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 céged tudását. Ami hiányzik: egy RAG-rendszer, amely a kettőt összeköti, és minden csatornán (telefon, chat, e-mail) elérhető.
KezdésRöviden
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 magadnak 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. 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, AI Act szerinti tájékoztatás. Aktiválás varázslóval.
A rinqóval egy MI-alapú tudásbázist kapsz többcsatornás kimenettel. Szervezetenként egy központi, RAG-alapú tudásbázis, amelyet PDF-ek, weboldal-bejárás, GYIK-listák és helpdesk-cikkek táplálnak; a REST API-val rendelkező rendszereket, mint a Confluence vagy a Notion, kapcsolatként kötöd be, az ügynök a beszélgetésben keres bennük. Minden csatornán elérhető: telefon (egy hívás visszaadja a választ a tudásbázisból), chat (widget function callinggal), e-mail (az ügynök jóváhagyásra terjeszti elő a szokásos megkeresésekre adott válaszokat) és a személyes ügynök (belső kérdés-felelet keresés az egész csapatnak), a marketing és a jövőbeli csatornák ugyanabból a bázisból merítenek. Hetzner DE tárhely.
Tartalom
Miért a 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, 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, minden 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 tudásbázisod 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 hozzáadod, 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 naptárban, leadet rögzít a CRM-ben, webhookot indít, emberhez eszkalál. Így a tudásbázis aktívvá válik (cselekszik) a passzív helyett (csak tájékoztat).
Előtte. Utána.
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 céged 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 varázslóval.
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), 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, négy bemeneti forrás jóváhagyással
A tudásbázis többféle bemenetet fogad el. Először weboldal-bejárás. Megadod a fődoméned URL-jét, a rinqo automatikusan bejárja az összes indexelhető oldalt, kinyeri a szöveget, és embeddingekké alakítja a saját üzemeltetésű vektoradatbázisban. Másodszor fájlfeltöltés. PDF-dokumentumokat, Word-dokumentumokat, Markdown-fájlokat, Excel-táblázatokat töltesz fel. A szöveget kinyerik és automatikusan embeddingelik. Működik helpdesk-cikkgyűjteményekhez, munkatársi kézikönyvekhez, termékdokumentációhoz, megfelelőségi irányelvekhez. Harmadszor harmadik féltől származó források. A REST API-val rendelkező rendszereket, mint a Confluence vagy a Notion, kapcsolatként kötöd be, az ügynök a beszélgetésben keres bennük; kérésre ezt mi beállítjuk. Negyedszer magából a munka mindennapjaiból. Ha valaki olyat kérdez a személyes ügynöktől, ami még nincs rögzítve, vagy egy ember megválaszol egy eszkalált megkeresést, a rinqo javaslatot tesz az új tudásblokkra. Fontos: egy javaslat nem lép automatikusan életbe. Egy kezelő személy jóváhagyja, és eldönti, a közös céges tudásba vagy az adott személy személyes tudásába kerüljön-e. Így a tudásbázis ellenőrzötten, a napi munkából növekszik, fáradságos karbantartás nélkül, és semmi sem kerül ellenőrizetlenül a válaszokba.
Többcsatornás kimenet, egy tudásbázis minden 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 minden 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, minden csatorna, semmi tudássiló.
Tudás kiosztása, minden ügynök csak azt látja, amit látnia kell
Az egy tudásbázis nem jelenti azt, hogy mindenki mindent lát. A rinqóban minden ügynöknek célzottan kiosztja, melyik tudásból válaszolhat. A weboldal chat-ügynöke a nyitvatartást, a szolgáltatásokat és az árakat kapja; az e-mail-ügynök emellett a reklamációs folyamatokat is; a belső HR-iratok, a beszerzési feltételek vagy a szerződések teljesen kívül maradnak. Így egy ügyféloldali ügynök csak azt válaszolja meg, ami az ügyfeleknek szól, és soha nem fér hozzá a belső dokumentumokhoz, az elválasztás strukturális, nem a prompt megfogalmazásának kérdése. A csapat személyes ügynöke fordítva hozzáférhet a belső tudáshoz, minden személy pedig ráadásul a saját személyes tudásához, amely senki más számára nem látható. A kiosztást az irányítópulton állítod be, és bármikor módosítod; egy változás azonnal hat minden csatornán, anélkül hogy a dokumentumokat kétszer kellene karbantartani.
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 hozzáadod (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.
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, ennek megfelelően ráfordításigényes. Harmadszor a generikus MI-chatek. Erősség: kiforrott LLM-válaszok. Gyengeség: nem ismerik a cég tudását (hacsak nem másolod 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).
Gyakori kérdések
Források
- 2024/1689 EU-rendelet (AI Act), 50. cikk
- GDPR 28. cikk, adatfeldolgozás
- EUB C-311/18 (Schrems II), harmadik országbeli adattovábbítás
Utoljára frissítve: 2026-09-05
Alapító, rinqo
A rinqo alapítója. Vállalati memóriát épít, amelyben egy szervezet tudása összefut és elérhető marad, és az abból dolgozó MI-ügynököket: telefonon, a postafiókban, a chatben, a marketingben és további szerepekben. Itt az MI vállalati bevezetéséről, az adatvédelemről és arról ír, ami a gyakorlatban megáll. Németországban fejlesztve, az EU-ban feldolgozva, USA-beli szolgáltatók nélkül.
Utoljára frissítve:
Élőben kipróbálom
Az ügynökhöz