Dlaczego Minerva to nie kolejny LLM?

Moment, w którym LLMy zyskały popularność, przypadł na przełom 2022 i 2023 roku, kiedy to generatywna sztuczna inteligencja weszła do powszechnego użycia. Modele te szybko przyciągnęły uwagę dzięki zdolnościom do udzielania szczegółowych informacji z wielu dziedzin. Jednak po początkowym zachwycie ujawniły się również ich podstawowe wady - skala błędnych odpowiedzi.

Jak wynika z raportu ,,Tom’s Guide report” ChatGPT-5 generuje nieprawidłowe odpowiedzi w około 25 % przypadków. To oznacza, że 1 na 4 odpowiedzi może być błędna.

LLMy nie są wiarygodnymi źródłami informacji? Mimo że modele językowe takie jak czat gpt czy gemini starają się dostarczać dokładnych odpowiedzi, często się mylą, ponieważ jego odpowiedzi są oparte na wzorcach, a nie na faktach i danych. Zjawisko to w nomenklaturze IT określa się mianem „halucynacji sztucznej inteligencji” (ang. Artificial Inteligence hallucination). Takie wyniki często wynikają z wewnętrznych wad modelu, niezrozumienia świata rzeczywistego lub ograniczeń danych testowych. Innymi słowy, system AI „halucynuje” informacje, które nie zostały mu wyraźnie przedstawione w fazie nauczania, co prowadzi do nierzetelnych lub wprowadzających w błąd odpowiedzi.

Termin „halucynacja” w odniesieniu do sztucznej inteligencji odnosi się do generowania danych wyjściowych, które mogą brzmieć wiarygodnie, ale są albo niepoprawne pod względem faktycznym, albo niezwiązane z danym kontekstem.

Dlaczego Minerva to nie kolejny LLM? Choć Minerva wykorzystuje moc silników takich jak ChatGPT czy Gemini, utożsamianie jej ze zwykłym modelem językowym (LLM) jest błędem. Podstawowa różnica leży w weryfikowalności danych i odpowiedzialności za proces decyzyjny.

W przypadku standardowego czatu AI, użytkownik otrzymuje odpowiedź, która może być obarczona błędem halucynacji – model może "zmyślić" informację, której nie ma w tekście. Minerva eliminuje to ryzyko, dostarczając nie tylko odpowiedź na kluczowe pytanie, ale także konkretny cytat wraz z linkiem prowadzącym bezpośrednio do miejsca w dokumentacji przetargowej, co pozwala na natychmiastową weryfikację faktów.

Dzięki temu użytkownik ma pewność, że informacja nie jest wygenerowana przypadkowo, lecz pochodzi z analizowanego pliku.

Kolejnym wyróżnikiem jest głębokie rozumienie kontekstu branżowego, z czym generyczne LLM-y często sobie nie radzą. Język przetargowy jest specyficzny i niestandaryzowany – te same wymogi, takie jak wadium czy zabezpieczenie należytego wykonania, mogą być zapisane w dokumentach na wiele różnych sposobów. Zwykły model AI może błędnie zinterpretować te niuanse lub pominąć kluczowe informacje ukryte pod nietypowym nazewnictwem.

Minerva potrafi łączyć fakty kontekstowo: rozumie na przykład, że przetarg zatytułowany "modernizacja drogi" może w rzeczywistości dotyczyć budowy bezpiecznego przejścia dla pieszych, co jest kluczowe dla firm z wąską specjalizacją.

Istotną przewagą Minervy nad ,,ręcznym" korzystaniem z narzędzi typu ChatGPT jest odwrócenie procesu wyszukiwania poprzez dopasowanie produktowe. Zamiast zmuszać użytkownika do wpisywania dziesiątek słów kluczowych i ręcznego przeszukiwania setek stron pod kątem wzmianki o konkretnym produkcie (np. skalpelu czy łóżku chirurgicznym), system analizuje portfolio klienta i automatycznie dostarcza przetargi, w których te produkty się znajdują. Działa to na zasadzie "szukania odwrotnego" - to nie użytkownik szuka igły w stogu siana, ale system oferuje mu tylko te postępowania, które zawierają rozwiązania z jego oferty. Pozwala to na wstępną selekcję i oszczędność zasobów jeszcze przed głęboką analizą dokumentacji.

Bezpieczeństwo w ekosystemie Minerwy Wdrożenie Minerwy to także krok w stronę standaryzacji procesów i bezpieczeństwa danych, czego nie zapewnia indywidualne korzystanie z publicznych modeli AI przez pracowników. Używając ChatGPT na własną rękę, każdy pracownik może stosować inne, często błędne prompty (zapytania), a także narażać firmę na ryzyko wycieku danych poprzez wgrywanie wewnętrznych plików do publicznego czatu. Minerva tworzy zamknięty, bezpieczny ekosystem, w którym proces analizy jest powtarzalny i ustandaryzowany dla całego zespołu. Dzięki temu firma unika chaosu, w którym każdy handlowiec szuka i analizuje przetargi w inny sposób, a decyzje o starcie w postępowaniu podejmowane są na podstawie rzetelnych, przefiltrowanych danych.

W jaki sposób Minerva minimalizuje ryzyko błędów w analizie? 1. W jaki sposób Minerva minimalizuje ryzyko błędów w analizie?

Największym ryzykiem przy korzystaniu z AI jest tzw. halucynowanie, czyli generowanie nieprawdziwych informacji. Minerva rozwiązuje ten problem, podając odpowiedź wraz z cytatem i linkiem do dokładnego miejsca w dokumentacji. Dzięki temu użytkownik widzi źródło informacji, a kliknięcie linku podświetla właściwy fragment pliku, umożliwiając szybkie sprawdzenie poprawności.

