Contexte : Intégration transparente de diverses sources de données, automatisation d'agents multirôles pour compléter différents scénarios de travail.

Introduction générale

Context Autopilot est un outil de productivité intelligent de Context conçu pour améliorer la productivité des équipes grâce à des intégrations approfondies et des bureaux automatisés. Grâce à Context-1, le premier moteur de contexte au monde, l'outil est capable de dériver des citations profondes et des informations inédites à partir des données des utilisateurs pour fournir des réponses précises. Avec la prise en charge de plus de 100 intégrations, Context Autopilot connecte de manière transparente les utilisateurs à une variété de sources de données pour les aider à générer et à éditer rapidement des documents professionnels, des présentations et des visualisations de données.

Context pense comme un être humain en fonction des différentes tâches de travail et convient à la génération automatisée de scénarios de travail professionnels tels que le conseil en entreprise, l'analyse financière, la visualisation de données, la rédaction de rapports d'entreprise, les présentations de projets, l'analyse de données et bien d'autres encore.

Liste des fonctions

• Des citations approfondies et des idées neuvesLes données de l'utilisateur : le moteur Context-1 permet d'extraire des citations profondes et des informations inédites des données de l'utilisateur.
• intégration des donnéesLe système de gestion des données de l'entreprise : il prend en charge plus de 100 intégrations de données et peut connecter les utilisateurs à diverses sources de données de manière transparente.
• Génération et édition de documentsLes documents professionnels : générez et éditez rapidement des documents professionnels, y compris des contrats, des rapports, etc.
• Génération et édition de présentationsLes logiciels d'aide à la décision : Générer et éditer rapidement des présentations professionnelles, qu'il s'agisse de présentations à des clients ou d'évaluations internes.
• Visualisation des donnéesLes compétences de l'équipe sont multiples : créer des visualisations de données et analyser de grands ensembles de données à l'aide de Python.
• commande en langage naturelLes services d'assistance à la clientèle : Construire et modifier des modèles financiers complexes et analyser les tendances des données à l'aide de commandes en langage naturel.

Utiliser l'aide

Processus d'installation

1. créer un compteCliquez sur le bouton "S'inscrire" dans le coin supérieur droit de la page et remplissez les informations nécessaires pour compléter l'inscription.
2. Télécharger le logicielUne fois l'inscription terminée, connectez-vous à votre compte et téléchargez le paquet d'installation de Context Autopilot.
3. Installation du logicielLancez le programme d'installation téléchargé et suivez les instructions pour terminer l'installation.

Processus d'utilisation

1. Connectez-vous à votre comptePour cela, ouvrez le logiciel Context Autopilot et connectez-vous en saisissant les informations du compte avec lequel vous vous êtes enregistré.
2. intégration des donnéesPour l'intégration des données : Sélectionnez l'option "Intégration des données" dans l'interface principale et suivez les instructions pour vous connecter aux sources de données qui doivent être intégrées.
3. Générer de la documentationSélectionnez la fonction "Génération de documents", entrez les informations pertinentes, le logiciel générera automatiquement des documents professionnels.
4. éditer un documentLe document généré peut être modifié et amélioré à l'aide des outils d'édition intégrés.
5. Création de présentationsSélectionnez la fonction "Génération de présentation", entrez les informations pertinentes, le logiciel générera automatiquement une présentation professionnelle.
6. Visualisation des donnéesVisualisation de données : Sélectionnez la fonction de visualisation de données pour créer des visualisations de données à l'aide du code Python afin d'analyser les tendances des données.
7. Utiliser des commandes en langage naturelDans l'interface "Commandes en langage naturel", vous pouvez saisir des commandes en langage naturel et le logiciel effectuera automatiquement les opérations correspondantes, telles que l'élaboration de modèles financiers et l'analyse des tendances des données.

Fonction Opération Déroulement

1. Des citations approfondies et des idées neuvesSélectionnez la fonction "Devis approfondi" dans l'interface principale, entrez les données à analyser et le logiciel extraira automatiquement des devis approfondis et des informations inédites.
2. intégration des donnéesDans l'interface "Intégration de données", sélectionnez la source de données à intégrer et suivez les instructions pour terminer la connexion.
3. Génération et édition de documentsDans l'interface "Génération de documents", entrez les informations pertinentes, le logiciel générera automatiquement des documents. Après la génération, vous pouvez utiliser les outils d'édition intégrés pour modifier et améliorer les documents.
4. Génération et édition de présentationsDans l'écran "Génération de la présentation", saisissez les informations pertinentes et le logiciel génère automatiquement une présentation. Une fois la présentation générée, vous pouvez utiliser les outils d'édition intégrés pour la modifier et l'améliorer.
5. Visualisation des donnéesDans l'écran "Visualisation des données", entrez le code Python et le logiciel générera automatiquement un graphique de visualisation des données.
6. commande en langage naturelDans l'interface "Commandes en langage naturel", vous pouvez saisir des commandes en langage naturel et le logiciel effectuera automatiquement les opérations correspondantes, telles que l'élaboration de modèles financiers et l'analyse des tendances des données.

