Utfordringen
Språkmodeller svarer gjerne selvsikkert også når grunnlaget mangler. For spørsmål der svaret må kunne dokumenteres (hva kan faktisk underbygges av egne dokumenter, rapporter og notater?), trengs et system der evidensen kommer før genereringen, og der manglende treff ikke tolkes som at noe ikke finnes.
Løsningen
PEIS henter inn kildedokumenter, deler dem opp i sporbare segmenter og lar en avgrenset AI-agent undersøke et spørsmål i flere steg med et sett lokale verktøy. Agenten må sitere segmenter den faktisk har hentet, og svaret angir hvor godt påstanden er underbygget og hvor evidensen mangler.
Hvordan det ble bygget
En typet Python-kodebase med innhenting av kilder (stabile ID-er, versjonering og sjekksummer), deterministisk parsing av Markdown, DOCX, TXT og PDF, SQLite-lagring og BM25-søk med evidensbevisst omrangering. Seks typede verktøy (søk, henting av evidens, inspeksjon av kilde og påstand, sammenligning og deteksjon av hull) brukes via modellens egne verktøykall, innenfor en agentløkke med verktøybudsjett, løkkevern, tilgangskontroll og verifisering av kildehenvisninger. Modellgrensesnittet er ikke bundet til én leverandør, og undersøkelsestilstanden eies av PEIS, slik at bare beslutningsrelevant kontekst sendes til modellen i hvert steg.
Resultat
PEIS fungerer i dag ende til ende: systemet gjennomfører avgrensede undersøkelser i flere steg, med verktøykall og verifiserte kildehenvisninger. Prosjektet videreutvikles aktivt.