1. Knowledge Graph (KG)
Reprezintă entități și relații explicite: firme, activități, produse, locații, piețe, reglementări. Relațiile pot avea tip, direcție, sursă și dată de validare. Răspunde la „cum sunt conectate?”.
Resurse / Arhitectură / Economic Intelligence
Knowledge Graph + Vector Search.
De la date la oportunități.
FirmsFinder AI propune o arhitectură Hybrid Graph–Vector Intelligence: grafuri pentru relații economice explicabile, vectori pentru asemănări semantice și AI pentru interpretare, analiză și cercetare delegată.
Ideea centrală
Nu doar generarea răspunsurilor AI, ci și descoperirea relațiilor economice, analiza piețelor și identificarea oportunităților — cu separarea datelor verificate de ipotezele generate.
Șase concepte, șase roluri distincte
2. Vector Search
Transformă descrieri și documente în reprezentări numerice (embeddings) și găsește conținut apropiat ca sens, chiar fără aceleași cuvinte. Răspunde la „ce seamănă semantic?”. Similaritatea nu dovedește o relație comercială.
3. Hybrid Graph–Vector Search
Combină filtre și traversări din graf cu rezultate de proximitate vectorială. Poate găsi candidați prin similaritate, apoi verifica relații și constrângeri structurate — sau invers.
4. GraphRAG
Folosește informații recuperate din graf pentru a fundamenta răspunsuri generate de un model AI. Poate integra și căutare vectorială, dar termenul nu înseamnă automat că există un motor comercial de analiză a pieței.
5. Neuro-Symbolic AI
Familie mai largă de abordări care combină metode neuronale cu reprezentări simbolice, reguli sau raționament logic. Un sistem graph–vector nu devine automat neuro-simbolic fără mecanisme reale de integrare și raționament.
6. Hybrid Graph–Vector Intelligence
Denumirea arhitecturală propusă pentru FirmsFinder AI: căutare hibridă, analiză a relațiilor, scoring explicabil, identificarea oportunităților și dovezi asociate concluziilor.
Cum ar funcționa motorul FirmsFinder AI
ÎNTREBARE / OBIECTIV → ENTITĂȚI + CRITERII → KG + VECTOR SEARCH → CANDIDAȚI → VALIDARE SURSE → SCORING → EXPLICAȚIE / RECOMANDARE
- Înțelegerea intenției: extrage entități, relații cerute, condiții și scopul economic.
- Recuperarea hibridă: combină date structurate, traversări de graf și potriviri semantice.
- Validarea: păstrează proveniența, data și statutul fiecărei afirmații.
- Analiza: compară candidații, estimează compatibilitatea și explică criteriile.
- Acțiunea: oferă un rezultat în CHAT sau un plan de cercetare în WORK; operațiile externe necesită autorizare.
Exemplu: identificarea unor furnizori de vin
Întrebare: „Ce producători români ar putea fi relevanți pentru un distribuitor francez de vinuri?”
DISTRIBUITOR → CATEGORII DE PRODUSE → CERINȚE → PRODUCĂTORI → PIAȚĂ → COMPATIBILITATE POTENȚIALĂ
Vector Search poate găsi producători cu descrieri relevante; Knowledge Graph poate lega firmele de produse, locații și activități; analiza AI poate propune un clasament. O potrivire este o ipoteză, nu un contract sau un parteneriat confirmat.
Ce oferă fiecare componentă?
| Componentă | Rol | Limită importantă |
|---|---|---|
| KG | Relații structurate și trasabile | Depinde de calitatea și actualitatea datelor |
| Vector Search | Descoperire semantică | Similaritatea nu confirmă fapte |
| Hybrid Search | Combină sensul și constrângerile | Necesită strategie de fuziune și evaluare |
| GraphRAG | Răspunsuri fundamentate pe graf | Generarea poate rămâne eronată |
| Economic Intelligence | Analiză, scoring, oportunități | Necesită metodologie și validare comercială |
Arhitectura tehnică propusă
Cloudflare R2 pentru documente și surse; D1 pentru entități și relații structurate; Vectorize pentru embeddings și căutare vectorială; Workers pentru orchestrare, API și politici; modele AI pentru interpretare și explicații. Pentru traversări complexe la scară mare poate fi necesar un motor de graf dedicat.
Acestea descriu arhitectura-țintă, nu o confirmare că toate componentele sunt deja implementate și integrate.
Încredere: sursă, relație, inferență
Fiecare rezultat ar trebui să distingă fapt documentat, relație verificată, asemănare semantică și recomandare inferată. Proveniența, data actualizării, regulile și aprobările trebuie păstrate pentru audit și verificare.
Principiu: Claim ≠ Proof. Capability ≠ Permission.
Ce este disponibil acum?
Această pagină este documentație de produs și arhitectură. Ea nu atestă existența unui Knowledge Graph populat, a unui index vectorial operațional, a unei acoperiri validate pentru România sau UE ori a unui agent WORK funcțional. Aceste afirmații trebuie confirmate prin teste și dovezi de runtime înainte de lansare.
Continuă cu FirmsFinder AI
Explorează cele două moduri de interacțiune: CHAT / CAUTĂ și WORK / DELEAGĂ AI.
Întrebări frecvente
Ce este un Knowledge Graph?
Un model în care companiile și alte entități sunt legate prin relații explicite.
Ce este Vector Search?
O metodă de recuperare a informațiilor după apropierea semantică a reprezentărilor vectoriale.
De ce se combină SQL și căutarea semantică?
SQL permite filtre exacte, iar căutarea semantică poate identifica asemănări de sens.
Ce este GraphRAG?
O abordare care folosește relații din graf pentru recuperarea contextului înainte de generarea unui răspuns.
Ce înseamnă AI neuro-simbolic?
Combinarea unor metode de învățare statistică cu reprezentări și reguli explicite.
Ce rol are Cloudflare R2?
R2 poate păstra documente, capturi istorice și materiale folosite ca surse sau dovezi.
Ce rol are Cloudflare D1?
D1 poate stoca date relaționale despre entități, relații și referințe la surse.
Ce rol are Vectorize?
Vectorize poate indexa reprezentări semantice pentru recuperarea informațiilor similare.
Un rezultat semantic este un fapt verificat?
Nu. Similaritatea semantică indică relevanță posibilă, nu confirmă adevărul unei afirmații.
Datele publice garantează citarea în AI?
Nu. Accesibilitatea, crawlabilitatea și structura ajută la eligibilitate, fără a garanta citarea.