Współczesne organizacje dysponują ogromnymi ilościami danych nieustrukturyzowanych, na które typowo składają się: analizy i raporty, wewnętrzna i zewnętrzna korespondencja, instrukcje, procedury i polityki, dokumentacja techniczna, materiały szkoleniowe itd. W swoim raporcie Gartner szacuje, że stanowią one obecnie od 80% do 90% wszystkich nowych danych generowanych w przedsiębiorstwach i rosną w lawinowym tempie (przyrastają średnio trzy razy szybciej niż tradycyjne, uporządkowane bazy danych). Nie musi więc brzmieć jak paradoks stwierdzenie, że im więcej tego rodzaju informacji gromadzi organizacja, tym trudniej jest zrobić z nich praktyczny użytek (niekiedy mówi się w tym kontekście o tzw. „ciemnych danych” (dark data), tzn. danych, które są gromadzone, ale nie są wykorzystywane, generując jedynie koszty. Informacje są dostępne, ale rozproszone: chcąc z nich skorzystać, musimy wiedzieć gdzie szukać, odnaleźć odpowiednią wersję dokumentu oraz zapoznać się z nim (i odpowiednio zinterpretować). Tradycyjne wyszukiwarki, którymi zwykle się wspieramy, rozwiązują ten problem tylko częściowo, gdyż opierają się głównie na mechanizmach indeksacji z użyciem słów kluczy, a te nie zawsze muszą być nam znane lub niewłaściwie opisywać kontekst.

Z drugiej strony, w dobie upowszechnienia modeli językowych (Large Language Models, LLM) użytkownicy coraz częściej oczekują możliwości zadawania pytań (formułowania kryteriów wyszukiwania) w języku naturalnym i w takim również języku pragnęliby uzyskać odpowiedź – bez potrzeby przeglądania samych dokumentów źródłowych, o ile nie jest to konieczne. Narzędzia takie jak ChatGPT, Microsoft Copilot czy Claude pokazały ogromny potencjał generatywnej sztucznej inteligencji, ale jednocześnie uwidoczniły ich istotne ograniczenie: modele te nie znają wewnętrznych danych organizacji, gdy tymczasem dla większości z nich największą wartość stanowią nie dane dostępne publicznie w internecie, lecz wiedza zgromadzona przez lata ich własnej działalności. Wiedza, która pozostaje rozproszona pomiędzy tysiącami dokumentów i systemów. Powstaje więc pytanie: jak wykorzystać wygodę rozmowy z AI, jednocześnie zapewniając dostęp do wewnętrznych zasobów wiedzy? Odpowiedzią na nie jest technologia Retrieval-Augmented Generation (RAG), łącząca możliwości dużych modeli językowych z mechanizmem wyszukiwania wiedzy w dokumentach. To obecnie jeden z najważniejszych wzorców architektonicznych w rozwiązaniach Generative AI i fundament współczesnych baz wiedzy.

Jak RAG zamienia dokumenty w inteligentną bazę wiedzy

Duże modele językowe odpowiadają na pytania na podstawie wiedzy zgromadzonej podczas treningu. Z dużym prawdopodobieństwem możemy zatem założyć, że nie będą znać wiedzy zgromadzonej w organizacji, a w najlepszym razie ta wiedza może być niepełna lub nieaktualna. Generyczny model może też stworzyć odpowiedź, która brzmi przekonująco, lecz w ogóle nie będzie miała potwierdzenia w źródłach. RAG wypełnia tę lukę – zanim model wygeneruje odpowiedź, system odnajduje istotne fragmenty dokumentów i dostarcza je modelowi jako kontekst. Dzięki temu odpowiedzi mogą być bardziej adekwatne (mając poparcie w źródłach), wiarygodne i aktualne. Co nie mniej istotne, poufne dane i sam model LLM pozostają odseparowane – system odnajduje właściwe dokumenty i dostarcza je modelowi wyłącznie wtedy, gdy użytkownik zada pytanie, zapewniając pełne bezpieczeństwo informacji.

Rysunek 1. Idea technologii RAG i korzyści, które zapewnia.

