Fortune Cookie

Fortune Cookie funciona con una interfaz de chat, así que los empleados interactúan con él como si escribieran a un compañero. Desde esa única ventana pueden realizar tareas, buscar datos, lanzar consultas, recibir alertas y generar contenido en muchas aplicaciones empresariales. La seguridad está en el centro del diseño. Eso importa cuando el asistente lee registros de nómina, ventas y RR. HH.

En lugar de imponer un solo modelo a cada cliente, la plataforma deja que los equipos implementen modelos de lenguaje grandes personalizados y elijan el que encaje con sus necesidades. RandomWalk lo plantea como una forma de mantener el sistema eficiente y rentable. Un modelo ligero se encarga de las consultas rutinarias y los más pesados asumen el análisis complejo. Se elige por tarea, no por empresa.

El asistente analiza grandes conjuntos de datos para sacar patrones que apoyan la toma de decisiones. Se conecta a herramientas de visualización mediante IA generativa, así que el resultado es más que texto. Haz una pregunta y recibes un gráfico o un panel. Nada de un muro de números por descifrar. Los datos en silos son el enemigo aquí. La herramienta también convierte tablas en bruto en vistas que un gerente puede leer de verdad.

Los datos aislados son el problema que Fortune Cookie busca resolver. Transforma fuentes dispersas en grafos de conocimiento semántico y bases de datos vectoriales, y así conecta registros que viven en sistemas distintos. Esa es la fontanería detrás de las respuestas precisas. Sin ella, la búsqueda solo devuelve ruido.

El asistente mejora la búsqueda en toda la organización para que la gente llegue a la información relevante sin saber exactamente dónde está. En vez de adivinar nombres de archivo o rutas de carpetas, describen lo que quieren. No hace falta aprender ninguna taxonomía de carpetas. Eso recorta el tiempo de búsqueda y mantiene el conocimiento accesible entre departamentos.

Fortune Cookie está construido sobre RAG. En palabras simples, el asistente recupera los datos relevantes de la empresa antes de responder, en lugar de apoyarse en lo que el modelo memorizó durante el entrenamiento. Combina una base de datos vectorial con un grafo de conocimiento. Las bases vectoriales gestionan búsquedas rápidas por similitud en grandes conjuntos de datos, algo que encaja con la búsqueda semántica y las recomendaciones. Los grafos de conocimiento revelan relaciones y dependencias, lo que ayuda al modelo a entender el contexto, como las líneas de reporte o cómo se agrega una métrica. ¿Y cómo se ve eso en la práctica? Pregunta por una métrica y el modelo la rastrea por el grafo antes de responder, en lugar de devolver una coincidencia suelta de palabras clave. Esa es la diferencia que cuenta en una organización grande.

La interfaz está diseñada en torno a seguimientos, resúmenes y vistas de datos. El objetivo es mejorar la experiencia del empleado en vez de volcarle datos en bruto. Para los equipos que lo despliegan a gran escala, un diseño de chat familiar reduce la carga de formación. La gente ya sabe escribir una pregunta. Nada que aprender.