álló vállalati AI-platformot, amely összekapcsolhatja a tudásbázist, az ügyfélszolgálatot, a webshopot, a Facebook-kommunikációt, az időpontfoglalást, az árajánlatkérést és több belső üzleti folyamatot.

Mit jelent a RAG a gyakorlatban?

Egy általános nyelvi modell sokféle témáról képes válaszokat készíteni, de alapból nem ismeri egy adott vállalat belső dokumentumait, aktuális árait, szolgáltatási feltételeit vagy működési szabályait.

A RAG-rendszer ezt a hiányt hidalja át.

Amikor például egy ügyfél megkérdezi:

Mennyi garancia jár erre a termékre, és milyen esetekben kérhető csere?

a rendszer először megkeresi a vállalat saját dokumentumaiban a garanciára és cserére vonatkozó részeket. A válasz ezek alapján készül el, nem kizárólag a nyelvi modell általános tudására támaszkodva.

Ez különösen fontos magyar vállalati környezetben, ahol a dokumentumok, a szakmai kifejezések, a szolgáltatási feltételek és az ügyfélkérdések is magyar nyelven jelennek meg.

1. Dokumentumalapú RAG-platform

A GLC-RAG dokumentumalapú RAG-modulja a vállalati tudásbázis központja. Dokumentumokból, szabályzatokból és más tudásanyagokból kereshető információs rendszer hozható létre.

A folyamat leegyszerűsítve a következő:

1. A vállalat feltölti a tudásanyagait.
2. A rendszer feldolgozza és indexeli a dokumentumokat.
3. A felhasználó természetes nyelven tesz fel kérdéseket.
4. A rendszer megkeresi a kapcsolódó információkat.
5. A nyelvi modell ezekből állítja össze a választ.

A megoldás használható ügyfélszolgálati, belső információs vagy szakmai tudásbázisként is. Egy munkatárs például hosszadalmas keresés helyett egyszerűen megkérdezheti a rendszertől, hogy milyen eljárást kell követnie egy adott helyzetben.

2. Weboldalba beágyazható AI-widget

A vállalati tudásbázis akkor válik igazán hasznossá, ha a weboldal látogatói is közvetlenül hozzáférhetnek.

A GLC-RAG beágyazható AI-widgetje lehetővé teszi, hogy a vállalat saját weboldalán jelenjen meg az AI-asszisztens. A látogatónak nem kell külön alkalmazást megnyitnia: a weboldalon teheti fel kérdéseit.

A widget válaszolhat például:

• a szolgáltatásokkal kapcsolatos kérdésekre;
• nyitvatartással és elérhetőségekkel kapcsolatban;
• termékek és csomagok tulajdonságairól;
• ügyintézési és rendelési folyamatokról;
• garanciális vagy szállítási feltételekről.

A nyilvános widget mögött ugyanaz a vállalati tudásbázis működhet, mint amelyet a belső munkatársak használnak, de eltérő hozzáférési és válaszadási szabályokkal.

3. Webshop AI-asszisztens

Egy webshopban az érdeklődő gyakran nem konkrét terméknevet keres, hanem egy problémára szeretne megoldást találni.

Például:

Olyan fülhallgatót keresek, amely sportoláshoz is használható, vízálló és legalább hat órát működik egy feltöltéssel.

A GLC-RAG webshopmodulja a termékadatok alapján segíthet eligazodni a kínálatban, válaszolhat a vásárlók kérdéseire és releváns termékeket ajánlhat.

Ez más működés, mint a hagyományos kategória- és szűrőrendszer. A vásárló hétköznapi nyelven írhatja le az igényét, a rendszer pedig megpróbálja összekapcsolni azt a megfelelő terméktulajdonságokkal.

Az AI-asszisztens így nemcsak ügyfélszolgálati szerepet tölthet be, hanem a vásárlási döntést is támogathatja.

4. Facebook-kommentválaszoló

Egy sikeres Facebook-bejegyzés alatt rövid időn belül több tucat vagy akár több száz hozzászólás jelenhet meg. Ezek között lehetnek érdeklődő kérdések, árra vonatkozó megkeresések, panaszok és egyszerű reakciók is.

A Facebook-kommentválaszoló modul automatikusan vagy emberi jóváhagyással készíthet válaszokat a bejegyzésekhez érkező kommentekre.

A vállalat eldöntheti, hogy:

• a rendszer csak válaszjavaslatot készítsen;
• a válasz publikálás előtt jóváhagyásra kerüljön;
• bizonyos helyzetekben automatikusan válaszoljon;
• az érzékeny vagy problémás eseteket emberi munkatárshoz irányítsa.

Ez azért lényeges, mert a gyors reakció növelheti az ügyfelek bizalmát, miközben a vállalat kommunikációja egységes marad.

