Canada Dataset

保险公司正在寻找能够为员工提供复杂问题准确、快速答案的知识代理人。代理通常通过 API 和 RAG（检索增强生成）访问内部数据源，例如文档档案、内联网内容和外部信息。 OpenAI 的 GPT4o 等语言模型是理解查询并以可理解的形式回答查询的基础。

但使用此类知识代理也带来了挑战，特别是在数据保护方面。

数据保护优先：保护敏感信息
保护敏感信息对于保险公司至关重要。信息不得离开德国或欧洲不受控制，在某些情况下，通常禁止将其传递到公司网络之外。那么如何开发满足这些要求的可靠知识解决方案呢？

一种可能性是在本地私有云中使用开源语言模型。这允许对数据流进行高水平的控制，但需要操作和维护这些模型的专业知识。此外，在连接复杂数据源方面，开源解决方案有时落后于商业解决方案。

混合方法：数据保护和效率相结合
对于保险公司来说，明智的方法是采用混合解决方案：强大 哥斯达黎加电话数据 的外部模型（例如 GPT4o）负责初始问题处理，并在此步骤中进行匿名数据传输，而敏感信息仅在内部进行处理。可以使用 Llama 等开源模型，它可以 提供高质量的答案。

这种混合方法实现了性能和数据保护的结合：保险公司可以在利用现代语言模型的强大功能的同时满足监管要求。

混合知识系统的技术实现
保险中的混合知识系统基于多代理系统（MAS），它将问题处理的各个步骤分配给专门的代理。这种结构提高了处理复杂请求时的灵活性，并实现了安全的信息处理（见下图：多代理系统（MAS））。

下面我们将使用 SQL 代理的示例来解释 MAS。 SQL 代理允许您在没有任何 SQL 知识的情况下与数据库聊天或对话（VoiceBot 变体）。

这种基于语言模型的解决方案的优点是，作为用户，您可以与数据库进行内容相关的对话，即问题和答案相互构建。


对于非常大的数据库，使用专门的咨询代理可能会有所帮助，他们从数千个表中过滤出目标信息并将其提供给员工。

结论：混合方法是面向未来的解决方案
通过使用混合知识代理，保险公司不仅可以满足监管要求，还可以显着提高其知识管理效率。外部和内部语言模型的结合可实现高性能，同时满足严格的数据保护要求。这创建了一个面向未来的解决方案，可以有效地处理复杂的任务，同时确保敏感数据的保护。