Cara Kerja

Bagaimana Glosia bisa menjawab pertanyaan spesifik tentang bisnis Anda tanpa berhalusinasi? Rahasianya ada pada teknologi Retrieval-Augmented Generation (RAG).

Alur Singkat

1. Unggah Pengetahuan: Anda mengunggah dokumen (PDF, teks, URL) ke Glosia.
2. Pemrosesan (Embedding): Teks dari dokumen Anda dipecah menjadi potongan-potongan kecil dan diubah menjadi representasi matematis (vector embeddings).
3. Penyimpanan: Vektor tersebut disimpan dalam vector database khusus.
4. Pencarian: Saat pengunjung bertanya, Glosia mengubah pertanyaannya menjadi vektor dan mencari potongan dokumen Anda yang paling relevan.
5. Generasi Jawaban: Potongan dokumen yang relevan diberikan ke model AI besar (LLM) bersama dengan pertanyaannya. AI kemudian menyusun jawaban yang natural hanya berdasarkan dokumen tersebut.

Mengapa RAG Penting?

Tanpa RAG, AI biasa hanya mengandalkan pengetahuan yang mereka pelajari saat masa training. Mereka tidak tahu soal kebijakan return toko Anda, daftar harga terbaru, fitur eksklusif produk Anda, dan informasi-informasi spesifik lainnya.

Dengan RAG, Glosia:

• Akurat: Menjawab dengan konteks nyata dari dokumen pengetahuan yang Anda sediakan.
• Transparan: Menyertakan kutipan (referensi) ke dokumen Anda tentang darimana dia mendapatkan jawaban tersebut.
• Bisa diandalkan: Jika tidak ada di dokumen pengetahuan, AI diperintahkan untuk jujur mengatakan “Saya tidak tahu” alih-alih mengarang jawaban (berhalusinasi).

Siklus Pembaruan Pengetahuan

Kapanpun Anda mengubah harga, kebijakan, atau menambah produk baru, Anda hanya perlu Memperbarui Dokumen Pengetahuannya dan bot akan langsung menyesuaikan jawabannya tanpa perlu di-training ulang dari awal.