Kluczowym elementem procesu jest wyszukiwanie semantyczne wykorzystujące znaczenie tekstu. Do tego celu wykorzystujemy matematyczną (wektorową) reprezentację tekstu. Zarówno treść dokumentów, jak i pytania użytkownika są zamieniane na reprezentacje liczbowe nazywane embeddingami. Embedding można traktować jako zestaw współrzędnych opisujących znaczenie tekstu w wielowymiarowej przestrzeni. Dokumenty o podobnym znaczeniu znajdują się blisko siebie, nawet jeśli używają różnych słów.

Rysunek 2. Uproszczona wizualizacja tekstu i zależności semantycznej w reprezentacji wektorowej.

Przykładowo, zapytania: „RODO”, „procedury bezpieczeństwa informacji”, „polityka ochrony danych” mogą prowadzić do tych samych lub bardzo podobnych odpowiedzi (dokumentów), mimo że nie wykorzystują nawet w części tych samych słów. Przeszukiwanie bazy wiedzy nie opiera się więc już na prostych mechanizmach słów kluczy – może identyfikować podobieństwo znaczeniowe i odnajdywać treści powiązane semantycznie z pytaniem, a sam użytkownik nie musi znać dokładnego słownictwa zastosowanego przez autora dokumentu.

SAS Retrieval Agent Manager jako kompletne środowisko do budowy i zarządzania rozwiązaniami RAG

Modele embeddingowe odpowiadają za tworzenie reprezentacji semantycznych dokumentów. To właśnie one decydują o tym, czy nasz wirtualny pomocnik będzie w stanie skutecznie odnaleźć i zrozumieć kontekst. W praktyce oznacza to, że dobór odpowiedniego modelu embeddingowego oraz jego konfiguracja będą miały bezpośredni wpływ na końcową jakość odpowiedzi generowanych przez system. Mniejsze modele mogą zapewnić niższe zużycie zasobów i krótszy czas odpowiedzi, natomiast większe modele mogą oferować lepszą jakość wyszukiwania kosztem większych wymagań. Podobny dylemat dotyczy wyboru bazy wektorowej: PostgreSQL z pgvector może być naturalnym wyborem dla organizacji wykorzystujących ekosystem SQL, podczas gdy np. Weaviate może być bardziej odpowiednim wyborem przy większej skali projektu.

Jakość odpowiedzi zależy jednak nie tylko od modelu, lecz także od przygotowania danych. Poza oczywistymi aspektami technicznymi, jak choćby jakość OCR przy digitalizacji, istotne są tu również takie kwestie, które mogą mieć wpływ na kontekst, jak choćby sposób dzielenia treści na fragmenty (chunking) czy odpowiedni overlap. Sukces wdrożenia podejścia RAG jest więc rezultatem wielu decyzji projektowych, a nie prostą konsekwencją podłączenia modelu językowego do katalogu z dokumentami.

Stworzony przez SAS Retrieval Agent Manager (SAS RAM) dostarcza kompletną platformę zarządzania wiedzą dla rozwiązań Generative AI, która została zaprojektowana z myślą o elastyczności, wysokiej wydajności oraz dostępności również dla nietechnicznych użytkowników biznesowych. Jest to rozwiązanie, które pozwala nie tylko zmienić sposób, w jaki organizacje korzystają z własnych zasobów wiedzy, ale – dzięki warstwie Agentic AI – również to, jak wykorzystują potencjał sztucznej inteligencji w ogóle. I to bez potrzeby kodowania, przy użyciu graficznego interfejsu użytkownika.

Rysunek 3. SAS Retrieval Agent Manager to więcej niż RAG.

Do najważniejszych cech SAS RAM należą:

• Otwartość (elastyczność) technologiczna: narzędzie integruje się z różnorodnymi bazami wektorowymi, LLM oraz zewnętrznymi interfejsami API, pozwalając na swobodny wybór dostawców technologii i dostosowanie architektury do wymagań bezpieczeństwa, budżetu czy oczekiwanej jakości odpowiedzi.
• Warstwa Agentic AI: w przeciwieństwie do prostych chatbotów, SAS RAM pozwala na tworzenie autonomicznych agentów zdolnych do realizacji złożonych, wieloetapowych procesów opartych na danych pochodzących z organizacji.
• Podejście no-code/low-code: umożliwia szybkie budowanie, testowanie i wdrażanie aplikacji opartych na sztucznej inteligencji bez konieczności angażowania zespołów deweloperskich od pierwszych dni projektu.
• Pełna transparentność i audytowalność: system każdorazowo wskazuje dokumenty źródłowe oraz fragmenty danych, na których oparto wygenerowaną odpowiedź lub rekomendację.
• Skalowalność i bezpieczeństwo: zapewnia kontrolę dostępu do dokumentów oraz radzi sobie z bardzo dużymi wolumenami stale aktualizowanych informacji.

