Contexto: integração perfeita de várias fontes de dados, automação de agentes com várias funções para completar o conteúdo de diferentes cenários de trabalho

Introdução geral

O Context Autopilot é uma ferramenta inteligente de produtividade de IA da Context, projetada para melhorar a produtividade da equipe por meio de integrações profundas e escritórios automatizados. Aproveitando o Context-1, o primeiro mecanismo de contexto do mundo, a ferramenta é capaz de obter citações profundas e novos insights dos dados dos usuários para fornecer respostas precisas. Com suporte para mais de 100 integrações, o Context Autopilot conecta perfeitamente os usuários a uma variedade de fontes de dados para ajudá-los a gerar e editar rapidamente documentos profissionais, apresentações e visualizações de dados.

O Context pensa como um ser humano de acordo com diferentes tarefas de trabalho e é adequado para a geração automatizada de cenários de trabalho profissional, como consultoria de negócios, análise financeira, visualização de dados, elaboração de relatórios corporativos, apresentações de projetos, análise de dados e muito mais.

Lista de funções

• Citações detalhadas e novas percepçõesAproveitamento do mecanismo Context-1 para extrair citações profundas e novos insights dos dados do usuário.
• integração de dadosSuporte a mais de 100 integrações de dados e pode conectar perfeitamente os usuários a uma variedade de fontes de dados.
• Geração e edição de documentosGeração e edição rápida de documentos profissionais, incluindo contratos, relatórios e muito mais.
• Geração e edição de apresentaçõesGeração e edição rápida de apresentações profissionais, desde apresentações para clientes até revisões internas.
• Visualização de dadosCrie visualizações de dados e analise grandes conjuntos de dados usando Python.
• comando de linguagem naturalConstruir e modificar modelos financeiros complexos e analisar tendências de dados por meio de comandos de linguagem natural.

Usando a Ajuda

Processo de instalação

1. registrar uma contaClique no botão "Register" (Registrar) no canto superior direito da página e preencha as informações relevantes para concluir o registro.
2. Download de softwareObservação: Após a conclusão do registro, faça login na sua conta e baixe o pacote de instalação do Context Autopilot.
3. Instalação do softwareExecute o pacote de instalação baixado e siga as instruções para concluir a instalação.

Processo de uso

1. Faça login em sua contaAbra o software Context Autopilot e faça login inserindo as informações da conta com as quais se registrou.
2. integração de dadosSelecione a opção "Data Integration" (Integração de dados) na interface principal e siga as instruções para se conectar às fontes de dados que precisam ser integradas.
3. Gerar documentaçãoSelecione a função "Document Generation" (Geração de documentos), insira as informações relevantes e o software gerará automaticamente documentos profissionais.
4. editar um documentoCom base no documento gerado, ele pode ser modificado e aprimorado usando as ferramentas de edição incorporadas.
5. Criação de apresentaçõesSelecione a função "Presentation Generation", insira as informações relevantes e o software gerará automaticamente uma apresentação profissional.
6. Visualização de dadosVisualização de dados: selecione o recurso Visualização de dados para criar visualizações de dados usando código Python para analisar tendências de dados.
7. Uso de comandos de linguagem naturalNa interface "Natural Language Commands", você pode inserir comandos em linguagem natural e o software executará automaticamente as operações correspondentes, como a criação de modelos financeiros e a análise de tendências de dados.

Função Fluxo de operação

1. Citações detalhadas e novas percepçõesSelecione a função "In-depth quote" (cotação detalhada) na interface principal, insira os dados a serem analisados e o software extrairá automaticamente cotações detalhadas e novos insights.
2. integração de dadosNa interface "Data Integration" (Integração de dados), selecione a fonte de dados a ser integrada e siga as instruções para concluir a conexão.
3. Geração e edição de documentosNa interface "Document Generation", insira as informações relevantes e o software gerará documentos automaticamente. Após a geração, você pode usar as ferramentas de edição incorporadas para modificar e melhorar.
4. Geração e edição de apresentaçõesNa tela "Presentation Generation", insira as informações relevantes e o software gerará automaticamente uma apresentação. Depois de gerada, você pode usar as ferramentas de edição incorporadas para modificá-la e aprimorá-la.
5. Visualização de dadosNa tela "Data Visualisation" (Visualização de dados), insira o código Python e o software gerará automaticamente um gráfico de visualização de dados.
6. comando de linguagem naturalNa interface "Natural Language Commands", você pode inserir comandos em linguagem natural e o software executará automaticamente as operações correspondentes, como a criação de modelos financeiros e a análise de tendências de dados.

