Blog /AI

Integracja AI z tworzeniem treści w Drupalu sprawdza się dobrze w przypadku pól tekstowych, ale mapowanie taksonomii pozostaje poważnym wyzwaniem. AI wyodrębnia pojęcia przy użyciu języka naturalnego, podczas gdy taksonomie w Drupalu wymagają dokładnie zdefiniowanych terminów i te dwa światy rzadko się pokrywają. W tym artykule wyjaśniamy, dlaczego popularne podejścia, takie jak dopasowanie tekstu i mapowanie słów kluczowych, zawodzą, oraz przedstawiamy wstrzykiwanie kontekstu jako sprawdzoną produkcyjnie metodę, która wykorzystuje semantyczne możliwości AI do bezpośredniego wybierania właściwych terminów taksonomii z poziomu promptu.

Jakość ekstrakcji danych z PDF bezpośrednio determinuje dokładność AI. Budując system przetwarzania dokumentów BetterRegulation, odkryliśmy, że naiwna ekstrakcja marnuje 40-60% okna kontekstu na artefakty PDF. Po przetestowaniu ChatGPT API, tradycyjnych bibliotek Pythona i Unstructured.io osiągnęliśmy 30% redukcję tokenów i znacząco poprawiliśmy kategoryzację dokumentów. Oto czego się nauczyliśmy.

Wyszukiwanie informacji, pisanie treści, korekta, optymalizacja SEO, przygotowywanie tagów - to wszystko pochłania znaczną część czasu redakcji. A co, gdyby dużą część tych zadań mogła wykonać sztuczna inteligencja bezpośrednio w systemie Drupal? W artykule przedstawiam praktyczne rozwiązanie umożliwiające automatyczne wyszukiwanie informacji na podstawie tytułu, generowanie tagów, tworzenie treści i pobieranie szczegółowych danych. Wszystko to bezpośrednio w CMS-ie, bez konieczności przełączania się między różnymi narzędziami. Zapraszam do przeczytania wpisu lub obejrzenia odcinka z cyklu Nowoczesny Drupal.

Przetwarzanie dokumentów AI zmienia sposób zarządzania treścią w Drupalu. Dzięki integracji z AI Automators, Unstructured.io i modelami GPT, zespoły redakcyjne mogą zautomatyzować żmudne zadania jak ekstrakcja metadanych, dopasowywanie taksonomii i generowanie streszczeń. To case study pokazuje, jak BetterRegulation wdrożyło automatyzację dokumentów AI na platformie Drupal 11, osiągając ponad 95% dokładności i 50% oszczędności czasu pracy redakcyjnej.

Attu to potężne narzędzie, które znacznie upraszcza pracę z wektorową bazą danych Milvus. Zamiast pisać kod Python lub używać API, możesz zarządzać kolekcjami, wyszukiwać wektory i monitorować system za pomocą intuicyjnego interfejsu graficznego. Dzięki Attu praca z Milvus staje się dostępna nie tylko dla doświadczonych programistów, ale także dla analityków danych i osób zarządzających projektami AI.

Współczesne intranety firmowe przechowują ogromne ilości dokumentów, procedur, instrukcji i wiedzy organizacyjnej. Tradycyjne wyszukiwanie oparte na słowach kluczowych często zawodzi, gdy użytkownik szuka informacji, używając innych terminów niż te, które występują w dokumentach. Problem: pracownik szuka "jak skonfigurować dostęp do systemu płatności", ale dokument zawiera frazę "konfiguracja integracji płatniczej". Rozwiązanie: RAG (ang. Retrieval-Augmented Generation) z wektorową bazą danych, które umożliwia wyszukiwanie semantyczne. 

Wektorowe bazy danych (ang. Vector Databases) stały się kluczowym elementem nowoczesnych aplikacji AI w Drupalu. Dzięki integracji z modułem AI Search, umożliwiają one semantyczne wyszukiwanie treści, redukcję halucynacji w chatbotach AI oraz implementację zaawansowanych funkcji RAG (ang. Retrieval Augmented Generation). Wybór odpowiedniego dostawcy VDB może znacząco wpłynąć na wydajność, koszty i skalowalność rozwiązania AI w Twoim projekcie na Drupalu.