 Gdzie SAS RAM może przynieść realną wartość biznesową?

Te cechy SAS RAM sprawiają, że sprawdzi się wszędzie tam, gdzie istotny jest nie tylko szybki dostęp do informacji, ale również automatyzacja i odpowiedni governance, na przykład:

• W sektorze bankowym: zespołom ds. przeciwdziałania praniu pieniędzy (AML) pomoże w błyskawicznym wychwytywaniu podejrzanych praktyk, a pracownikom działów zarządzania ryzykiem w budowie modeli czy tworzeniu testów warunków skrajnych, które byłyby zgodne z regulacjami i wewnętrznymi politykami (odpowiednio zaprojektowany agent AI może np. monitorować tzw. lukę regulacyjną).
• W ubezpieczeniach: likwidatorzy szkód mogą błyskawicznie weryfikować zapisy polisowe i notatki z pierwszego zgłoszenia szkody, co pozwoli nie tylko przyspieszyć wypłatę odszkodowania (zwiększając satysfakcję klienta), ale również wykryć ewentualne nadużycia.
• W przemyśle: w połączeniu z systemami IoT i czujnikami, RAM potrafi przeszukiwać bazy instrukcji serwisowych, raportów z inspekcji czy biuletynów technicznych, pomagając w szybkiej diagnozie awarii.
• W ochronie zdrowia: usprawnia syntetyzowanie protokołów z badań klinicznych wspierając opracowywanie nowych leków czy terapii (z zachowaniem standardów poufności).

Jak to działa w praktyce, czyli trochę techniki

SAS RAM łączy obsługę modeli językowych i embeddingów z ingestią (pozyskaniem) danych, ich wektoryzacją i składowaniem, jak również praktycznym wykorzystaniem w postaci agentów AI (z obsługą integracji przez Model Context Protocol i automatyzacją). Dzięki temu jesteśmy w stanie nie tylko przekształcić zbiór dokumentów w uporządkowaną, zawsze aktualną i pewną bazę wiedzy, ale także dokonać jego operacjonalizacji, a tym samym pokryć pełen cykl życia systemu opartego na wiedzy: od źródeł danych do w pełni operacyjnego rozwiązania AI.

Rysunek 4. Typowy workflow w SAS Retrieval Agent Manager.

Jednym z charakterystycznych cech SAS RAM jest sposób zarządzania wiedzą. Organizacja nie musi budować jednego dużego repozytorium dokumentów – zamiast tego może tworzyć logiczne kolekcje wiedzy odpowiadające konkretnym obszarom biznesowym: dokumentacji produktowej, zarządzaniu relacjami z klientem, analizie nadużyć czy zasobom HR. Dzięki temu użytkownicy uzyskują dostęp wyłącznie do informacji powiązanych z ich rolą i zakresem odpowiedzialności. Źródła mogą być ładowane lokalnie, synchronizowane z repozytorium Git lub dostarczane przez własny kod.

W obszarze przygotowania dokumentów SAS RAM obsługuje mechanizmy OCR, ekstrakcji tabel, podziału dokumentów na fragmenty i budowy embeddingów. OCR umożliwia przetwarzanie zeskanowanych dokumentów, które nie zawierały oryginalnie tekstu w postaci cyfrowej. Ekstrakcja tabel ma szczególne znaczenie dla dokumentów finansowych, raportów operacyjnych i analiz biznesowych, gdzie kluczowe informacje znajdują się często w strukturach tabelarycznych. System umożliwia również odpowiednią konfigurację chunkingu, czyli dzielenia dokumentów na mniejsze fragmenty. Ta pozornie techniczna czynność ma ogromny wpływ na jakość odpowiedzi – zbyt duże fragmenty powodują wzrost kosztów i pogorszenie trafności wyszukiwania, natomiast zbyt małe fragmenty mogą prowadzić do utraty kontekstu.

