Ako AI agent číta servisné manuály — a prečo necituje z hlavy
RAG v praxi: ako naučiť AI odpovedať z vašej dokumentácie s citáciou konkrétnej strany namiesto vymýšľania postupov.
Predstavte si, že sa nového kolegu spýtate na uťahovací moment skrutiek vretena. Ak odpovie spamäti bez toho, aby to kedy čítal — neveríte mu. To isté platí pre AI.
Prečo si jazykové modely vymýšľajú fakty?
Jazykový model nepozná fakty ako databáza — funguje ako sofistikovaný predikčný text, ktorý odhaduje najpravdepodobnejšie ďalšie slovo na základe textu z internetu, nie na základe vášho konkrétneho stroja. Keď nepozná odpoveď, aj tak jednu vygeneruje, pretože nebol trénovaný povedať „neviem” — výsledok znie sebavedomo, ale môže byť fakticky mimo.
Problém je, že model nevie váš konkrétny stroj, vašu konfiguráciu, váš rok výroby. Keď sa ho spýtate na servisný postup, jazykovo najpravdepodobnejšia odpoveď znie sebavedomo a gramaticky správne — ale fakticky môže byť úplne mimo. Model totiž neodpovedá „neviem”, pretože ho nikto tak netrénoval; natrénovaný je vždy niečo vygenerovať.
V údržbe je to neprijateľné. Zlý uťahovací moment, nesprávny olej alebo vynechaný krok pri odtlakovaní systému sú reálne škody a reálne riziká — nie preklep v texte. A práve preto, že si model nevymýšľa naschvál ani z nedbalosti, sa tomu nedá zabrániť „lepším promptom” — treba zmeniť to, odkiaľ model odpoveď vôbec berie.
Ako RAG zabráni tomu, aby si AI vymýšľala?
RAG (Retrieval-Augmented Generation) obráti postup: namiesto odpovede z pamäte modelu sa najprv z vašej dokumentácie vyhľadajú relevantné pasáže a model musí odpovedať výhradne z nich, s citáciou strany. Funguje v piatich krokoch — parsing dokumentov, chunking, embeddingy, vyhľadanie a odpoveď s citáciou — a keď relevantná pasáž neexistuje, správna odpoveď je „nenašiel som”, nie vymyslený postup.
Ako to funguje krok za krokom
1. Parsing dokumentov. Servisné manuály sú spravidla PDF s viacstĺpcovým layoutom, obrázkami a — čo je najdôležitejšie — tabuľkami. Práve v tabuľkách bývajú uťahovacie momenty, tolerancie, intervaly výmeny oleja či chybové kódy. Lacný parser tabuľky rozbije na neusporiadaný text a zmysel sa stratí. Kvalitný layout-aware parser zachová riadky a stĺpce tak, aby model vedel, že číslo 45 Nm patrí ku konkrétnej skrutke, nie k susednej bunke.
2. Chunking. Dokument sa rozdelí na menšie, prekrývajúce sa časti (typicky niekoľko stoviek slov). Prekryv medzi časťami zabezpečí, že sa dôležitá informácia nepretne presne v strede a nestratí kontext.
3. Embeddingy — významové súradnice. Každá časť textu sa prevedie na vektor čísel, ktorý zachytáva jej význam. Zjednodušene: text sa premietne do priestoru, kde majú podobné významy blízke „súradnice” — otázka o „výmene ložiska” skončí blízko pasáže o „servise ložiskovej jednotky”, aj keď použili iné slová. Vďaka tomu vyhľadávanie nefunguje len na presnú zhodu slov, ale na význam.
4. Vyhľadanie. Otázka technika sa tiež prevedie na vektor a porovná so všetkými uloženými časťami dokumentácie. Vyberie sa niekoľko najbližších — teda najrelevantnejších — pasáží.
5. Odpoveď s citáciou. Model poskladá odpoveď len z nájdených pasáží a ku každému tvrdeniu pripojí zdroj: [manuál, strana 214]. Ak relevantná pasáž neexistuje, správna odpoveď je „v dokumentácii som to nenašiel” — nie vymyslený postup.
Ako to vyzerá v praxi
Technik sa napríklad spýta: „Aký uťahovací moment má hlavica vretena na tomto stroji a v akom poradí sa doťahuje?” Agent nehľadá odpoveď vo všeobecnej znalosti o CNC strojoch — nájde konkrétnu tabuľku v servisnom manuáli daného modelu, prečíta hodnotu aj poradie krokov a odpovie s presným číslom a odkazom typu [manuál, strana 87]. Ak sa v dokumentácii nachádza aj bezpečnostné upozornenie k danému kroku (napr. nutnosť odtlakovať systém pred zásahom), pripojí ho automaticky — nie preto, že „vie”, že je to dôležité, ale preto, že to stojí v tej istej pasáži.
Rozdiel oproti bežnému chatbotu je práve v tom, že odpoveď sa dá okamžite overiť kliknutím na citáciu, nie len uveriť.
Prečo je citácia v odpovedi AI kľúčová?
