AI-alapú tudásmenedzsment banki környezetben

Banki ügyfelünknél a projektek gyorsabb, pontosabb és kockázatmentesebb lebonyolítását támogattuk AI-alapú LLM Wiki megoldásunkkal.

AI-alapú tudásmenedzsment

Szektor

Szolgáltatás & technológia

A kihívás

Ügyfelünk Magyarország egyik vezető bankja, ahol egy adatmigrációs projektben vettünk részt.

A munkába bekapcsolódó szakértőinknek gyorsan át kellett látniuk az adott rendszer struktúráját és működését, miközben a szükséges információ több üzleti és technikai specifikációban, adatbázis-leírásban és fejlesztői anyagban volt szétszórva:

  • az üzleti működés az üzleti specifikációkban,
  • a technikai megvalósítás a technikai specifikációkban,
  • az adatstruktúrák adatmodellekben és adatbázis-sémákban,
  • a tényleges megvalósítás pedig Java / SQL kódban és GitHub repository-kban.

Ez azért probléma, mert egy új témakör megértéséhez nem elég egyetlen dokumentumot elolvasni. Át kell tudni látni, hogy egy üzleti folyamat milyen adatokat érint, melyik technikai komponenshez kapcsolódik, milyen adatbázistáblákban jelenik meg, milyen riporting hatása van, és milyen kockázatok merülhetnek fel vele kapcsolatban.

A megoldás

Erre a kihívásra válaszolva hoztuk létre AI-alapú LLM Wiki megoldásunkat, amely a meglévő projekt-dokumentációt alakítja át egységes, kereshető és összekapcsolt tudássá. Az LLM Wiki a beadott forrásanyagokat feldolgozza, majd wiki-szerű struktúrába rendezi, különválasztva például

  • az üzleti folyamatokat,
  • az adatköröket,
  • az adatmodelleket,
  • az entitásokat,
  • a technikai komponenseket,
  • a problémákat,
  • a kockázatokat,
  • a forrásdokumentum-összefoglalókat,
  • és a kapcsolódó módszertani leírásokat.

Az eredmény egy strukturált tudásbázis: egy adott témánál láthatóvá válik, hogy mely dokumentumokból származik az információ, milyen más fogalmakhoz vagy komponensekhez kapcsolódik, milyen kockázatok merültek fel, és hol találhatók további részletek.

Technológia

GitHub Copilot / VS Code

Az eredmény

Az elkészült LLM Wikinek köszönhetően

  • idő takarítható meg – mivel egy-egy témakör sokkal gyorsabban átlátható;
  • a kockázatok korábban felismerhetők – már a specifikáció alapján, megtakarítva a téves fejlesztésre és tesztelésre fordított munkaidőt;
  • az üzleti szabály és a technikai megvalósítás jobban összekapcsolható;
  • és végül, az adatmodell- és architektúra-elemzés is egyszerűbbé válik.