SAS RAM pozwala porównywać różne konfiguracje systemu. Możliwe jest testowanie modeli językowych, embeddingów, różnych parametrów wyszukiwania czy wreszcie samych baz wiedzy. Na podstawie wyników ewaluacji wybierana jest konfiguracja charakteryzująca się najlepszą jakością (podejście champion-challenger znane m.in. z zarządzania modelami analitycznymi). Ewaluacja jakości jest zresztą kolejnym z kluczowych wyróżników SAS RAM. Platforma wykorzystuje metryki takie jak faithfulness, answer relevance, context recall oraz context precision, które pozwalają ocenić czy odpowiedź jest osadzona w kontekście, czy odpowiada na pytanie, czy potrzebna wiedza została odnaleziona (kompletność odnalezionej wiedzy) oraz czy wyniki nie zawierają nadmiernego szumu (udział rzeczywiście przydatnych fragmentów w wyniku). Dzięki temu organizacja może mierzyć jakość działania rozwiązania w sposób obiektywny, a nie na podstawie opinii użytkowników.

Rysunek 5. Ocena jakości przy pomocy obiektywnych metryk.

Kolejnym wyróżnikiem SAS RAM jest wsparcie dla Agentic AI, czyli najbardziej chyba dziś obiecującego kierunku rozwoju sztucznej inteligencji. W odróżnieniu od klasycznego czatu RAG, agent może podejmować decyzje, uruchamiać procesy czy komunikować się z systemami zewnętrznymi. Agent orkiestrujący może delegować zadania agentom wyspecjalizowanym. W tym podejściu odchodzimy koncepcyjnie od reaktywnego odpowiadania na pytania, otrzymując szansę stworzenia aktywnego cyfrowego pracownika. Przykładowo, agent może nie tylko wskazać odpowiednią procedurę obsługi incydentu bezpieczeństwa (co potrafiłby również zwykły czatbot wsparty RAG), ale także uruchomić workflow: wygenerować zgłoszenie czy podjąć natychmiastowe działania zaradcze (np. dokonać czasowej blokady karty kredytowej w reakcji na podejrzane transakcje).

Rysunek 6. Agenty AI jako naturalny „next step”.

Tego rodzaju złożone systemy wymagają sprawnej komunikacji. Kluczowym elementem nowoczesnych architektur agentowych staje się Model Context Protocol (MCP), który pełni rolę standardowego interfejsu między agentami a narzędziami i źródłami danych. Dzięki MCP agent może wykorzystywać bazy danych, aplikacje biznesowe, systemy workflow, API czy platformy komunikacyjne. Całe rozwiązanie przestaje być odizolowanym chatbotem, a staje się częścią procesów operacyjnych przedsiębiorstwa: RAG dostarcza wiedzę, natomiast MCP rozszerza rozwiązanie o możliwość działania.

Ale nie mniej ważnym aspektem jest … utrzymanie aktualności wiedzy. Wiedza organizacji nie jest statyczna – dokumenty są aktualizowane, wydawane są nowe regulacje, zmienia się baza klientów. SAS RAM umożliwia automatyzację całego procesu zarządzania wiedzą: od pobierania nowych dokumentów i aktualizacji baz wektorowych, przez uruchamiane procesów ewaluacji, aż po publikowanie nowych wersji agentów. Oczywistą korzyścią jest to, że nie musimy ręcznie przebudowywać rozwiązań AI po każdej zmianie danych.

Jakie korzyści biznesowe może przynieść SAS Retrieval Agent Manager?

SAS Retrieval Agent Manager jest czymś więcej niż tylko rozwiązaniem umożliwiającym „czatowanie” z dokumentami. Łączy architekturę RAG z Agentic AI, MCP i regułami governance w jednym środowisku klasy enterprise. Dla organizacji oznacza to możliwość wykorzystania sztucznej inteligencji w sposób bezpieczny, kontrolowany i skalowalny. Wiedza zawarta w dokumentach przestaje być pasywnym zasobem, a staje się aktywną częścią procesów biznesowych.

Rysunek 7. Kluczowe korzyści biznesowe.