Introduction du pilote automatique contextuel

existentContexteNous avons le plaisir de vous présenterPilote automatique - Une suite d'IA pour la productivité qui apprend comme vous, pense comme vous et utilise des outils comme vous.moteur contextuelFournit un support conçu pour s'intégrer de manière transparente à vos flux de travail existants et est capable de traiter la plupart des tâches d'information actuelles.

Des outils pour repenser l'intelligence artificielle

Les grands modèles linguistiques (LLM) devenant plus intelligents, les outils que nous utilisons doivent évoluer avec eux. Les logiciels ont traditionnellement été conçus pour être utilisés par l'homme - une tradition qui remonte aux années 1970. Ce paradigme est en train de changer et l'avenir est centré sur la générativité. Les solutions actuelles sont souvent incrémentales, non interprétables ou nécessitent des changements dans le flux de travail, ce qui limite leur adoption et leur utilité.

Systèmes d'exploitation basés sur LLM

Autopilot relève ces défis en fournissant un système d'exploitation basé sur LLM où les modèles deviennent les principaux coordinateurs et raisonneurs, travaillant de concert avec notre moteur contextuel. Il dissocie les modèles en leur fournissant des outils dédiés et des contextes rares, ce qui leur permet d'analyser les organisations et de penser davantage comme des humains.

Autopilot dispose de son propre espace de travail avec des connexions directes à des services tels que Drive et Sharepoint, des canaux de communication tels que Slack et Email, ainsi que des documents clients, des notes personnelles et des bases de données externes.

Intégration transparente avec les flux de travail existants

Autopilot construit des projets en utilisant les mêmes outils que vous. Les applications Autopilot sont conçues pour être autonomes et prendre en charge à la fois les opérations directes et les flux de travail complexes en plusieurs étapes.

Cela permet à l'IA d'acquérir les connaissances dont les humains ont besoin pour une compréhension et une interaction significatives. L'Autopilot est capable de collaborer activement avec l'utilisateur, en lui demandant ses préférences et des informations, en obtenant un retour d'information et en exécutant des tâches en parallèle, tout en lui permettant de se concentrer sur ce qui compte le plus.

Il permet une collaboration continue entre l'homme et la machine grâce à des rapports en temps réel sur les progrès réalisés. Lorsqu'il est confronté à des défis complexes, Autopilot peut se répliquer, formant des groupes d'agents collaboratifs concentrés sur un objectif commun. Cela permet de déléguer des tâches et de les exécuter efficacement, à l'instar d'une équipe bien coordonnée.

Piles de mémoire : le moteur de contexte

Tout cela est réalisé par les piles de mémoire de l'AutopiloteMis en œuvre, il va au-delà de l'espace de travail partagé pour assurer la cohérence entre le système de fichiers et l'entrée. Il prend en charge la réflexion continue et l'itération en sortie - c'est le moteur de contexte.

Moteurs contextuels : un nouveau paradigme

Le moteur contextuel permet au modèle de raisonner sur une grande quantité de connaissances et de les comprendre réellement. C'est pourquoi Autopilot est capable de planifier, de raisonner et d'exécuter des tâches qui nécessitent des centaines d'étapes.

Génération améliorée par la recherche (RAG) est fondamentalement limité par l'architecture de recherche et ne peut s'adapter qu'à une petite quantité de données sémantiquement similaires. En revanche, le moteur contextuel d'Autopilot permet à un grand nombre d'agents de parcourir en permanence votre base de connaissances, en suivant de nouveaux chemins, en découvrant des connexions et en découvrant des informations. En distillant des milliers d'interactions, nous pouvons fournir une intelligence de pointe à travers de grands contextes sans la dégradation des performances associée aux modèles de contexte longs.

