Nieuwe SAS Retrieval Agent Manager verandert ongestructureerde data meteen in relevante inzichten

Meer dan 80% van de bedrijfs­data bestaat uit een onge­struc­tu­reerd format zoals tekst en afbeel­dingen. Die enorme hoeveel­heid gegevens groeit bovendien met 50 tot 60% per jaar. Waarde halen uit deze infor­matie is dan één van de grootste uitda­gingen én kansen voor GenAI. Helaas slaagt de tech­no­logie er door een complexe, code-inten­sieve en inef­fi­ci­ënte aanpak niet altijd in om consis­tente en over­tui­gende resul­taten te leveren.

SAS lanceert daarom een oplossing die de bedrijfs­pro­duc­ti­vi­teit een boost geeft. SAS Retrieval Agent Manager (RAM) stroom­lijnt het proces dat onbe­werkte, onge­struc­tu­reerde data binnen een orga­ni­satie snel omzet in relevante antwoorden die het mogelijk maken betere beslis­singen te nemen.

RAM biedt een oplossing voor uitda­gingen die voor bedrijfs­lei­ders uit alle sectoren herken­baar zijn, zoals:

• Hoe breng je de kracht van GenAI en Large Language Models (LLM’s) op een snelle, schaal­bare en betrouw­bare manier naar je bedrijfsdata?

• Hoe integreer je AI – van chatbots tot meer verfijnde agents – in bestaande systemen?
  “SAS Retrieval Agent Manager vertaalt gefrag­men­teerde, onge­struc­tu­reerde infor­matie naar werkbare bedrijfs­kennis die geïn­for­meerde beslis­singen versnelt”, zegt Kathy Lange, Research Director voor AI en Auto­ma­ti­satie bij analy­se­be­drijf IDC. “Met behulp van GenAI en agentic AI biedt RAM een handige interface voor het bouwen en moder­ni­seren van orga­ni­sa­to­ri­sche processen zonder dat bestaande systemen moeten worden herzien.”

Van verzekeringen tot gezondheidszorg en manufacturing

RAM is een no-code oplossing, die is gebouwd op het Retrieval Augmented Gene­ra­tion (RAG)-framework. De tool verwerkt en evalueert onge­struc­tu­reerde docu­menten. Daarna worden de beste confi­gu­ra­ties gese­lec­teerd voor snelle inter­actie via een API of chatbot. RAM onder­steunt ook plug-and-play gebruik van GenAI-diensten zoals LLM’s en vector­da­ta­bases. Om complexe workflows te auto­ma­ti­seren, voegt de tool een agentic AI-laag toe.

In verschil­lende sectoren helpt RAM orga­ni­sa­ties om sneller beslis­singen te nemen op basis van onge­struc­tu­reerde data. RAM kan frau­de­teams bijvoor­beeld helpen om binnen enkele seconden verdachte patronen te detec­teren, waardoor onderzoek sneller verloopt en compli­ance versterkt. In de verze­ke­rings­sector kunnen schade-experts onmid­del­lijk infor­matie oproepen om snellere, eerlijke en regle­men­tair conforme uitbe­ta­lingen voor klanten te realiseren.

Contact­cen­ters kunnen dankzij RAM de wacht­tijden aanzien­lijk verkorten en tevens consis­tente antwoorden garan­deren. In de zorg­sector haalt RAM dan weer sneller inzichten uit onder meer pati­ën­ten­dos­siers en klinische proto­collen, waardoor adviezen en behan­de­lingen verbe­teren. En ook in de maak­in­du­strie heeft RAM veel poten­tieel, bijvoor­beeld door onderhoud te voor­spellen op basis van onge­struc­tu­reerde data zoals hand­lei­dingen, inspec­tie­rap­porten en e‑mails. Zo kunnen fabri­kanten de kern van een probleem sneller vast­stellen en de juiste oplossing bepalen. De tool haalt ook relevante onder­houds­info op en genereert duide­lijke opdrachten voor technici.

Betrouwbaarheid zit ingebakken in RAM

Via de agentic AI-laag gebruikt RAM de eigen data en docu­menten van een bedrijf om verzoeken te begrijpen, relevante antwoorden of aanbe­volen acties te tonen, en op trans­pa­rante wijze de bron­documenten en data te delen waarop antwoorden en aanbe­ve­lingen zijn gebaseerd. De SAS-oplossing gebruikt geen bedrijfs­data om een LLM te trainen, maar houdt de data en LLM volledig gescheiden. Zo ontstaat een kennis­dienst die bedrijfs­ge­ge­vens en de LLM op het juiste moment samen­brengt om een relevant en tijdig antwoord te genereren.

“SAS Retrieval Agent Manager kan opschalen naar zeer grote datavo­lumes die continu worden bijge­werkt”, zegt Jason Mann, VP IoT bij SAS. “RAM maakt het voor een bedrijf eenvou­diger om tech­no­lo­gieën zoals chatbots en conver­sa­ti­onal AI toe te passen op de eigen kennis­basis, maar ook om GenAI-gestuurde kennis­dien­sten te inte­greren in bestaande toepas­singen via robuuste API’s, en om de ontwik­ke­ling van AI-agents te ondersteunen.”

Hoewel iedereen met AI bezig is, blijven veel orga­ni­sa­ties worstelen met het effec­tieve gebruik van de tech­no­logie. RAM biedt hiervoor een oplossing door AI sneller in waarde om te zetten.