Hvad er et semantisk lag til en ERP-assistent?

Et semantisk lag er et sæt forretningsbegreber og metoden til at beregne hvert enkelt. Det gør et ord som "forfalden" til en forespørgsel, som alle i virksomheden er enige om.

Business intelligence-teams har bygget den slags i tredive år. Det nye er, at en AI-assistent har mere brug for et, end et dashboard nogensinde havde, og at det ikke kan bygges på den måde, de gamle blev bygget på.

Hvad indeholder et semantisk lag?

To slags poster, og de opfører sig forskelligt.

Et forretningsbegreb. Et navn, en definition i ord, og den forespørgsel, der beregner det. For eksempel:

Over kreditmaksimum. En kunde, hvis saldo på åbne debitorposter overstiger Kreditmaksimum (RV) på debitorkortet. Spærrede kunder er ikke med.

Posten bærer forespørgslen som en opskrift, der kan køres, ikke som en beskrivelse. Næste svar kører den igen i stedet for at udlede den forfra. Et begreb ligger altid på selskabsniveau, fordi en definition, der kun gælder for én person, ikke er en definition.

En hukommelse. En erfaring, en præference eller en rettelse. For eksempel: dette selskab rapporterer i DKK, selv om flere projekter faktureres i EUR, så omregn før totaler på tværs af projekter. En hukommelse kan ligge på selskabsniveau eller brugerniveau, fordi en måde at arbejde på kan tilhøre én person.

Hvorfor har en assistent brug for et?

Fordi jeres spørgsmål er kortere end jeres mening.

"Hvor meget fakturerede vi sidste måned?" indeholder fire beslutninger, assistenten skal træffe: hvilke dokumenttyper der tæller med, hvilket datofelt der afgør måneden, hvilket selskab eller hvilke selskaber, og om kreditnotaer trækker fra. Jeres økonomiafdeling afklarede dem for år tilbage og lægger ikke længere mærke til dem.

Uden et fælles lag træffer assistenten de fire beslutninger selv ved hvert spørgsmål. Den vil være konsekvent med sig selv og inkonsekvent med jer, og forskellen vil være lille nok til at overleve en gennemgang.

Hvorfor skal laget bygge sig selv?

Fordi et lag, der kræver et projekt, forbliver tomt.

Det er den del, den traditionelle tilgang tager fejl af. Det klassiske semantiske lag bliver bygget først: nogen modellerer begreberne, nogen andre validerer dem, og værktøjet bliver nyttigt til sidst. I en konsulentopgave tager det måneder, og virksomheder vil ikke betale for det, før de har set en værdi.

Så rækkefølgen skal vendes om. Assistenten skal være nyttig på dag ét og skrive laget som et biprodukt af at blive brugt.

Arbejdsgangen ser sådan ud:

1. Den lægger mærke til noget. Når noget bliver afklaret i en samtale, skriver assistenten en post. I rettede et tal. I sagde, hvad et begreb betyder. Den fandt ud af, hvilken tabel der faktisk indeholder svaret.
2. En anden agent kontrollerer den. En mindre model læser den samtale, der skabte posten, inklusive de forespørgsler, der kørte, og de nærmeste poster. Den godkender, skriver den mere præcist om, erstatter en ældre post, den modsiger, eller afviser den med en begrundelse.
3. Den bliver taget i brug. Fra da af når posten frem til samtaler: ved navn, gennem det værktøj den hører til, eller efter betydning.
4. Den holder sig ærlig. Poster med en forespørgsel bliver kørt igen efter en plan. En, der holder op med at give data, bliver markeret forældet med begrundelsen.
5. I kan gribe ind. Hele laget er en liste. Læs den, sortér efter hvor tit hver post er brugt, redigér, slet eller tilføj i hånden.

Ingen skriver den første post. Det er kravet, ikke en funktion.

Hvem godkender en post?

Som standard den kontrollerende agent, som udgiver den og orienterer administratorerne.

Et selskab kan skifte politikken til menneskelig gennemgang. En post på selskabsniveau venter så som en anbefaling, indtil en administrator bekræfter den. Hukommelser på brugerniveau er ikke berørt.

Grunden til, at den anden agent er standarden, er, at alternativet ikke sker. En kø, der kræver et menneske, er en kø, der vokser. En kontrol udført af en model, som et menneske kan efterprøve bagefter, giver et lag, der findes.

Hvordan når en post frem til en samtale?

Fire veje, og forskellen betyder noget for, hvordan laget opfører sig, når det vokser.

Ved navn. Et begreb kommer med i fuld længde, når dets titel eller et udløsende nøgleord står i beskeden. Under den grænse ser assistenten en kort liste med titler og kan søge efter resten.

Gennem et værktøj. En post kan hæfte sig på et resultat. En regel om sagsposter kommer med ved den første forespørgsel på sagsposter og bliver på sessionen.

Efter betydning. Hukommelser bliver hentet med vektorsøgning efter hvert værktøjskald. Et tæt match kommer i fuld længde, et svagere som en titel, assistenten kan åbne.

Gennem forbindelsen. En post kan holdes til ét selskab, ét miljø eller hver forbindelse af en type, så en regel om en sandbox ikke følger med ind i produktion.

Kun ved navn holder ikke, når laget vokser, for ingen bruger den præcise titel. Kun efter betydning er uforudsigeligt. Der er brug for begge dele.

Hvad kan gå galt?

Laget lærer noget forkert. Det er derfor, gennemgangen findes, derfor en post kan afløses i stedet for at blive duplikeret, og derfor listen kan redigeres.

En definition bliver forældet. Et begreb, der var sandt før en ændring i kontoplanen, er nu forkert og stadig selvsikkert. At køre den gemte forespørgsel igen efter en plan fanger en god del af dem, for en definition, der holder op med at give data, er som regel en definition, der er holdt op med at være sand.

Laget bliver en anden sandhed. Det må det ikke. Posten gemmer, hvordan et tal beregnes ud fra jeres system. Den gemmer ikke tallet.

Genfindingen går ned. Kan indekset ikke nås, bør turen køre uden laget og ikke sige noget om det. Et ødelagt videnslag må aldrig ødelægge et svar.

Testen, der fortæller jer, om det virker

Stil assistenten det samme spørgsmål to gange med en måneds mellemrum og en rettelse imellem.

Kræver det andet svar den samme rettelse, findes der ikke noget lag. Gør det ikke, laver laget sit arbejde, og værdien vokser derfra.