Entity Enricher предлагает две стратегии обогащения, которые управляют тем, как оркеструются вызовы LLM. Выбор правильной стратегии влияет на точность, скорость и стоимость.
От самой простой до самой мощной конфигурации. Каждая основывается на предыдущей.
Одна модель, один вызов. Вся схема отправляется в одном промпте. Быстро и дёшево — идеально для простых схем или быстрой итерации.
Aspirin
Любая сущность: компания, лекарство, судебное дело, научная статья...
Используйте любого LLM-провайдера со своим API-ключом.
Полная схема за один вызов — автоповтор при ошибке валидации.
Aspirin
Та же стратегия, но с запуском на нескольких моделях параллельно. Результаты сравниваются и арбитрируются поле за полем для получения единого результата с высокой уверенностью.
Aspirin
Любая сущность: компания, лекарство, судебное дело, научная статья...
Совпадение — Pharmaceutical Compound
Выявляет несоответствия типов до того, как будут потрачены кредиты LLM.
Используйте собственные ключи API — работает с любым провайдером LLM.
Полная схема за один вызов — автоповтор при ошибке валидации.
Aspirin
Разрешено арбитражемОбоснованное разрешение конфликтов на уровне полей формирует итоговый доверенный результат.
Схема разбивается по области экспертизы. Каждая модель получает сфокусированные под-промпты для каждой области. Результаты глубоко объединяются для каждой модели, а затем проходят арбитраж между моделями. Максимальная точность для сложных многодоменных схем.
Aspirin
Любая сущность: компания, лекарство, судебное дело, научная статья...
Совпадение — Pharmaceutical Compound
Выявляет несоответствия типов до того, как будут потрачены кредиты LLM.
Используйте собственные ключи API — работает с любым провайдером LLM.
Схема разбита по областям — самокорректирующиеся промпты повторяются при ошибке валидации.
Глубокое слияние ответов области экспертизы по каждой модели.
Aspirin
Разрешено арбитражемОбоснованное разрешение конфликтов на уровне полей формирует итоговый доверенный результат.
| Аспект | Один проход | Мульти-экспертиза |
|---|---|---|
| Вызовы LLM | 1 на модель | N на модель (1 на область экспертизы) |
| Схема отправлена | Полная схема в одном промпте | Подмножество для каждой области экспертизы |
| Выполнение | Последовательно (один вызов) | Параллельно (все экспертизы выполняются одновременно) |
| Точность | Подходит для простых схем | Выше — сфокусированные промпты дают лучшие результаты |
| Скорость | Быстрее для небольших схем | Параллельное выполнение может быть быстрее для больших схем |
| Стоимость | Ниже (накладные расходы одного вызова) | Выше (несколько вызовов с накладными расходами на каждый вызов) |
| Потоковая передача | Результат по принципу «всё или ничего» | Прогрессивно — результаты передаются по мере завершения каждой экспертизы |
| Частичный успех | Нет — весь вызов либо выполняется успешно, либо завершается ошибкой | Да — успешные экспертизы сохраняются, неудачные можно повторить |
Стратегия множественной экспертизы следует четырёхшаговому процессу для каждой модели:
Схема обходится рекурсивно. Каждое свойство с тегом области экспертизы группируется с другими, имеющими ту же область. Например, revenue и market_cap попадают в группу «financial», а gmp_status — в «regulatory».
Каждая группа expertise становится минимальной под-schema, содержащей только свои свойства. Это означает, что LLM получает меньший, более целенаправленный prompt и должна заполнить только те поля, на которых специализируется.
Все вызовы экспертизы выполняются параллельно. Схема с 5 областями экспертизы одновременно запустит 5 вызовов LLM. По мере завершения каждого его результаты глубоко объединяются в накопленный вывод и передаются в интерфейс в реальном времени.
Если часть экспертиз не удаётся, система возвращает объединённый результат от успешных со статусом «Частично». Вы можете повторить только неудавшиеся экспертизы, и новые результаты будут объединены с существующим выводом без повторения уже успешно выполненной работы.
Обе стратегии можно сочетать с обогащением несколькими моделями. Когда вы выбираете несколько моделей, каждая модель выполняет выбранную стратегию независимо. Затем результаты можно объединить с помощью слияния нескольких моделей, чтобы получить единый результат с высокой достоверностью.