Infonexs
工程基礎
AIHub 建立在我們團隊已設計並實際運行過的系統之上。以下每項基礎各自解決了問題的一部分:找到正確的來源、限制模型能輸出的內容,以及在本地與雲端之間分配處理工作。
技術概述:在示範 ERP 資料庫上建立的日常語言查詢層,涵蓋應收帳款、庫存、銷售與採購。
架構:唯讀資料庫角色、對應到資料表與欄位的業務詞彙表、執行前經解析並比對資料表結構的模型產生 SQL,以及完整的查詢與結果紀錄。
待驗證能力:在 200 題基準測試上的執行準確率與延遲,先以雲端模型測試,再以本地硬體上的開源模型測試。
狀態:基準測試結果將公布於本頁。
技術概述:為一家教育顧問服務部署的內容引擎,為經常變動的政策文件與院校資料建立索引。
架構:PostgreSQL + pgvector 檢索、連結到來源段落的草稿,以及發布前的顧問審批。
已驗證能力:在非結構化文件上準確檢索,每項輸出都能追溯到來源。
延續到 AIHub:成為採購規則、SOP 與會計政策的制度與文件層。
技術概述:為一個語言培訓平台部署的自適應題目生成器。
架構:模型輸出在送到學員之前,會先比對明確的規則庫與知識圖譜。
已驗證能力:以模型之外定義的規則限制模型輸出。
延續到 AIHub:成為 SQL 校驗層,產生的查詢必須通過資料表結構與政策檢查才會執行。
技術概述:為一款已上線的消費類行動 App 打造的影像處理流程。
架構:先在裝置端處理;較重的工作轉到以 Cloudflare 為基礎的雲端服務。
已驗證能力:在邊緣與雲端之間分配 AI 工作負載,以控制延遲與成本。
延續到 AIHub:在客戶硬體上的本地模型與雲端模型之間分流。
我們的設計原則
資料庫始終是唯一可信的來源。AI 撰寫查詢、草擬動作;你的系統計算結果,你的團隊批准變更。— Infonexs