Como líder mundial em produtos, sistemas e serviços de iluminação LED conectada, a Signify (anteriormente Philips Lighting) atende não apenas consumidores comuns, mas também um grande número de usuários profissionais que possuem requisitos rigorosos de especificações técnicas e compatibilidade de engenharia. Diante de milhares de modelos de produtos, parâmetros de componentes complexos e documentação técnica abrangendo diversas versões, fornecer respostas profissionais precisas e eficientes tornou-se um desafio central para o sistema de gestão de conhecimento da Signify.
Para enfrentar esse desafio, Significar (abre em nova aba) colaborou com Microsoft Analysis Ásia em uma prova de conceito (PoC) usando Tecnologia PIKE-RAGintegrando-o ao seu sistema de gerenciamento de conhecimento atualizado baseado no Microsoft Azure. O resultado: uma melhoria de 12% na precisão das respostas.
Desafios da aplicação do RAG na iluminação
Numa period em que a IA está a transformar rapidamente a forma como as empresas gerem a informação, a Signify reconheceu a importância estratégica de sistemas de conhecimento precisos e eficientes. Adotou grandes modelos de IA e técnicas de geração aumentada de recuperação (RAG) para melhor suportar sua ampla gama de consultas de clientes.
Laboratórios de fundição de IA do Azure
Tenha uma ideia das possíveis direções futuras da IA com essas tecnologias experimentais da Microsoft Analysis.
No entanto, a aplicação do RAG a cenários de iluminação envolvendo utilizadores profissionais apresentou desafios únicos. Os dados do produto abrangiam documentos multimodais, tabelas não estruturadas e parâmetros complexos do produto, exigindo personalização contínua que retardava o desenvolvimento e limitava a escalabilidade. Apesar das melhorias através do ajuste de palavras-chave, otimização do sistema e prompts refinados, a Signify buscou abordagens mais avançadas para aumentar ainda mais a precisão e a confiabilidade.
Procurando obter maior valor do seu sistema de gestão de conhecimento, a Signify começou a explorar soluções técnicas mais adequadas e mais bem alinhadas com os seus casos de utilização profissionais. Ao saber que o PIKE-RAG foi aplicado com sucesso em domínios como cuidados de saúde e direito, melhorando significativamente a precisão das informações, a Signify trabalhou com a Microsoft Analysis Asia numa PoC do PIKE-RAG no Microsoft Azure.
Como o PIKE-RAG abordou os pontos problemáticos da Signify
Comparado ao RAG tradicional, o PIKE-RAG recupera informações textuais com eficiência e também compreende conteúdo multimodal, como gráficos e tabelas. Seu módulo integrado de adaptação de domínio aprende rapidamente padrões de raciocínio alinhados com domínios específicos para gerar respostas consistentes com contextos de engenharia. Estas vantagens diferenciadas decorrem da abordagem única do PIKE-RAG para compreender e processar o conhecimento profissional. No caso de uso da Signify, isso se manifesta em três áreas principais:
Análise multimodal de documentos e aprendizagem de padrões de raciocínio específicos do setor
A documentação dos produtos da Signify inclui diversos formatos, como tabelas não padronizadas (por exemplo, gráficos de comparação de faixas de tensão sob diferentes correntes) e diagramas de circuitos (por exemplo, limites de potência do driver). Os sistemas tradicionais muitas vezes não conseguem processar esta informação de forma eficaz – seja ignorando-a ou extraindo fragmentos de texto desorganizados.
O PIKE-RAG integra a tecnologia Doc Intelligence da Microsoft Analysis Asia com modelos OpenAI do Microsoft Azure para identificar com precisão estruturas de tabelas e analisar parâmetros-chave em diagramas de circuitos. Por exemplo, quando um agente de atendimento ao cliente pergunta “Qual é a tensão de saída de um modelo de driver específico com corrente de 0,15 A”, o sistema localiza automaticamente o gráfico de curva no documento e infere uma faixa de 40–54 V com base no intervalo de corrente – uma área onde os sistemas tradicionais frequentemente erram, devido à sua incapacidade de “ler” diagramas.
Ciclo de conhecimento ponta a ponta, eliminando a dependência de fontes de dados erradas
Os sistemas de conhecimento empresarial muitas vezes integram dados de múltiplas fontes, o que pode levar a discrepâncias, especialmente quando as atualizações do banco de dados não estão totalmente sincronizadas. O PIKE-RAG captura diversas fontes de informação e estabelece relações de citação, apoiando tarefas complexas de raciocínio que dependem de dados de múltiplas fontes.
Em outras palavras, o PIKE-RAG pode usar diretamente documentos originais como fontes de dados, analisando e compreendendo com eficiência manuais de produtos e gráficos em PDF. Ao extrair informações importantes desses documentos ricos em texto e gráficos, o PIKE-RAG permite uma recuperação de conhecimento mais eficiente e confiável.