2. Głębokie rozumienie kontekstu i języka przetargowego

Język przetargowy nie jest ustandaryzowany - te same wymogi (np. wadium czy zabezpieczenie należytego wykonania) mogą być opisane różnymi słowami w różnych dokumentach.

• Interpretacja synonimów: Zwykłe modele LLM mogą się pogubić w tej terminologii, natomiast Minerva jest skonfigurowana tak, aby rozumieć te niuanse i wyłapywać sens zapisu, niezależnie od użytego sformułowania.
• Wnioskowanie logiczne: System potrafi analizować kontekstowo, np. obliczyć termin realizacji, który nie jest podany wprost jako data, lecz opisowo (np. 4 miesiące od podpisania umowy).
• Doprecyzowanie tematu: System potrafi odróżnić szerokie hasła od faktycznych potrzeb, np. rozumiejąc, że modernizacja drogi może w rzeczywistości dotyczyć budowy bezpiecznego przejścia dla pieszych, co zapobiega odrzuceniu przetargu jako nieistotnego.

3. Eliminacja błędu ludzkiego i standaryzacja

Ręczna analiza setek stron dokumentacji łatwo prowadzi do błędów wynikających ze zmęczenia i przeoczeń. Minerva dostarcza już przeanalizowane dokumenty z gotowymi odpowiedziami, odciążając użytkownika z wstępnej weryfikacji. Dodatkowo standaryzuje proces oceny przetargów - wszyscy pracownicy korzystają z tego samego zestawu pytań i kryteriów, co eliminuje chaos i zapewnia spójność w całej firmie.

4. Zawansowane wyszukiwanie

Tradycyjne szukanie po słowach kluczowych rodzi ryzyko przeoczenia przetargu, jeśli w tytule lub opisie głównym nie ma nazwy produktu. Minerva minimalizuje to ryzyko, analizując portfolio klienta i wyszukując przetargi, w których zawarte są konkretne produkty z jego oferty (np. konkretny sprzęt medyczny w ogólnym przetargu na wyposażenie szpitala),. Zamiast zmuszać użytkownika do szukania igły w stogu siana, system sam wskazuje postępowania zawierające poszukiwane rozwiązania.

5. Indywidualna konfiguracja i "dostrajanie"

System nie działa w oparciu o sztywne szablony, lecz jest konfigurowany pod konkretnego klienta. Proces wdrożenia obejmuje etap "dostrajania" słów kluczowych i logiki wyszukiwania przez dedykowanego opiekuna i zespół techniczny. Pozwala to wyeliminować błędy polegające na dostarczaniu wyników nieistotnych (np. odróżnienie wylewki asfaltu od budowy przejścia dla pieszych dla firmy specjalistycznej).

Jak Minerva radzi sobie ze specyficznym językiem przetargów? Minerva wykorzystuje zaawansowaną analizę kontekstową, która wykracza poza proste wyszukiwanie słów kluczowych typowe dla klasycznych LLM-ów.

• Rozumienie synonimów i różnorodnych zapisów: Język przetargów jest niejednolity - te same wymagania mogą być opisane na wiele sposobów. Minerva potrafi wychwycić takie różnice (np. „wadium” vs „zabezpieczenie należytego wykonania”) i poprawnie odczytać intencje zamawiającego, co często sprawia trudność modelom ogólnym.
• Wnioskowanie i obliczenia: System potrafi wyciągać informacje niewyrażone wprost, np. uznać „4 miesiące od podpisania umowy” za konkretny termin realizacji, mimo braku daty kalendarzowej. Analizuje to, co wynika z treści, a nie tylko z dopasowania słów.
• Doprecyzowanie kontekstu branżowego: Minerva rozumie znaczenia zależne od klienta - np. odróżnia przetargi na „modernizację drogi” istotne dla użytkownika (z elementami bezpieczeństwa pieszych) od tych nieistotnych (np. sama wylewka asfaltu).
• Weryfikacja przez cytowanie: Każda odpowiedź jest opatrzona cytatem i linkiem do właściwego miejsca w dokumentacji, co pozwala użytkownikowi natychmiast sprawdzić poprawność interpretacji i eliminuje ryzyko błędnych wniosków.

Korzyści wbudowanego systemu weryfikacji cytatów Eliminacja halucynacji AI: Podstawową korzyścią jest zapobieganie sytuacjom, w których sztuczna inteligencja „zmyśla” odpowiedzi (tzw. halucynacje) lub twierdzi, że w dokumencie znajduje się zapis, którego faktycznie tam nie ma,. Dzięki cytatom użytkownik ma pewność, że odpowiedź nie jest wygenerowana przypadkowo, lecz pochodzi bezpośrednio z analizowanego pliku.

Natychmiastowa weryfikacja źródła: System nie tylko udziela odpowiedzi, ale dostarcza link kierujący bezpośrednio do konkretnego miejsca w dokumentacji, gdzie dana informacja się znajduje. Po kliknięciu w link użytkownik widzi podświetlony fragment dokumentu, co pozwala na błyskawiczne sprawdzenie poprawności analizy bez konieczności ręcznego przeszukiwania całego pliku.

Kontrola nad interpretacją specyficznego języka: Język przetargowy bywa niejednoznaczny i nie jest ustandaryzowany (np. różne określenia na wadium czy zabezpieczenie wykonania), co może prowadzić do błędów w interpretacji przez standardowe modele jak ChatGPT. System cytowania pozwala użytkownikowi sprawdzić, czy AI właściwie zrozumiała intencje zamawiającego ukryte pod nietypowym sformułowaniem.

Napisane przez

Minerva Team