Introdução do piloto automático de contexto

existirContextoTemos o prazer de apresentarPiloto automático - Uma suíte de produtividade com IA que aprende como você, pensa como você e usa ferramentas como você.mecanismo de contextoOferece suporte projetado para se integrar perfeitamente aos seus fluxos de trabalho existentes e é capaz de lidar com a maioria dos trabalhos de informação atuais.

Ferramentas para repensar a inteligência artificial

À medida que os modelos de linguagem grande (LLMs) ficam mais inteligentes, as ferramentas que usamos precisam evoluir com eles. Tradicionalmente, o software tem sido desenvolvido para a entrada humana - uma tradição que remonta à década de 1970. Esse paradigma está mudando, e o futuro está centrado na generatividade. As soluções atuais geralmente são incrementais, não interpretáveis ou exigem mudanças no fluxo de trabalho, o que limita sua adoção e utilidade.

Sistemas operacionais baseados em LLM

O Autopilot aborda esses desafios fornecendo um sistema operacional baseado em LLM em que os modelos se tornam os principais coordenadores e raciocinadores, trabalhando em conjunto com nosso mecanismo de contexto. Ele separa os modelos ao fornecer ferramentas dedicadas e contextos contextuais escassos, permitindo que eles analisem as organizações e pensem mais como seres humanos.

O Autopilot tem seu próprio espaço de trabalho com conexões diretas com serviços como o Drive e o Sharepoint, canais de comunicação como o Slack e o e-mail, além de documentos de clientes, anotações pessoais e bancos de dados externos.

Integração perfeita com fluxos de trabalho existentes

O Autopilot cria projetos usando as mesmas ferramentas que você usa. Os aplicativos do Autopilot são projetados para serem autônomos, suportando tanto operações de estado direto quanto fluxos de trabalho complexos de várias etapas.

Isso fornece à IA o conhecimento necessário que os humanos precisam para uma compreensão e interação significativas. O piloto automático é capaz de colaborar ativamente com o usuário, solicitando preferências e informações, obtendo feedback e executando tarefas em paralelo, permitindo que você se concentre no que é mais importante.

Ele permite a colaboração contínua entre homem e máquina por meio de relatórios de progresso em tempo real. Quando confrontado com desafios complexos, o Autopilot pode se replicar, formando grupos de agentes colaborativos focados em um objetivo comum. Isso permite que as tarefas sejam delegadas e executadas com eficiência, assim como uma equipe bem coordenada.

Pilhas de memória: alimentando o mecanismo de contexto

Tudo isso é feito pelas pilhas de memória do Autopilotimplementado, ele vai além do espaço de trabalho compartilhado para garantir a consistência entre o sistema de arquivos e a entrada. Ele oferece suporte à reflexão contínua e à iteração de saída - esse é o mecanismo de contexto.

Mecanismos de contexto: um novo paradigma

O Context Engine permite que o modelo raciocine sobre grandes quantidades de conhecimento e o compreenda de fato. É por isso que o Autopilot é capaz de planejar, raciocinar e executar tarefas que exigem centenas de etapas.

Geração aprimorada de pesquisa (RAG) é fundamentalmente limitado pela arquitetura de pesquisa e só pode ser dimensionado para uma pequena quantidade de dados semanticamente semelhantes. Em contrapartida, o mecanismo de contexto do Autopilot permite que um grande número de agentes percorra constantemente sua base de conhecimento, rastreando novos caminhos, descobrindo conexões e revelando percepções. Ao destilar milhares de interações, podemos fornecer inteligência de ponta em grandes contextos sem a degradação do desempenho associada a modelos de contexto longos.

Os contextos são dinâmicos, aprendendo e corrigindo erros ao longo do tempo. O Autopilot monitora constantemente as informações recebidas e se aperfeiçoa de forma autônoma consultando fontes de dados externas. Isso permite uma compreensão profunda da tarefa e a aquisição de habilidades - o Autopilot pode ser treinado no conjunto de instruções de sua escolha, como qualquer funcionário.

