Hvordan får forskere udtømmende svar fra over 1.000 artikler?

Forskerne i projektet skulle finde viden i over 1.000 forskningsartikler og fagbøger. Det foregik ved manuel søgning i dokumenterne, og det tager tid fra selve forskningen.

Spørgsmålet var, om en AI-assistent kunne give dem direkte adgang til hele vidensbasen via chat, med kildehenvisninger, så de kan stole på svarene.

I stedet for at bygge det hele på én gang delte jeg projektet i to faser. Det gjorde det billigt at teste værdien, før der blev investeret i en fuld applikation.

1. Proof of concept. En pipeline, der lægger artikler og bøger i en vektordatabase, semantisk søgning og et første spørgsmål-svar-flow med kildehenvisninger.
2. Fuld applikation. Bygget ud fra det, forskerne fortalte mig i første fase.

Forskerne havde ikke brug for et kort svar. De ville have et udtømmende svar om et emne, så de var sikre på, at intet relevant var overset.

Det håndterer almindelig RAG dårligt, fordi den søger efter det spørgsmål, der bliver stillet, og ikke efter emnet. Derfor byggede jeg i anden fase en vidensgraf, der finder alle steder i vidensbasen, som handler om emnet, og sorterer dem efter relevans.

• Brugerne vurderede svarene 20 procent bedre samlet set efter anden fase.
• Forskerne har chat-adgang til over 1.000 artikler og fagbøger med kildehenvisninger.
• Løsningen er i drift på algaebrain.dk.