5. Online időpontfoglaló

Az ügyfélszolgálati beszélgetések egyik leggyakoribb célja valamilyen konkrét művelet elvégzése. Ilyen lehet egy konzultáció, kezelés, javítás vagy személyes találkozó lefoglalása.

A GLC-RAG online foglalómodulja meghatározott kezdési időpontokat kínálhat fel a látogatóknak. Ez különösen jól használható olyan szolgáltatásoknál, ahol az egyes időpontok időtartama előre ismert.

A megoldás használható például:

• szépségszalonokban;
• egészségügyi és esztétikai szolgáltatóknál;
• szervizekben;
• tanácsadóknál;
• oktatóknál;
• személyes vagy online konzultációknál.

A foglalás a beszélgetés természetes folytatásává válhat. Az AI előbb tisztázhatja az ügyfél igényét, majd elvezetheti a megfelelő szolgáltatáshoz és időponthoz.

6. Nyitott árajánlatképző

Számos szolgáltatásnál nem adható azonnal egyetlen fix ár. Előbb meg kell ismerni az ügyfél igényeit, a mennyiséget, a határidőt és az opcionális tételeket.

A nyitott árajánlatképző egy strukturált katalógus és igényfelmérési folyamat segítségével gyűjtheti össze az ajánlat elkészítéséhez szükséges adatokat.

Egy videógyártó vállalkozásnál például rákérdezhet:

• a videók számára és hosszára;
• a forgatás helyszínére;
• a szereplők számára;
• a kívánt felbontásra;
• az utómunka és a grafikai elemek igényére;
• a vállalási határidőre.

A rendszer ezzel nem feltétlenül helyettesíti a végső emberi árazást. Az a feladata, hogy rendezett, feldolgozható formában gyűjtse össze az igényeket, és előkészítse az ajánlatadást.

7. Info modul

Nem minden vállalati információ igényel nagy dokumentumalapú RAG-rendszert. Sok esetben elegendő egy jól szerkeszthető kérdés-válasz és tudnivaló-adatbázis.

A GLC-RAG Info modulja a gyakori kérdések, céges információk és ügyféltájékoztatók kezelésére szolgál. A rendszer weboldal-felderítéssel is képes lehet információs elemek előkészítésére, amelyek később ellenőrizhetők és szerkeszthetők.

Az Info modulhoz publikus kérdőívek is kapcsolhatók. Így az asszisztens nemcsak válaszolhat, hanem strukturáltan adatokat is gyűjthet az érdeklődőtől.

A RAG és az Info modul együtt különösen hatékony:

• a RAG kezeli a hosszabb dokumentumokat és összetett tudásanyagokat;
• az Info modul a rövid, egyértelmű és gyakran változó információkat;
• a kérdőívek pedig az ügyféltől szükséges adatokat gyűjtik össze.

8. Feladat- és projektkezelés

Az AI-rendszer értéke jelentősen nő, ha az ügyféllel folytatott beszélgetésből tényleges vállalati feladat keletkezhet.

A feladatkezelő modul lehetőséget biztosít projektek létrehozására, felelősök és határidők megadására, valamint ismétlődő lépések automatizálására. Az ügyfelek és a kapcsolódó feladatok projektekhez rendelhetők.

Egy beérkező érdeklődésből például létrejöhet:

• visszahívási feladat;
• árajánlatkészítés;
• dokumentumellenőrzés;
• technikai kivizsgálás;
• ügyfélpanasz kezelése;
• utánkövetési feladat.

Így az AI-asszisztens nem elszigetelt chatablakként működik, hanem bekapcsolódhat a vállalat napi munkafolyamataiba.

9. Marketing- és videóforgatókönyv-minták

A GLC-RAG a tartalomkészítést is támogatja. A forgatókönyv-minták modul különféle marketing- és videós szerkezeteket biztosíthat TikTok-, Reels-, YouTube Shorts- és más közösségimédia-tartalmakhoz.

A modul nem egyszerűen általános szöveget generál. A minták előre meghatározhatják például:

• a videó dramaturgiai felépítését;
• a megszólítandó célcsoportot;
• a nyitó figyelemfelkeltő mondatot;
• a bemutatandó problémát;
• a megoldás ismertetését;
• a cselekvésre ösztönző lezárást.

Ez különösen azoknak a vállalkozásoknak lehet hasznos, amelyek rendszeresen készítenek közösségi médiás tartalmakat, de szeretnék megtartani az egységes kommunikációs stílust.

10. TOOLS – beszédfelismerés és beszédgenerálás

A vállalati információ nemcsak írott dokumentumok formájában keletkezik. Interjúk, megbeszélések, telefonbeszélgetések, videók és hangjegyzetek is fontos tudást tartalmazhatnak.

