Dont Stop Early: Scalable Enterprise Deep Research with Controlled Information Flow and Evidence-Aware Termination
Dit artikel stelt een schaalbare Enterprise Deep Research (EDR)-architectuur voor die gebruikmaakt van het genereren van outlines met reflectie, contextlocalisatie geleid door afhankelijkheden en op bewijs gebaseerde stopcriteria om problemen van ongelijkmatige dekking en voortijdige stopzetting te overwinnen, waarbij superieure prestaties worden aangetoond op zowel interne sales-enablementtaken als publieke benchmarks.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een complex dossier voor een groot bedrijf moet oplossen. Je moet een eindrapport schrijven dat zo grondig en goed onderzocht is dat de CEO erop een beslissing van een miljoen dollar kan baseren.
In het verleden maakten AI-"detectives" (Deep Research-systemen) vaak drie grote fouten:
- Ze misten aanwijzingen: Ze controleerden niet elke hoek van het dossier, waardoor er gaten in het verhaal zaten.
- Ze raakten overweldigd: Ze probeerden elk bestand in de bewijskamer tegelijk te lezen, raakten in de war en vergaten het hoofdpunt (dit heet "context-explosie").
- Ze gaven te vroeg op: Ze vonden een paar makkelijke aanwijzingen, voelden zich tevreden en stopten met zoeken, zelfs als het dossier nog niet volledig was opgelost.
Het paper dat je hebt gedeeld, introduceert een nieuw systeem genaamd Enterprise Deep Research (EDR). Denk hierbij aan een zeer georganiseerd detective-team met een strikte set regels om die drie fouten te verhelpen. Hieronder wordt uitgelegd hoe het werkt, met behulp van eenvoudige analogieën:
1. De Blauwdruk: "Begin niet met graven totdat je een kaart hebt"
De meeste detectives beginnen direct met graven. Dit nieuwe systeem stopt eerst om een gedetailleerde blauwdruk (een overzicht) te tekenen.
- De Analogie: Voordat je een huis bouwt, begin je niet direct met het leggen van bakstenen. Je tekent een plan waarin elk enkel vertrek, raam en deur dat je moet hebben, wordt opgesomd.
- Hoe dit helpt: Het systeem breekt de grote onderzoeksvraag op in een checklist met specifieke doelstellingen. Het controleert deze lijst om ervoor te zorgen dat er niets ontbreekt voordat het begint met zoeken. Dit zorgt ervoor dat het eindrapport alles dekt wat vereist is, niet alleen de makkelijke delen.
2. De Estafette: "Geef de stok door, draag niet de hele zak"
In oude systemen droeg elke detective een gigantische rugzak met elk stuk papier dat door iedereen anders was gevonden. Uiteindelijk was de rugzak te zwaar om te tillen en raakte de detective de weg kwijt.
- De Analogie: Stel je een estafette voor. Loper A loopt zijn etappe, geeft de stok door aan Loper B en gaat dan zitten. Loper B draagt alleen de stok en zijn eigen uitrusting, niet de volledige geschiedenis van de race.
- Hoe dit helpt: Dit systeem gebruikt afhankelijkheidscontrole. Als Stap 2 informatie nodig heeft van Stap 1, krijgt het alleen dat specifieke stukje informatie. Het wordt niet overspoeld met irrelevante data van Stap 3 of Stap 4. Dit houdt de "rugzak" licht en de detective gefocust.
3. De "Niet Klaar"-Checklist: "Stop niet totdat de doos vol is"
Oude systemen stopten vaak wanneer ze zich "vrij goed" voelden. Dit nieuwe systeem heeft een strikte voltooiingschecklist voor elke stap.
- De Analogie: Stel je een bakker voor die een taart maakt. Een normale bakker stopt misschien als het beslag er goed uitziet. Deze nieuwe bakker heeft een checklist: "Heb ik meel toegevoegd? Ja. Suiker? Ja. Eieren? Ja. Is de oven heet genoeg? Ja." Ze kunnen de taart pas in de oven doen totdat elk enkel item op de lijst is afgevinkt.
- Hoe dit helpt: De AI-agenten worden gedwongen om door te zoeken totdat ze voldoende bewijs hebben om aan de specifieke criteria voor dat gedeelte te voldoen. Als het bewijs zwak is of ontbreekt, blijft de agent zoeken. Dit voorkomt het probleem van "voortijdig stoppen".
Het Resultaat: Een Beter Rapport
De auteurs hebben dit systeem getest op twee dingen:
- Verkooprapporten: Ze vroegen het systeem om "win-cards" (rapporten om verkoopteams te helpen deals te winnen) te maken voor echte klanten, met gebruikmaking van zowel publieke internetdata als private bedrijfsbestanden (zoals CRM-records).
- Publieke Benchmarks: Ze testten het op een standaard publieke test genaamd "DeepResearch Bench".
De Bevindingen:
- Completer: De rapporten dekten meer grond en misten minder details.
- Diepere Inzichten: De antwoorden waren nuttiger en actiegerichter, niet alleen oppervlakkige feiten.
- Beter met Interne Data: Wanneer het systeem toegang had tot private bedrijfsbestanden (zoals geschiedenis van eerdere deals), deed het het zelfs beter dan systemen die alleen publieke internetzoekopdrachten gebruikten.
- Efficiëntie: Door het laten plaatsvinden van onafhankelijke taken tegelijkertijd (parallelle verwerking) en het controleren van de datastroom, was het sneller en raakte het niet in de war.
Samenvattend
Dit paper stelt een slimmere manier voor voor AI om diep onderzoek te doen. In plaats van de AI te laten doelloos rondzwerven of te vroeg op te geven, dwingt het de AI om eerst te plannen, informatie zorgvuldig te delen en te verifiëren dat het voldoende bewijs heeft voordat het verder gaat. Het resultaat is een onderzoeksrapport dat betrouwbaarder, dieper en klaar is voor grote zakelijke beslissingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.