Bases de conhecimento e sistema RAG
SecureAI usa Retrieval-Augmented Generation (RAG) para conectar modelos de IA com seus dados e documentos privados, garantindo respostas seguras, precisas e conscientes do contexto.O que é RAG?
Retrieval-Augmented Generation (RAG) é uma técnica de IA que combina modelos de linguagem com fontes de conhecimento externas. Em vez de confiar apenas nos dados pré-treinados do modelo:- Processamento de consulta: o sistema analisa a solicitação do usuário para identificar requisitos de conhecimento relevantes.
- Recuperação de conhecimento: a pesquisa semântica recupera partes relevantes do documento do seu índice.
- Aumento de contexto: o contexto recuperado é injetado no prompt do modelo.
- Geração de Resposta: A IA gera uma resposta factual e fundamentada citando seus documentos.
Tipos de índice em SecureAI
Os índices são bases de conhecimento estruturadas categorizadas por acessibilidade:1. Índices pessoais
- Privacidade de conhecimento zero: seus arquivos e conversas são criptografados com chaves de locatário/usuário.
- Criação:
- Usuários: abra a interface de bate-papo, clique no seletor de índice ao lado do seletor de modelo, alterne para a guia Pessoal e clique em +.
- Administradores: Vá para Administrador? Gerenciamento de índice? Crie um índice e atribua-o a um usuário específico.
2. Índices de grupo
- Colaboração: vários membros da equipe podem consultar e contribuir com documentos para a mesma base de conhecimento.
- Criação:
- Vá para Administrador? Gerenciamento de grupo? Crie um grupo, atribua membros e vincule um índice de grupo compartilhado.
3. Índices Globais
- Padrões para toda a empresa: repositórios centralizados para conformidade empresarial, termos legais e diretrizes operacionais.
- Criação: Vá para Admin ? Gerenciamento de índice? Crie Índice e defina o escopo como Global.
Como funciona a indexação
Ao fazer upload de arquivos (PDFs, documentos do Word, CSV, JSON, Markdown ou texto simples):Documento bruto -? Extração de texto -? Segmentação semântica -? Incorporações de vetores -? Armazenamento vetorial (índice)
- Processamento de documentos: Texto e metadados (carimbos de data e hora, nomes de arquivos) são extraídos e limpos.
- Chunking: o conteúdo é dividido em blocos semânticos otimizados com sobreposição para manter a continuidade contextual.
- Geração de incorporação: os pedaços são convertidos em incorporações vetoriais de alta dimensão.
- Armazenamento vetorial: os embeddings são armazenados em bancos de dados vetoriais de alto desempenho para recuperação instantânea de similaridade.
Melhores práticas
- Nomeação: use nomes claros e descritivos para índices e arquivos carregados (por exemplo, HR-Policy-2026 em vez de doc1).
- Preparação de arquivo: certifique-se de que os documentos carregados sejam em texto não criptografado; limpe digitalizações de baixa qualidade antes de fazer upload.
- Limites de arquivos: uploads padrão suportam arquivos de até 10 MB por lote.
- Escopo Adequadamente: Mantenha notas pessoais confidenciais em Índices Pessoais; mover recursos da equipe para índices de grupo.