Fortune Cookie

O Fortune Cookie funciona por uma interface de chat, então os funcionários interagem com ele como se mandassem mensagem a um colega. Nessa única janela, eles realizam tarefas, buscam dados, rodam consultas, recebem alertas e geram conteúdo em muitos aplicativos corporativos. A segurança está no centro do projeto. Isso importa quando o assistente lê registros de folha de pagamento, vendas e RH.

Em vez de impor um único modelo a cada cliente, a plataforma deixa as equipes implementarem modelos de linguagem grandes personalizados e escolherem o que atende às suas necessidades. A RandomWalk apresenta isso como uma forma de manter o sistema eficiente e econômico. Um modelo leve cuida das consultas rotineiras e os mais pesados assumem a análise complexa. Escolhe-se por tarefa, não por empresa.

O assistente analisa grandes conjuntos de dados para revelar padrões que apoiam a tomada de decisão. Ele se integra a ferramentas de visualização por IA generativa, então o resultado é mais que texto. Faça uma pergunta e receba um gráfico ou um painel. Nada de uma parede de números para decifrar. Dados em silos são o inimigo aqui. A ferramenta também transforma tabelas brutas em visões que um gerente consegue ler de verdade.

Dados isolados são o problema que o Fortune Cookie quer resolver. Ele transforma fontes espalhadas em grafos de conhecimento semântico e bancos de dados vetoriais, e é assim que conecta registros que vivem em sistemas diferentes. Essa é a encanação por trás das respostas precisas. Sem ela, a busca só devolve ruído.

O assistente melhora a busca em toda a organização para que as pessoas cheguem à informação relevante sem saber exatamente onde ela está. Em vez de adivinhar nomes de arquivo ou caminhos de pasta, elas descrevem o que querem. Não é preciso aprender nenhuma taxonomia de pastas. Isso encurta o tempo de procura e mantém o conhecimento acessível entre departamentos.

O Fortune Cookie é construído sobre RAG. Em termos simples, o assistente busca os dados relevantes da empresa antes de responder, em vez de confiar no que o modelo memorizou durante o treinamento. Ele combina um banco de dados vetorial com um grafo de conhecimento. Os bancos vetoriais cuidam de buscas rápidas por similaridade em grandes conjuntos de dados, o que serve para busca semântica e recomendações. Os grafos de conhecimento revelam relações e dependências, o que ajuda o modelo a entender o contexto, como linhas de reporte ou como uma métrica se acumula. E como isso aparece na prática? Pergunte por uma métrica e o modelo a rastreia pelo grafo antes de responder, em vez de devolver uma correspondência solta de palavras-chave. Essa é a diferença que conta numa organização grande.

A interface é desenhada em torno de follow-ups, resumos e visões de dados. O objetivo é melhorar a experiência do funcionário em vez de despejar dados brutos nele. Para equipes que implantam isso em larga escala, um layout de chat familiar reduz a carga de treinamento. As pessoas já sabem digitar uma pergunta. Nada para aprender.