Les contextes sont dynamiques, ils apprennent et corrigent les erreurs au fil du temps. Autopilot surveille en permanence les informations reçues et s'affine de manière autonome en interrogeant des sources de données externes. Cela permet une compréhension approfondie des tâches et l'acquisition de compétences - Autopilot peut être formé à l'ensemble d'instructions de votre choix, comme n'importe quel employé.

Évaluation des technologies : analyse comparative du moteur contextuel

Pour évaluer l'efficacité de notre moteur contextuel, nous l'avons comparé à d'autres modèles de frontières et à des implémentations de RAG à l'aide de deux points de référence complets :

• CASQUE: :Comment évaluer les modèles linguistiques en contexte long de manière efficace et approfondie ?(Yen et al., 2024)
• LOFT: :Analyse comparative des frontières dans un contexte long.introduite en"Les modèles linguistiques en contexte long peuvent-ils inclure la récupération, RAG, SQL, etc.(Lee et al., 2024)

Limites des critères de référence traditionnels

Le test populaire de l'"aiguille dans une botte de foin" évalue la capacité d'un modèle à localiser des informations spécifiques dans une longue fenêtre contextuelle. Cependant, presque tous les modèles sont saturés et ont peu de corrélation avec les performances dans le monde réel. HELMET améliore de manière significative les critères de référence existants pour les contextes longs et remédie aux lacunes d'autres critères de référence populaires tels que RULER.

Résultats de l'évaluation comparative du programme HELMET

Figure 1Démonstration de LCLM de pointe (Llama-3.1 8B/70B, GPT-4omini, GPT-4o-08-06 et Gemini-1.5 Flash/Pro) à 128k unités. jeton Résultats de l'analyse comparative en contexte long à la longueur de l'entrée. Une tendance inattendue se dégage : la Llama 8B surpasse la Llama 70B sur RULER, tandis que la Llama 70B est plus performante sur RULER que la Llama 70B. Gémeaux De même, le Llama 8B surpasse le Llama 70B sur InfiniteBench, et le Gemini 1.5 Flash surpasse le Gemini 1.5 Pro sur Needle in a Haystack. D'autre part, HELMET classe ces modèles pionniers de manière plus cohérente.

Figure 2Comparaison des tests de contexte long ZeroSCROLLS, LongBench, L-Eval, RULER, ∞BENCH et HELMET. HELMET comporte sept catégories de tâches différentes avec une faible corrélation entre elles. Il prend en charge l'évaluation de fenêtres contextuelles d'une taille supérieure à 128k tokens ; cependant, le référentiel officiel prend actuellement en charge l'évaluation de contextes d'une taille allant jusqu'à 128k tokens. C'est pourquoi nous utilisons LOFT pour évaluer les performances pour des contextes de plus grande taille (notamment 1 million de tokens).

Méthodologie d'évaluation

Nous avons évalué cela à l'aide des paramètres suivants :

• casques: Exécution sur un sous-ensemble aléatoire de 15 % de l'ensemble de l'étude de référence.
  • Types de tâches et d'indicateurs: :
    • RAG: Correspondance exacte de la sous-chaîne
    • Réorganisation des paragraphesNDCG@10 (gain cumulatif actualisé normalisé)
    • Génération avec citations: Souvenirs/citations
    • Documentation longue AQBasé sur un modèle/ROUGE F1/précision
    • résumés: Basé sur un modèle
    • Apprentissage contextualisé à plusieurs échantillonsPrécision : Précision
    • Rappel complet: Correspondance exacte de la sous-chaîne
• LOFT: Exécution d'un sous-ensemble aléatoire de 30 % des trois tâches.
  • Types de tâches et d'indicateurs: :
    • RAG: Correspondance exacte entre les sous-périmètres
    • recherche de texte: Recall@1
    • SQLPrécision : Précision

Nous avons omis la tâche d'apprentissage contextuel multi-caméras parce qu'il n'y a pas d'ensemble de données disponible dans le dépôt officiel pour tester la taille de contexte de 1 million de jetons. Nous avons également omis les tâches d'extraction audio et d'extraction visuelle. Tous les modèles utilisés dans ces évaluations sont les dernières versions disponibles au moment de la rédaction.

Résultats de l'étalonnage

Notre évaluation montre que le moteur contextuel d'Autopilot est le plus performant dans des tests de référence tels que HELMET et qu'il surpasse GraphRAG en utilisant des modèles de frontière. En raisonnant sur l'ensemble des connaissances et en les comprenant véritablement, Autopilot transcende les limites des architectures RAG traditionnelles.