Awakast
Wyślij brief aplikacji lub projektu
Enterprise AI · RAGNDA — skrócony opis

Fortum RAG Assistant

Fortum potrzebował precyzyjnych odpowiedzi opartych na dokumentach regulacyjnych i umowach, bez przekazywania danych poza prywatną infrastrukturę.

Klient: FortumBranża: EnergetykaUsługa: Wdrożenie RAG dla organizacjiCzas realizacji: 6 tygodni

Najważniejszy rezultat

30%+

szybsza obsługa zapytań klientów

30%+
szybsze rozwiązywanie zapytań
20+
osób z zespołu wsparcia objętych wdrożeniem
100%
prywatna ścieżka przetwarzania
Tygodnie
Skrócony onboarding nowych agentów

O projekcie

Zespół supportu pracował na rozbudowanym zbiorze dokumentów i umów, co utrudniało szybkie udzielanie poprawnych odpowiedzi.

Wyzwanie

Potrzebna była prywatna architektura RAG, która wskazuje źródło odpowiedzi i pozwala rozdzielić procesy dla różnych grup klientów.

Wizualizacja wyników projektu Fortum RAG

Nasze podejście

Po warsztacie analitycznym wdrożyliśmy segmentowany system RAG z wyszukiwaniem w wielu źródłach, oceną pewności odpowiedzi i integracją z codzienną pracą zespołu wsparcia.

Co dostarczyliśmy

  • Warsztat AI dla liderów segmentów
  • Oddzielne procesy RAG dla różnych grup klientów
  • Cytowanie źródeł i ocena pewności odpowiedzi
  • Integracja z procesem pracy zespołu wsparcia

Architektura rozwiązania

  • Wyszukiwanie hybrydowe z ponownym rankingiem wyników
  • Oddzielne zbiory dokumentów i ścieżki wyszukiwania
  • Prywatne wdrożenie bez transferu danych na zewnątrz

Harmonogram prac

Tydz. 1

Warsztat i zakres

Ustalenie scenariuszy użycia, ryzyk i ograniczeń wdrożeniowych.

Tydz. 2-4

Budowa RAG

Implementacja segmentacji, indeksowania i orkiestracji odpowiedzi.

Tydz. 5

Pilotaż

Integracja z procesem pracy i walidacja jakości odpowiedzi.

Tydz. 6

Optymalizacja

Dostrojenie wyszukiwania i progów pewności.

Widok rezultatów projektu Fortum
Podsumowanie efektów operacyjnych po wdrożeniu RAG.
Architektura techniczna Fortum RAG
Podział źródeł i osadzanie odpowiedzi w materiałach referencyjnych.

Średni czas obsługi zapytań

Redukcja po wdrożeniu30%

Technologia

PythonAzure AI SearchMicrosoft AzureRAGFastAPI.NETKubernetes

Zgodność i kontrola

  • Cytat źródła przy każdej odpowiedzi
  • Podział źródeł zgodny z typem klienta
  • Prywatne wdrożenie z pełną kontrolą nad danymi

Materiały referencyjne

Najważniejsze efekty

  • Przyspieszenie pracy zespołu wsparcia
  • Większa wiarygodność odpowiedzi dzięki odwołaniom do źródeł
  • Szybsze wdrożenie nowych pracowników

Powiązane case studies

Ze względu na NDA publikujemy skrócony opis tej realizacji. Pełne informacje techniczne i referencje możemy udostępnić na życzenie. Szczegółowe wewnętrzne zbiory polityk i umów nie są publikowane. Skontaktuj się.

Chcesz podobnych rezultatów?

Opowiedz o swoim wyzwaniu, a przygotujemy realistyczny plan działania.