La maggior parte dei sistemi ad agenti lascia ragionare il modello linguistico e vi chiede di fidarvi del risultato. SynaLemma affida questo compito a un motore logico. Il modello scrive una regola, e il motore la verifica, calcola la risposta nel vostro database e vi mostra ogni passaggio.
Realizzato da SynaLinks, un team di ingegneri IA formatisi al CNRS che ha scritto ogni livello del sistema, dal motore logico all'agente.
Quali biciclette finite si fermano se Shenzhen VoltPack non consegna?
Tutte e quattro: Urban S1, Cargo C2, Trekking T3 e Folding F1. Ognuna richiede uno dei due pacchi batteria, ed entrambi i pacchi usano la scheda di gestione e l'involucro forniti da VoltPack.
## Gli assiemi che si fermano se un fornitore non consegna,
## a ogni livello della distinta base.
@OrderBy(SupplierExposure, "supplier_id", "assembly_id");
SupplierExposure(supplier_id:, assembly_id:) distinct :-
Supplies(supplier_id:, part_id: component),
Requires(assembly_id:, component_id: component);
Prendiamo una domanda semplice: quanta giacenza disponibile c'è di un componente? Ogni agente scrive un SQL valido e restituisce un numero diverso, perché ognuno ha dovuto indovinare che cosa significa “disponibile”. La merce riservata conta? E gli ordini in arrivo? Quale sito, e a quale data? Il vostro stabilimento ha deciso questi punti da anni, ma l'agente non ha accesso a quelle decisioni.
Nessun errore è visibile. L'agente restituisce il suo numero con piena sicurezza, qualcuno prende una decisione su quella base e nessuno può ricostruire come è stato calcolato. È il motivo principale per cui i progetti di IA si bloccano tra la demo e la produzione. Un modello più grande ha lo stesso problema, perché indovina le stesse definizioni.
| Agente | Considera giacenza disponibile… | Risposta |
|---|---|---|
| Primo | ciò che è a magazzino | 1.240 |
| Secondo | la giacenza, meno quanto è riservato agli ordini di produzione | 870 |
| Terzo | la giacenza meno il riservato, più gli ordini d'acquisto non ancora ricevuti | 2.070 |
Gli agenti hanno bisogno delle vostre definizioni, scritte una volta in una forma che una macchina è obbligata ad applicare e che una persona può rileggere. SynaLemma costruisce questo layer e lo mantiene aggiornato.
Quando un agente “spiega il suo ragionamento”, state leggendo un testo che il modello ha generato a posteriori. Quel testo non registra il modo in cui la risposta è stata calcolata, quindi verificarlo dice poco. In SynaLemma il modello traduce la vostra domanda in una regola, e un motore logico calcola la risposta a partire da quella regola, in passaggi che potete rieseguire.
Ogni regola viene eseguita sulle vostre tabelle reali prima che l'assistente risponda.
La risposta riporta le righe restituite dall'esecuzione, quindi nulla proviene dalla memoria del modello. SynaLemma gira sui vostri server con il modello che scegliete, e l'assistente è limitata a ciò che il ruolo della persona che chiede consente.
Il motore logico compie ogni inferenza, e ciascuna può essere rieseguita.
Ogni risposta cita le sue regole, fino alla riga da cui proviene un numero. Il vostro team può aprire una regola, leggerla, rieseguirla, modificarla o bloccarla. Le regole sono file in un repository git, quindi ogni modifica è un commit che registra chi l'ha fatta (una persona o l'assistente), che cosa è cambiato e quando.
Il primo e unico sistema di IA che scrive le proprie regole, le verifica formalmente e confronta i loro risultati con enunciati matematici.
Ogni regola passa un verificatore formale prima che venga generato qualsiasi SQL, e più di quindici classi di errore vengono rifiutate indicandone il motivo. Potete poi enunciare ciò che un risultato deve sempre rispettare, in logica del primo ordine, e il motore cerca controesempi nei vostri dati. Quando una regola cambia, tutto ciò che si basa su di essa viene segnalato finché non è stato rieseguito. Quando cambiate modello, le regole restano quelle che sono.
Nessun ETL, nessun secondo data warehouse, nessun database a grafo da acquistare.
Le regole vengono compilate in SQL ed eseguite nel database che avete già, su tabelle che mantengono i loro nomi reali, quindi i sistemi legacy sono coperti senza un progetto di migrazione. Una definizione viene stabilita una volta e poi riutilizzata, risparmiando i token che un modello spenderebbe per ricostruirla. SynaLemma funziona anche con modelli aperti sul vostro hardware.
Ogni risposta rimanda a una definizione come questa. È abbastanza breve da essere letta dalla persona responsabile del numero, e abbastanza precisa da essere verificata da una macchina.
