Fale conosco
Pintura a óleo em azul: cientista de dados pensativo diante de um monitor com uma rede de nós, com a mão no notebook
  1. Início
  2. IA para negócios
  3. RAG para empresas

IA que responde com os documentos da sua empresa.

RAG liga um modelo de linguagem aos contratos, manuais, políticas e sistemas internos, respeita quem pode ver o quê e mostra de onde veio cada resposta.

Agendar diagnósticoVer como o RAG funciona

Um modelo sozinho responde com o que aprendeu no treinamento e inventa quando não sabe. RAG busca primeiro nos documentos da empresa e entrega ao modelo só os trechos relevantes. A qualidade da resposta depende mais dessa busca do que do modelo.

Do documento à resposta com fonte

São duas partes: preparar o conhecimento e, a cada pergunta, recuperar o trecho certo.

  1. DocumentosContratos, manuais e normas
  2. SistemasERP, CRM e chamados
  3. PreparaçãoExtração e limpeza
  4. Trechos e índiceBusca vetorial e textual
  5. PermissõesQuem pode ver o quê
  6. RecuperaçãoAcha os trechos certos
  7. ModeloResponde com a fonte
  8. AvaliaçãoFidelidade à fonte
  9. Revisão humanaBaixa confiança

Fluxo de referência. Fontes, base vetorial e modelo mudam conforme os documentos e as regras de dados de cada empresa.

Onde o RAG costuma ajudar

Consultas frequentes a conteúdo que muda e que hoje depende de alguém que sabe onde procurar.

Atendimento e pós-venda

Respostas a partir de manuais, políticas de troca e histórico de chamados, com a fonte para o atendente conferir.

Contratos e jurídico

Localizar cláusulas, prazos e obrigações em muitos contratos, sem substituir a análise de quem responde por eles.

Base interna

Procedimentos, normas e treinamentos em um só lugar de consulta, respeitando as permissões de cada área.

Catálogo e ficha técnica

Perguntas sobre produto respondidas a partir da ficha técnica e do catálogo, na loja ou na área comercial.

As decisões que definem a qualidade

Um protótipo de RAG sai rápido. O que separa o protótipo do uso real são estas escolhas.

Preparação dos documentosPDFs com tabelas, versões antigas e arquivos duplicados precisam de tratamento. Entrada ruim gera resposta ruim.
Divisão em trechosTrechos curtos demais perdem contexto, e longos demais trazem ruído. O tamanho certo depende do tipo de documento.
Busca híbridaCombinar busca vetorial com busca por palavra ajuda com códigos de produto, nomes e números de contrato.
ReordenaçãoUm segundo passo reavalia os trechos encontrados antes de entregá-los ao modelo.
PermissõesA busca respeita quem pode ver cada documento. O filtro vale antes da resposta, não depois.
AtualizaçãoDocumento novo ou revogado precisa refletir na base, com data e versão.
Base vetorialPinecone, Weaviate ou pgvector. Se o Postgres já atende, não há por que somar outro sistema.

Como saber se as respostas são confiáveis

RAG reduz a invenção, mas não a elimina. Por isso a avaliação faz parte do sistema.

Resposta com fonte

Cada resposta aponta o documento e o trecho usados, para a pessoa conferir.

Direito de não saber

Quando a busca não encontra base suficiente, o sistema diz que não sabe em vez de improvisar.

Conjunto de avaliação

Perguntas reais com resposta conhecida medem se a busca achou o trecho certo e se a resposta foi fiel a ele.

Proteção contra injeção

Um documento pode conter instruções maliciosas. O conteúdo recuperado é tratado como dado, e dados pessoais são mascarados nos registros.

Como implementamos

  1. 1

    Escolher o uso

    Um público, um conjunto de documentos e as perguntas reais que esse público faz.

  2. 2

    Preparar a base

    Tratamos os documentos, definimos os trechos e ligamos as permissões existentes.

  3. 3

    Medir

    Montamos o conjunto de avaliação e ajustamos a busca antes de ajustar o modelo.

  4. 4

    Operar

    Acompanhamos as perguntas sem resposta, mantemos a base atualizada e ampliamos o uso.

Perguntas frequentes

O que é RAG em IA?

É a sigla de retrieval-augmented generation: antes de responder, o sistema busca trechos relevantes nos documentos da empresa e os entrega ao modelo como contexto. A resposta sai desses trechos, com a fonte indicada.

Qual a diferença entre RAG e fine-tuning?

Fine-tuning ajusta o comportamento do modelo com exemplos. RAG dá a ele informação atualizada na hora da pergunta. Para responder com conteúdo da empresa, RAG costuma ser o primeiro passo: é mais simples de manter, e um documento novo entra sem novo treinamento.

RAG elimina as alucinações da IA?

Reduz, mas não elimina. O modelo ainda pode interpretar mal um trecho. Por isso mostramos a fonte, deixamos o sistema dizer que não sabe e medimos a fidelidade das respostas.

Meus documentos saem da empresa quando uso RAG?

Depende da arquitetura. A base e o modelo podem rodar na sua nuvem, e modelos abertos podem ficar na sua própria rede. A escolha sai das regras de dados da empresa, com o DPO envolvido desde o escopo. Nenhum dado do cliente é usado para treinar modelos externos sem consentimento explícito.

Qual base vetorial usar?

Na maioria dos casos, a diferença entre as bases pesa menos do que a qualidade dos documentos e da busca. Se a empresa já usa Postgres, pgvector é um bom começo. Bases dedicadas, como Pinecone e Weaviate, entram com volumes maiores ou exigências específicas.

RAG ou agente: qual eu preciso?

RAG responde; o agente age. Se a necessidade é consultar, RAG basta. Se alguém precisa executar algo em um sistema depois da resposta, vale olhar para agentes de IA integrados ao ERP, que podem usar o RAG como uma de suas ferramentas.

Para continuar

Agentes de IA

Quando, além de responder, é preciso agir nos sistemas

LLM para empresas

Qual modelo usar em cada tarefa

Dados e BI

A base de dados por trás das respostas

Fale com um especialista em IA.

Trinta minutos com um engenheiro da CCX, sem custo, para avaliar seus documentos e as perguntas que a sua equipe mais faz.

Agendar diagnósticoSolicitar proposta