MI-alapú tudásbázis vállalatoknak.
RAG-rendszer Németországból, minden csatornán elérhető.
A tudás mindenhol ott van: PDF-ekben, wikikben, Word-dokumentumokban, GYIK-listákban, régi e-mailekben. A munkatársaknak és az ügyfeleknek kézzel kell rákeresniük. A klasszikus tudásmenedzsment-eszközök keresőeszközök: találatokat mutatnak, de nem válaszolnak. A generatív MI, mint a ChatGPT, tud válaszolni, de nem ismeri a cége tudását. Ami hiányzik: egy RAG-rendszer, amely a kettőt összeköti, és minden csatornán (telefon, chat, e-mail) elérhető.
A RAG (Retrieval Augmented Generation) a vállalati MI-tudásbázisok bevett architektúrája: a dokumentumok vektor-embeddingekké alakulnak, és egy vektoradatbázisban tárolódnak. Egy lekérdezésnél a rendszer megkeresi a legrelevánsabb részleteket, és kontextusként átadja egy LLM-nek, amely ebből választ generál. Előny a klasszikus keresőeszközökkel szemben: természetes nyelvű válasz linklista helyett. Előny a generikus MI-vel szemben: a cégre szabott tudás az általános tudás helyett. De egy RAG-rendszert magának megépíteni testreszabott vállalati fejlesztés: vektoradatbázis licencelése (amerikai felhőszolgáltatás vagy saját üzemeltetés), az LLM-integráció beállítása, az embedding-pipeline felépítése, a chunking-stratégia megválasztása, re-ranking-modell alkalmazása, megfelelőségi réteg építése a GDPR-hoz/AI Acthoz. Időigény: 2-6 hónap testreszabott megvalósítás. Ár: ötszámjegyű kiépítés plusz négyszámjegyű havi felhőköltségek. Egy DACH-régiós kkv számára nem fér bele a keretbe. A rinqo architektúrája ezt megoldja: a tudásmenedzsment gyárilag benne van a termékben, saját üzemeltetésű vektoradatbázis a Hetznernél Németországban, MI-modellek szerződésben garantált EU-n belüli adatkezeléssel (EU Data Boundary), AI Act szerinti tájékoztatás. Aktiválás 10 perc alatt varázslóval.
A rinqo egy MI-alapú tudásbázis többcsatornás kimenettel. Szervezetenként egy központi, RAG-alapú tudásbázis, amelyet PDF-ek, weboldal-bejárás, GYIK-listák és helpdesk-cikkek táplálnak; a további forrásokat, mint a Confluence, a Notion vagy a SharePoint, kérésre kötjük be. Négy csatornán érhető el: telefon (egy hívás visszaadja a választ a tudásbázisból), chat (widget function callinggal), e-mail (autonóm rendezőügynök válaszol a szokásos megkeresésekre) és személyes ügynök (belső kérdés-felelet keresés az egész csapatnak). Hetzner DE tárhely, havi 99 € nettótól átalánydíjjal.
MI-alapú tudásbázis kipróbálásaWarum rinqo?
RAG gyárilag, testreszabott fejlesztés helyett
Klasszikus RAG-megvalósítás: 2-6 hónap testreszabott fejlesztés vektoradatbázis-licenccel, LLM-beállítással, embedding-pipeline-nal, chunkinggal, re-rankinggal, megfelelőséggel. rinqo: varázslós beállítás 10 perc alatt, saját üzemeltetésű vektoradatbázis, MI-szolgáltatás EU-n belüli adatkezeléssel, AI Act szerinti tájékoztatás alapból beépítve.
Többcsatornás kimenet külön integráció nélkül
A klasszikus tudásbázis-eszközök webes felületek. A rinqo ugyanazt a tudásbázist telefonon, chat-widgeten, e-mail-rendezésen és a személyes ügynökön keresztül teszi elérhetővé, külön csatornaintegrációk nélkül. Egy tudásbázis, négy csatorna.
Hetzner DE amerikai felhős vektoradatbázis helyett
Az elterjedt vektoradatbázis-szolgáltatások amerikai régiókban tárolnak. A rinqo maga üzemelteti a vektoradatbázist a Hetzner Falkenstein/Nürnberg helyszínein — a tudásbázisa nem egy amerikai felhős vektorszolgáltatónál van, hanem az EU-ban. Adatfeldolgozási szerződés automatikusan a szerződéskötéskor.
Tudáshézag-feloldás folyamatos tanulással
Ha az MI nem tud megválaszolni egy megkeresést, a hézag megjelenik az irányítópulton. A választ egy perc alatt hozzáadja, és legközelebb az MI már válaszolni tud. A tudásbázis valódi ügyfélmegkeresésekből növekszik, nem elméleti GYIK-karbantartásból.
