eLAND

意藍的新一代 GenAI 知識管理工作平台 – AI Search for KM 便結合了 eLAND Active RAGᵀᴹ 以及搜尋引擎、NLP與大語言模型等技術，協助使用者更有效地完成知識搜尋與問答服務，並可應用於多種情境，對複雜型任務具備一定的處理能力，以下將舉例說明。
當對系統提問「少子女化對社會產生什麼樣的衝擊？」，在 eLAND Active RAGᵀᴹ 的輔助下，系統將依循以下步驟進行運作，確保提供精準且有所依據的回答：

1. 拆解任務及選用工具

   系統首先會將使用者的提問拆解為可執行的子任務，並根據問題性質選擇合適的工具與資料源。接著，這些子任務會被轉化為模型可處理的輸入參數，例如自動萃取關鍵詞、設定檢索條件（如時間範圍、產業分類）或生成語意提示，確保後續的檢索與分析更具針對性與效率。

2. 生成輸入參數

   根據問題內容與選定資料庫，系統會再進一步生成適配的查詢參數，即設定一組適合用來搜尋資料的條件，並以設定之參數為基礎，啟動後續資料檢索過程。例如：

   – 關鍵字：少子女化、社會影響、政策、新聞、研究計畫。
   – 時間範圍：過去1年的相關資料。
   – 查詢格式：結構化的API請求或自然語言查詢。

3. 解析輸出結果

   接著，系統會對檢索到的資料進行整理與分析，例如自少子女化相關的新聞報導中，統計出過去一年該議題的討論成長率，或是從研究資料中，彙整人口統計變化以及對社會經濟的具體影響點。

4. 進行判斷及回覆

   最後，系統將檢視目前取得的資訊是否足以回答問題。若資訊足夠，系統會根據統計結果與分析，生成針對使用者提問的回答，如「少子女化對社會的衝擊包括勞動力減少、教育資源分配過剩及老齡化社會負擔增加等。」
   若判斷資訊仍不足，系統會自動重新進行檢索，並調整參數（如擴大時間範圍或查詢更多資料庫），透過多輪優化逐步補足所需資料。為了兼顧回答的完整性與運算效率，整個流程預設最多可進行三次迭代，以確保最終回覆的準確性與可靠度。