A GLC-RAG TOOLS szolgáltatásai két fontos irányt támogatnak:

• beszédből szöveg, vagyis STT;
• szövegből beszéd, vagyis TTS.

A beszédfelismerő szolgáltatás hosszabb hanganyagokból készíthet átiratot. A feldolgozás aszinkron módon történhet, így a felhasználónak nem kell egy hosszú hanganyag teljes feldolgozása alatt nyitva tartania a kapcsolatot.

A szövegből beszéd szolgáltatás magyar és angol hangbeállításokkal készíthet hanganyagot. Ez használható narrációkhoz, tájékoztatókhoz, akadálymentesítéshez vagy más automatizált hangtartalmakhoz. A platform leírása szerint a kimenet WAV formátumban is elkészíthető.

11. MCP-szolgáltatások AI-agenteknek

A GLC-RAG MCP-platformja már nemcsak embereket, hanem más AI-agenteket és automatizált rendszereket is kiszolgálhat.

Az MCP, vagyis Model Context Protocol szabványos módot kínál arra, hogy egy AI-modell külső eszközöket és szolgáltatásokat használjon.

A platformon elérhető szolgáltatások között megtalálható többek között:

• földrajzi és helynévi információk lekérése;
• weboldalak tartalmának feldolgozása;
• PDF-, DOCX- és XLSX-dokumentumok kezelése;
• OCR, vagyis képeken található szöveg felismerése;
• weboldalak képernyőképeinek elkészítése;
• beszéd szöveggé alakítása;
• szöveg hanggá alakítása.

Ez lehetővé teszi, hogy egy AI-agent ne csak szöveges választ készítsen, hanem dokumentumot dolgozzon fel, weboldalt olvasson, hanganyagot írjon át vagy más külső műveletet indítson el.

Egységes integrációs réteg

A 11 modul önállóan is használható, de a GLC-RAG egyik legfontosabb jellemzője, hogy ezek közös platformon belül kapcsolhatók össze.

A rendszer integrációs rétege a chatet, a RAG-ot, a publikus widgetet és a külső backendkapcsolatokat egységes API-n keresztül teszi elérhetővé.

A dokumentált kapcsolódási lehetőségek között szerepel:

• belső, JWT-alapú hozzáférés;
• publikus widgettoken;
• API-kulcsos backend-integráció;
• szinkron és folyamatosan érkező, streaming válaszadás;
• dokumentumfeltöltés és indexelés;
• RAG-lekérdezés;
• feladatkezelési API;
• foglalási API;
• webshop- és Facebook-folyamatok;
• külső alkalmazásokhoz használható chat API.

Ennek köszönhetően a GLC-RAG nem kizárólag kész webes szolgáltatásként, hanem más vállalati rendszerekbe beépíthető technológiai háttérként is használható.

Hogyan állhat össze egy teljes vállalati folyamat?

Képzeljünk el egy szolgáltató vállalkozást.

Az érdeklődő megnyitja a vállalat weboldalát, majd kérdez az AI-widgettől. Az asszisztens a RAG-tudásbázisból és az Info modulból állítja össze a választ. Ezután kérdőív segítségével pontosítja az igényeket, majd a nyitott katalógusból kiválasztja a megfelelő szolgáltatásokat.

Ha az ügyfél időpontot szeretne, a foglalómodul felkínálja a szabad lehetőségeket. Az érdeklődésből automatikusan feladat készülhet az illetékes munkatársnak. A kapcsolódó Facebook-kommentre egységes válasz érkezhet, a későbbi kampányhoz pedig a forgatókönyvmodul segíthet videós tartalmat készíteni.

A háttérben az API- és MCP-integrációk további rendszerekkel és AI-agentekkel teremthetnek kapcsolatot.

Ez már nem egyetlen chatbot, hanem egymásra épülő vállalati folyamat.

Magyar vállalkozásokra tervezett AI-platform

A GLC-RAG különlegessége véleményem szerint nem önmagában a RAG-technológia. Dokumentumalapú keresést és válaszadást ma már több rendszer is kínál.

Az igazi értéket az adhatja, hogy a vállalati tudás használatát összekapcsolja az ügyfélkommunikációval és a tényleges üzleti műveletekkel. A rendszer nem áll meg a válasz elkészítésénél: terméket ajánlhat, adatokat gyűjthet, foglalást indíthat, ajánlatkérést készíthet elő és feladatot hozhat létre.

A magyar nyelvű vállalati tudásbázis így nem passzív dokumentumtár marad. Olyan működő rendszer alapjává válhat, amely a nap 24 órájában támogatja az ügyfeleket, a munkatársakat és az automatizált AI-agenteket.

A GLC-RAG ebben az értelemben nem csupán RAG-platform, hanem modulárisan felépíthető vállalati AI-infrastruktúra.