AI Act 50. cikk szerinti tájékoztatás alapból
Minden MI által generált válasznál: tájékoztató jelzés (hangbemondás, chat-jelvény, e-mail-lábléc). 2026.08.02-től kötelező, a rinqónál alapértelmezett. A klasszikus, testreszabott RAG-megvalósításoknál a tájékoztatást kézzel kell beépíteni.
Function calling a strukturált válaszokért
Nem csak szöveges válaszok: az MI függvényeket is meghívhat — időpontot foglal a Cal.comon, leadet rögzít a CRM-ben, webhookot indít, emberhez eszkalál. Így a tudásbázis aktívvá válik (cselekszik) a passzív helyett (csak tájékoztat).
Vorher. Nachher.
Klasszikus lehetőségek a vállalati tudásmenedzsmenthez: (1) wiki- és dokumentumeszközök, webes kereső felület, MI-válasz nélkül, többcsatornás elérhetőség nélkül. (2) testreszabott RAG-megvalósítás, 2-6 hónap fejlesztés, ötszámjegyű kiépítési költség, amerikai felhős vektoradatbázis, kézi GDPR-megfelelőség. (3) generikus MI-chatek, nem ismerik a cége tudását, kitalált válaszokat adnak (hallucinációk).
rinqo (DE, Hetzner): RAG-rendszer gyárilag, saját üzemeltetésű, németországi vektoradatbázissal, EU-n belüli adatkezelésű MI-modellekkel, AI Act szintű megoldással. Többcsatornás kimenet: telefon + chat + e-mail + személyes ügynök. Tudáshézag-feloldás a folyamatos tanuláshoz. Beállítás 10 perc alatt varázslóval. Átalánydíj havi 99 € nettótól, ötszámjegyű testreszabott kiépítés helyett.
Mi az MI-alapú tudásbázis? A RAG vállalatoknak, elmagyarázva
A RAG (Retrieval Augmented Generation) a vezető architektúra az MI-tudásbázisokhoz. Három lépés: először a dokumentumok szemantikus vektor-embeddingekké alakulnak (embedding-modellel), és egy vektoradatbázisban tárolódnak. A rinqo maga üzemelteti a vektoradatbázist a Hetznernél Németországban. Másodszor egy lekérdezésnél a rendszer kiszámítja a kérdés vektor-embeddingjét, és megkeresi a leghasonlóbb dokumentumrészleteket az adatbázisban, jellemzően az 5 legjobb találatot. Harmadszor a megtalált részleteket kontextusként átadja egy LLM-nek (a rinqónál szerződésben garantált EU-n belüli adatkezeléssel, EU Data Boundary), amely ebből természetes nyelvű választ generál. Előny: a cégre szabott tudás az általános tudás helyett, természetes nyelvű válasz linklista helyett. Kompromisszum: jó minőségű tudásbázis-tartalmat és tiszta chunkingot igényel. A rinqo a chunkingot és a re-rankinget alapból a DACH-régiós kkv-tudásbázisokra kalibrálta (100-500 szavas helpdesk-cikkek, GYIK-listákkal és PDF-dokumentumokkal vegyítve).
Hogyan épül fel a rinqo tudásbázisa, három bemeneti forrás
A rinqo háromféle tudásbázis-bemenetet fogad el. Először weboldal-bejárás. Megadja a fődoménje URL-jét, a rinqo automatikusan bejárja az összes indexelhető oldalt (DACH-régiós kkv-nál jellemzően 50-500 oldal), kinyeri a szöveget, és embeddingekké alakítja a saját üzemeltetésű vektoradatbázisban. Ráfordítás 5-15 perc az oldalak számától függően. Másodszor fájlfeltöltés. PDF-dokumentumokat, Word-dokumentumokat, Markdown-fájlokat, Excel-táblázatokat tölt fel. A rinqo a szöveget az elrendezés megértésével nyeri ki (címsorok, táblázatok, listák), és automatikusan embeddingeli. Működik helpdesk-cikkgyűjteményekhez, munkatársi kézikönyvekhez, termékdokumentációhoz, megfelelőségi irányelvekhez. Harmadszor harmadik féltől származó források. Az olyan eszközök tartalmát, mint a Confluence, a Notion, a SharePoint, a Google Drive vagy a Zendesk, kérésre kötjük be; a beállítást mi végezzük, jellemzően néhány nap alatt.