Avaliação de tecnologia: benchmarking do mecanismo de contexto

Para avaliar a eficácia do nosso mecanismo de contexto, nós o comparamos com outros modelos de fronteira e implementações de RAG usando dois benchmarks abrangentes:

• CAPACETE::Como avaliar modelos de linguagem de contexto longo de forma eficaz e completa(Yen et al., 2024)
• LOFT::Benchmarking de fronteira de contexto longo.introduzido em"Os modelos de linguagem de contexto longo podem incluir recuperação, RAG, SQL etc.?".(Lee et al., 2024)

Limitações dos benchmarks tradicionais

O popular teste "agulha em um palheiro" avalia a capacidade de um modelo de localizar informações específicas em uma longa janela de contexto. No entanto, quase todos os modelos estão saturados e têm pouca correlação com o desempenho no mundo real. O HELMET melhora significativamente os benchmarks de contexto longo existentes e aborda as deficiências de outros benchmarks populares, como o RULER.

Resultados de referência do HELMET

Figura 1Demonstração de LCLM de última geração (Llama-3.1 8B/70B, GPT-4omini, GPT-4o-08-06 e Gemini-1.5 Flash/Pro) em 128 mil unidades. token Resultados de benchmarking de contexto longo em comprimento de entrada. Surge uma tendência inesperada: o Llama 8B supera o Llama 70B no RULER, enquanto o Gêmeos Da mesma forma, o Llama 8B supera o Llama 70B no InfiniteBench, e o Gemini 1.5 Flash supera o Gemini 1.5 Pro no Needle in a Haystack. Por outro lado, o HELMET classifica esses modelos de ponta de forma mais consistente.

Figura 2Compara os benchmarks de contexto longo ZeroSCROLLS, LongBench, L-Eval, RULER, ∞BENCH e HELMET. O HELMET tem sete categorias de tarefas diferentes com baixa correlação entre elas. Ele oferece suporte à avaliação de tamanhos de janela de contexto maiores que 128 mil tokens; no entanto, o repositório oficial atualmente oferece suporte à avaliação de tamanhos de contexto de até 128 mil tokens. É por isso que usamos o LOFT para avaliar o desempenho de tamanhos de contexto maiores (especialmente 1 milhão de tokens).

Metodologia de avaliação

Avaliamos isso usando os seguintes parâmetros:

• capacetesExecução em um subconjunto aleatório de 15% de todo o benchmark.
  • Tipos de tarefas e indicadores::
    • RAGCorrespondência exata de substring
    • Reordenação de parágrafosNDCG@10 (ganho cumulativo descontado normalizado)
    • Geração com citações: Recordações/citações
    • Garantia de qualidade de documentação longaBaseado em modelo/ROUGE F1/precisão
    • resumosBaseado em modelos
    • Aprendizagem contextualizada em várias amostrasPrecisão
    • Recall abrangenteCorrespondência exata de substring
• LOFTExecução em um subconjunto aleatório de 30% das três tarefas.
  • Tipos de tarefas e indicadores::
    • RAG: correspondência exata de subespaço
    • pesquisa de texto: Recall@1
    • SQLPrecisão

Omitimos a tarefa de aprendizado de contexto com várias câmeras porque não há nenhum conjunto de dados disponível no repositório oficial para testar o tamanho do contexto de 1 milhão de tokens. Também ignoramos as tarefas de recuperação de áudio e recuperação visual. Todos os modelos usados nessas avaliações são as versões mais recentes disponíveis no momento da redação.

Resultados de benchmarking

Nossa avaliação mostra que o mecanismo de contexto do Autopilot é líder em benchmarks como o HELMET e supera o GraphRAG usando modelos de fronteira. Ao raciocinar e realmente compreender todo o corpo de conhecimento, o Autopilot transcende as limitações das arquiteturas RAG tradicionais.

O guia do leigo para começar a usar a IA

Ajuda você a aprender a utilizar as ferramentas de IA com baixo custo e a partir de uma base zero.A IA, assim como o software de escritório, é uma habilidade essencial para todos. Dominar a IA lhe dará uma vantagem em sua busca de emprego e metade do esforço em seu trabalho e estudos futuros.

Ver detalhes>