---
name: SupplierDeliveries
description: Purchase orders per supplier, and how many were late.
keywords: [supplier, delivery, late, on time]
---
import tables.PurchaseOrders.PurchaseOrders;
@Assert(SupplierDeliveries,
one_row_per_supplier: "∀ s a b c d, SupplierDeliveries s a b → SupplierDeliveries s c d → a = c",
late_within_total: "∀ s a b, SupplierDeliveries s a b → b ≤ a");
@OrderBy(SupplierDeliveries, "supplier_id");
SupplierDeliveries(supplier_id:, deliveries? += 1, late? += is_late) distinct :-
PurchaseOrders(supplier_id:, is_late:);
Una definizione tratta da un layer industriale. Gli enunciati sono scritti nella notazione del dimostratore di teoremi Lean e confrontati con i vostri dati. Un enunciato è valido quando la ricerca di un controesempio non restituisce nulla. Si tratta di un controllo sui dati che avete, e non dimostra nulla sui dati che il sistema non ha visto.
Collegate SynaLemma al database che usate già (PostgreSQL, BigQuery, Databricks, Trino, Presto, DuckDB, SQLite) oppure caricate i vostri file (CSV, Excel, JSON, JSONL, Parquet). I database vengono interrogati sul posto: le tabelle mantengono i loro nomi reali e nulla viene migrato.
Lemma, l'assistente, cerca prima una definizione già esistente. Se non c'è, scrive una nuova regola, la verifica e la esegue sui vostri dati. Solo dopo risponde, citando la regola.
La regola viene salvata con un nome e una descrizione. La domanda successiva si basa su di essa, e il vostro team può rivederla, correggerla o bloccarla.
Abbiamo constatato che lo strumento da solo non basta, soprattutto per le aziende che non hanno competenze di IA al proprio interno. Uno o più ingegneri forward-deployed del team che sviluppa SynaLemma, a seconda delle dimensioni del vostro progetto, lavorano quindi al fianco del vostro team, con un ruolo definito all'interno della piattaforma.
La maggior parte dei prodotti di IA combina il modello di qualcun altro con il framework di qualcun altro. Noi abbiamo scritto il framework su cui gira l'agente, il motore logico che ne verifica le regole, il formato che conserva la conoscenza e il prodotto che riunisce i tre. Pochi team hanno costruito ogni livello tra il database e il modello. Poiché noi l'abbiamo fatto, i componenti sono progettati per integrarsi tra loro, e possiamo dirvi con precisione che cosa fa il sistema e dove sono i suoi limiti.
Il prodotto che usa il vostro team. Esegue i tre motori sui vostri dati e aggiunge l'assistente, l'editor di regole, il grafo delle dipendenze, i ruoli e Slack o Teams. Un prodotto commerciale, con licenza a pagamento, installato sulla vostra infrastruttura.
Scoprite SynaLemmaIl framework con cui è costruita l'assistente. Vincola gli output a uno schema, fornisce agli agenti strumenti e una sandbox integrata, e ottimizza le istruzioni in base a risultati misurati senza toccare i pesi del modello. Sviluppato sotto la supervisione di François Chollet, l'autore di Keras. Open source, Apache-2.0.
Vedi su GitHubUn linguaggio logico con un verificatore formale, scritto in Rust e compilato verso sette dialetti SQL. Ciò che un risultato deve rispettare viene enunciato come proposizione Lean, la notazione del dimostratore di teoremi Lean, e controllato sui vostri dati. Open source, Apache-2.0.
Vedi su GitHubIl formato in cui sono conservate le vostre definizioni, con un file leggibile per ogni concetto o regola in un repository git. La storia del vostro ragionamento si rivede e si sottopone ad audit come il codice, e un layer si installa da un repository git. Open source, Apache-2.0.
Vedi su GitHubIl modello traduce e il motore logico ragiona. Questa separazione rende il ragionamento verificabile e il modello sostituibile.
Scoprite i motori open sourceQuando un numero sbagliato può causare un fermo di produzione o un audit fallito, dovete sapere da dove viene ogni numero.
Team di supply chain, acquisti, produzione e qualità. Distinte base, giacenze, consegne in ritardo e difetti hanno ciascuno una sola definizione, condivisa da pianificatori, buyer e dagli agenti che li assistono.
Sanità, aerospazio, energia, finanza. Ogni numero risale a una regola e alle tabelle che ha letto, ed è ciò che un auditor chiede di vedere.
La demo ha funzionato, ma nessuno l'ha voluta approvare. SynaLemma dà a chi deve approvarla qualcosa che può leggere e verificare.
La demo dura trenta minuti ed è gratuita. Portate una domanda su cui i vostri team non sono d'accordo, e vi mostreremo la risposta di SynaLemma e la regola che ha usato. Se c'è corrispondenza con le vostre esigenze, segue un readiness assessment, poi gli ingegneri forward-deployed lavorano con il vostro team.