Többcsatornás kimenet, egy tudásbázis négy csatornához
A klasszikus tudásmenedzsment-eszközök webes felületek: a munkatársaknak és az ügyfeleknek meg kell nyitniuk az appot, keresniük, olvasniuk kell. Telefonhívásoknál, chat-megkereséseknél vagy e-maileknél a tudást a csapat valamely tagjának kézzel kell előhívnia. A rinqo ezt megfordítja: ugyanazt a tudásbázist négy csatornán játssza ki. Telefoncsatorna: az MI-telefonügynök felveszi a hívást, keres a tudásbázisban, hangban válaszol (beszédszintézis egy német szolgáltatón keresztül, EU-ban tárolva). Chatcsatorna: webes widget ugyanazzal a tudásbázissal. E-mail-csatorna: autonóm rendezőügynök IMAP-on kapcsolódik a postafiókhoz, megválaszolja a tudásbázisban szereplő megkereséseket, az összetett leveleket eszkalálja. Személyes ügynök: közvetlen kérdés-felelet keresés az egész csapatnak (pl. a betegjelentési munkafolyamat dokumentációjához), minden válasznál forrásmegjelöléssel. Egy tudásbázis, négy csatorna, semmi tudássiló.
Tudáshézag-feloldás, a tudásbázis valódi megkeresésekből tanul
A klasszikus RAG-rendszereknek van egy jellemző problémájuk: a tudásbázis kezdetben hiányos. A munkatársak és az ügyfelek olyan kérdéseket tesznek fel, amelyeket a tudásbázis nem fed le. A klasszikus rendszerek ilyenkor hibaüzenettel válaszolnak, vagy ami rosszabb, hallucinálnak. A rinqónak van egy folyamatos tanulási hurka. 1. lépés: egy megválaszolhatatlan megkeresésnél az MI őszintén emberhez eszkalál, ÉS strukturáltan rögzíti a hézagot az irányítópulton. 2. lépés: az összes nyitott tudáshézagot gyakoriság szerint rendezve látja. 3. lépés: a választ 30 másodperc alatt hozzáadja (lehet GYIK-bejegyzés, kiegészített dokumentációrészlet vagy új tudásfájl). 4. lépés: a következő azonos vagy hasonló megkeresés automatikusan megválaszolódik. A tudásbázis valódi ügyfélmegkeresésekből növekszik, nem elméleti GYIK-karbantartásból. Hatás: a találati arány a jellemző 60-70 százalékról az 1. héten 90-95 százalékra emelkedik a 4-6. hétre.
rinqo vs. klasszikus tudásmenedzsment-eszközök, az összehasonlítás
Három lehetőséget vet össze a DACH-régiós kkv 2026-ban a tudásmenedzsmenthez. Először a klasszikus wiki- és tudásbázis-eszközök. Erősség: kiforrott szerkesztői felületek, verziózás, jogosultságok, csapatmunka. Gyengeség: csak webes felület, MI-válasz nélkül, többcsatornás elérhetőség nélkül. Ár jellemzően 8-15 € / fő / hó, de MI-réteg nélkül. Másodszor a testreszabott RAG-megvalósítás. Erősség: maximális rugalmasság az architektúrában és az integrációkban. Gyengeség: 2-6 hónap fejlesztés, ötszámjegyű kiépítési költség, felhős adatbázis-licencek, kézi GDPR-/AI Act-megfelelőség. Egy DACH-régiós kkv számára nem fér bele a keretbe. Harmadszor a generikus MI-chatek. Erősség: kiforrott LLM-válaszok. Gyengeség: nem ismerik a cég tudását (hacsak nem másolja be kézzel a kontextust), hallucinálnak a konkrét megkereséseknél, gyakran amerikai felhős tárhely. A rinqo egyesíti a három előnyt: karbantartott tudásbázis alapszintű szerkesztői funkciókkal, plusz RAG-válaszok, plusz GDPR/EU-tárhely (Németországban készült), gyárilag havi 99 €-tól átalánydíjjal.
Gyakori kérdések
Források
- 2024/1689 EU-rendelet (AI Act), 50. cikk
- GDPR 28. cikk, adatfeldolgozás
- EUB C-311/18 (Cloud Act-kitettség), harmadik országbeli adattovábbítás
Utoljára frissítve: 2026-05-09
Alapító és CEO, rinqo
Sven egy egyszerű megfigyelésből építi a rinqót: a legtöbb mesterséges intelligencián alapuló eszközt San Franciscóban tervezik és Berlinben árulják. A Fekete-erdőben működő műhely, a salzburgi állatorvosi rendelő, a tiroli családi hotel olyan szoftvert kap, amely nem beszéli a nyelvüket. A rinqo ezt fordítja meg. Európai szervereken, tíz perc alatt beállítva, húsz nyelven. Olyan sablonokkal, amelyek magából a szakmából származnak.
Utoljára frissítve:
Élőben kipróbálom
Az ügynökhöz