Decomposição dinâmica de tarefas e raciocínio multi-hop para respostas precisas a questões complexas
Os sistemas RAG tradicionais normalmente seguem um modelo de “uma pergunta, uma resposta” e lutam com o raciocínio em várias etapas. No domínio da iluminação da Signify, as consultas dos clientes envolvem frequentemente associações a vários níveis. O PIKE-RAG decompõe dinamicamente as perguntas do usuário em subtarefas executáveis e as resolve por meio de raciocínio multi-hop. Por exemplo, quando questionado sobre “Listar todas as bases compatíveis com as lâmpadas da série G8”, se nenhum documento fornecer diretamente a resposta, o raciocínio da PIKE-RAG procede da seguinte forma:
Etapa 1: O sistema identifica o conhecimento implícito. Um documento observa que as séries G7 e G8 têm dimensões idênticas e que todas as bases compatíveis com a série G7 também são compatíveis com a série G8.
Passo 2: Com base nisso, o sistema recupera a lista base da série G7.
Passo 3: Como a lista utiliza abreviações, o sistema busca uma tabela que mapeie abreviações para nomes completos e gere uma lista completa de bases compatíveis com o G8.
Através deste raciocínio automatizado multi-hop, o sistema fornece respostas precisas e completas.
Os testes mostraram que a plataforma de gestão de conhecimento baseada no PIKE-RAG proporcionou uma vantagem significativa. Alcançou uma melhoria de 12% no desempenho em comparação com o sistema unique.
Esses resultados foram alcançados sem qualquer customização específica da questão, apenas otimização algorítmica, demonstrando correspondência e geração precisa de conhecimento. À medida que o sistema continua a aprender e a integrar o conhecimento proprietário da Signify, espera-se que a precisão melhore ainda mais.
“No PoC para nossa ferramenta de insights de especificações de produtos, o PIKE-RAG nos ajudou a melhorar significativamente o desempenho do sistema unique. Isso aumentará a satisfação geral do cliente. No momento, estamos avaliando o caminho da aplicação do PIKE-RAG de vários ângulos, incluindo implementação técnica, controle de custos e adaptabilidade futura, e esperamos aprofundar nossa colaboração com a Microsoft Analysis Asia para impulsionar ainda mais a inovação”, disse Haitao Liu, chefe da Signify Analysis China.
“Também vale a pena notar que os pesquisadores da Microsoft Analysis Asia demonstraram um forte conhecimento da indústria e uma metodologia científica rigorosa. Eles estudaram e analisaram proativamente os problemas, rastreando e esclarecendo as causas profundas dos nossos problemas para tornar o PIKE-RAG mais adequado às necessidades do mundo actual da Signify.”
Além da iluminação: Generalização entre indústrias
No teste bem-sucedido da Signify, o PIKE-RAG demonstrou fortes capacidades de generalização em cenários industriais complexos, permitindo uma rápida adaptação entre domínios. Seus três principais pontos fortes são:
- Apoio à autoevolução e aprendizagem contínua: O PIKE-RAG analisa continuamente casos de erro em logs de interação e usa algoritmos evolutivos para otimizar automaticamente estratégias de extração de conhecimento, como tentar diferentes métodos de análise de tabelas ou ajustar pesos de conteúdo multimodal. As estratégias validadas são então solidificadas para futuras perguntas e respostas, permitindo que o sistema se adapte a novos tipos de conhecimento sem intervenção guide.
- Arquitetura modular impulsionada pelas necessidades de capacidade: O PIKE-RAG combina de forma flexível módulos para análise de documentos, extração de conhecimento, armazenamento, recuperação, organização, raciocínio centrado no conhecimento e decomposição de tarefas. Ele ajusta dinamicamente as áreas de foco com base nas necessidades do cenário (por exemplo, recuperação de fatos, raciocínio multi-hop, geração inovadora) e cria métodos RAG de forma flexível que se adaptam a aplicações do mundo actual, lidando com eficiência com diversas tarefas complexas.
- Forte adaptação a padrões de raciocínio específicos de domínio: Com atualizações dinâmicas por meio do recurso Area Suggestions, as empresas podem adicionar lógica específica de domínio (por exemplo, “a tensão máxima de saída de um driver de LED deve ser o máximo da faixa operacional, não a saída máxima da folha de especificações”) em tempo actual, permitindo que o sistema processe informações de acordo com padrões de engenharia profissional e siga as convenções do setor.
As capacidades de generalização do PIKE-RAG foram validadas não apenas na plataforma de gestão de conhecimento da Signify, mas também em aplicações piloto em setores como manufatura, mineração e farmacêutico, melhorando significativamente a precisão do sistema de perguntas e respostas.
“Líder em iluminação, a Signify apresenta um sistema de conhecimento industrial complexo com um cenário do mundo actual altamente desafiador para o PIKE-RAG. Através desta colaboração, validamos que a abordagem geral do PIKE-RAG pode melhorar significativamente a precisão das perguntas e respostas do conhecimento profissional e acelerar a personalização do cenário. Nossos pesquisadores também ganharam experiência valiosa no tratamento de dados específicos de domínio”, explicou Jiang Biangerente de pesquisa parceira da Microsoft Analysis Asia.
“Nosso objetivo não é construir um chatbot common, mas criar um assistente profissional que se alinhe com a lógica específica do domínio e execute um raciocínio de conhecimento rigoroso. Essa é a verdadeira força motriz por trás da transformação inteligente na gestão do conhecimento industrial.”