SAS 推出全新 Retrieval Agent Manager (RAM) 加速生成式與代理型 AI 應用

將非結構化資料轉化為快速且具洞察力的決策依據

有超過 80% 的企業資料屬於非結構化形式，例如文字及影像，且這類資料的總量正以每年 50% 至 60% 的速度持續成長。而如何最大化發揮這些資料的價值，是生成式 AI（GenAI）當前最重要的挑戰之一，同時也是最具潛力的發展契機。

然而，目前多數生成式 AI 的方法仍仰賴大量程式碼，架構複雜且效率不彰，難以穩定產出一致且具說服力的成果。

身為數據與 AI 領域的領導者，SAS 全新推出 SAS^® Retrieval Agent Manager (RAM) ，以加速企業生產力為目標。這項解決方案能簡化企業內部非結構化資料的轉換流程，將龐雜的原始資訊快速轉化為具關聯性且可行的洞察，協助企業做出更精準的決策。

RAM 協助各行各業及企業領導者解決在數據應用上所面臨的根本挑戰，其中包括：

• 將生成式 AI 與大型語言模型（LLMs）的強大能力導入企業資料生態系 — 以快速、可擴充且可信賴的方式創造價值。
• 讓 AI 無縫整合進既有系統中 — 無論是聊天機器人還是進階智慧代理，都能自信部署、安心運行。

「SAS Retrieval Agent Manager 能將分散的非結構化資訊轉化為可行的企業智慧，協助決策者更快速地做出明智判斷，」市場研究機構 IDC 的 AI 與自動化研究總監 Kathy Lange 表示。
「透過生成式與代理型 AI 的結合，RAM 提供了使用者友善的介面，讓企業能在不需大幅更動既有系統的情況下，輕鬆建置並現代化其內部流程。」

如何運作 ? 

SAS Retrieval Agent Manager（RAM） 以「檢索增強生成（Retrieval Augmented Generation, RAG）」架構為基礎，提供一個零程式碼（no-code） 的 AI 解決方案。企業無需撰寫任何程式碼，就能從龐大的非結構化內容中，即時產出快速、精準、且能理解語境的 AI 回應。

RAM 能自動匯入並分析非結構化文件，透過 API 或聊天機器人等介面，挑選出最合適的設定組合，讓使用者能與資料進行高效的互動。此外，RAM 也支援大型語言模型（LLMs） 與向量資料庫等生成式 AI 技術的即插即用整合。更重要的是，它內建代理型 AI 模組，能將複雜的企業工作流程自動化，並以企業資料為核心，確保 AI 應用既穩定又可信，協助企業打造更聰明、更敏捷的決策流程。

跨產業的應用

在各產業領域中，RAM 協助組織充分發揮非結構化資料的價值，進而實現更快速的決策流程、更穩固的客戶關係，以及更優異的業務成果。以下為幾項應用範例：

• 防制詐欺與風險管理（銀行業）: RAM 能協助防詐團隊在數秒內辨識可疑交易模式與法規風險警示，加速調查流程並強化反洗錢（AML）與了解你的客戶（KYC）等合規要求。風險管理人員也可透過 RAM 快速調閱壓力測試模型、政策文件與損失紀錄，以即時評估曝險狀況、支援稽核作業，並在法規架構下制定資本規劃決策。
• 加速保險理賠流程（保險業）:  RAM 可協助理賠專員即時調閱保單條款、初步損失報告（FNOL）及過往理賠資料，縮短案件處理時間、加速理賠核發，同時提升客戶滿意度。
• 提升公部門服務回應效率（公共部門）:  客服中心人員可透過 RAM 即時搜尋來自民眾通報案件、政策手冊及案例資料庫的相關資訊，不僅能大幅縮短回覆時間，亦能確保回應內容一致且符合政策規範。
• 強化臨床決策支援（醫療照護）:  臨床醫師可利用 RAM 整合病患紀錄、臨床指引、同業研究成果等多元資料，快速獲得具依據且符合 HIPAA 安全規範的建議，加速診斷與治療決策，提升醫療品質與成效。

製造業應用焦點：強化預測性維護

RAM 為製造業帶來的價值，體現在其能進一步強化 預測性維護（Predictive Maintenance） 的應用。隨著物聯網（IoT）感測器與機器學習系統的廣泛導入，製造商如今已能相當精準地偵測關鍵設備可能出現異常的徵兆。但當系統發出警示時，這只是第一步。接下來的挑戰在於：企業如何快速判斷問題所在，並善用自身的知識基礎，以更迅速且高效率的方式完成修復。

透過 RAM，製造商能有效梳理龐大的非結構化文字資料，例如舊版操作手冊、過往的維修與檢驗報告、供應商紀錄、現場服務公告，以及分散各處的文件、筆記與電子郵件等，快速找出問題根源並制定最合適的應對方案。

RAM 也能與現有的機器學習式預測性維護系統相輔相成，自動擷取相關的維修與保養資訊，並進一步生成清晰的工作指令，協助工程師與技術人員更迅速地完成維修作業。

內建的信任基礎

透過其代理型 AI 模組，RAM 能運用企業自身的資料與文件來理解使用者需求，提供最相關的答案或行動建議，並清楚提供這些回應所依據的原始文件與資料來源，確保整個決策過程透明且可追溯。

全新的 SAS 解決方案不會使用企業資料來訓練或微調大型語言模型（LLM），而是採取資料與模型分離的設計。此架構透過知識服務，在適當的時機動態結合企業資料與 LLM，以生成即時且高度相關的回應，同時確保資料安全與隱私。

「SAS Retrieval Agent Manager 具備處理持續更新、海量資料的擴充能力，」SAS 物聯網副總裁 Jason Mann 表示。
「RAM 讓企業能更輕鬆地將聊天機器人與對話式 AI 等技術應用於內部知識庫，並透過強大的 API 將生成式 AI 驅動的知識服務整合進既有系統，同時支援 AI 代理的開發與應用。」

儘管 AI 仍是當今商業與科技領域中最受矚目的焦點，許多企業與個人仍在思考如何真正發揮其效益。而 RAM 的出現，正能協助這些組織更有效地運用 AI，將技術轉化為實際的商業價值。