Citácia mení „AI povedala” na overiteľné tvrdenie — technik si jedným klikom otvorí konkrétnu stranu manuálu a skontroluje kontext, namiesto toho, aby odpovedi len veril. Vedľajší efekt: keď agent na otázku nevie nájsť odpoveď v dokumentácii, znamená to, že ju nevie nájsť ani nový zamestnanec — RAG tak odhaľuje aj diery v dokumentácii.
Dôvera sa nebuduje sľubmi, ale tým, že každá odpoveď ukazuje, odkiaľ pochádza.
Ako sa meria kvalita RAG systému?
Kvalitu RAG systému treba merať na evaluačnom sete otázok s vopred známou správnou odpoveďou, nie odhadom. Mayven používa interný eval na približne 50 otázkach naprieč typmi dopytov a sleduje dve metriky oddelene: výber správneho zdroja (100 % presnosť) a vecnú presnosť samotnej odpovede (92 %). Rovnaký eval sa spúšťa pri každej zmene promptu či modelu.
„Funguje to dobre” je pocit, nie meranie.
Eval pokrýva typy dopytov ako servisné postupy, chybové kódy, špecifikácie či medzné hodnoty — ku každej otázke existuje vopred definovaná očakávaná odpoveď, voči ktorej sa reálny výstup systému porovnáva a boduje.
Číslo nie je marketingová deklarácia — je to spôsob, ako si pri nasadení overiť, že systém skutočne robí to, čo má, a ako sledovať regresie pri každej zmene promptu či modelu. Rovnaký eval sa spúšťa opakovane pri každej úprave pipeline, takže prípadné zhoršenie kvality sa odhalí skôr, než sa dostane k technikom vo výrobe.
Pri výbere dodávateľa má zmysel pýtať sa presne na toto: na akej sade sa systém testoval, aké je percento a čo presne meria.
Na čo si dať pozor pri výbere dodávateľa RAG systému?
Pri výbere dodávateľa RAG systému preverte štyri veci: či parser zachová tabuľky (tam sa najčastejšie strácajú momenty a tolerancie), či sú citácie klikateľné a overiteľné, či vie systém preindexovať aktualizované dokumenty bez nahadzovania celej knižnice a či ponúka on-premise nasadenie pre citlivú dokumentáciu.
Zachovanie tabuliek pri parsingu. Ak dodávateľ ukáže demo len na textových manuáloch bez tabuliek, opýtajte sa, čo sa stane s momentmi a toleranciami — tam sa najčastejšie láme kvalita.
Klikateľné citácie, nie len text zdroja. Citácia, ktorú si neviete overiť jedným klikom, je len o niečo dôveryhodnejšia ako žiadna citácia.
Aktualizácia dokumentov. Manuály sa menia — nové revízie, nové modely strojov. Systém musí vedieť dokument preindexovať bez toho, aby ste museli nahadzovať celú knižnicu nanovo, a starý obsah musí zmiznúť z vyhľadávania.
Možnosť on-premise nasadenia. Servisná dokumentácia často obsahuje citlivé prevádzkové know-how. Ak dodávateľ vie ponúknuť iba cloudové API tretej strany, dáta putujú mimo vašu sieť — o tom, prečo je to pri priemyselných dátach problém, píšeme v článku o on-premise AI.
Funguje RAG aj na iné dokumenty než servisné manuály?
Áno. Rovnaký princíp ako pri servisných manuáloch funguje aj na smernice, zmluvy, technologické postupy či internú wiki. Všade, kde dnes ľudia strácajú čas hľadaním v PDF-kách, vie RAG odpovedať za sekundy — s odkazom na zdroj. Je to jeden z typických príkladov rutinných úloh, ktoré vie za ľudí prevziať AI bez straty kontroly nad tým, odkiaľ informácia pochádza.
Časté otázky
Musia dáta z manuálov opustiť firmu? Nie. Mayven nasadzuje RAG on-premise, na hardvéri vo vašej sieti (typicky NVIDIA DGX Spark) — dokumentácia sa nikdy neposiela do cloudového API tretej strany.
Ako dlho trvá nahratie existujúcich manuálov? Závisí od objemu a kvality PDF, ale rádovo ide o dni, nie mesiace. Spracovanie stoviek strán vrátane tabuliek beží automatizovane, ručná práca je hlavne na kontrole výsledku.
Čo ak vydáme novú revíziu manuálu? Dokument sa preindexuje a stará verzia sa z vyhľadávania odstráni, aby agent necitoval zastaraný postup. Pri kritických zmenách (napr. nová hodnota tolerancie) odporúčame revíziu prejsť ručne, RAG na to sám neupozorní — nahrádza hľadanie v dokumentácii, nie zodpovednosť technika za samotný zásah na stroji.
Mayven má RAG nad servisnou dokumentáciou zabudovaný priamo v agentovi pre prediktívnu údržbu — vrátane klikateľných citácií s náhľadom PDF. Rovnaký princíp staviame aj na mieru pre iné odvetvia. Vyskúšajte pilot.