Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Maya HTT uruchamia lokalnego asystenta inżynierskiego M-Bot

Maya HTT 2 listopada 2026 r. uruchomiła M-Bot, asystenta opartego na generowaniu wspomaganym wyszukiwaniem. Działa on w infrastrukturze klienta, przeszukuje wewnętrzne dokumenty zespołów inżynierskich, a wrażliwe dane pozostają pod kontrolą klienta.

AI i modeleNewsMarta ZielińskaOpublikowano: 4 listopada 20265 min czytaniaŹródła 15
Maya HTT uruchamia lokalnego asystenta inżynierskiego M-Bot

M-Bot działa wewnątrz infrastruktury klienta, podała Maya HTT. Firma z Montrealu twierdzi, że asystent łączy się z wewnętrzną wiedzą z inżynierii, produkcji i operacji przemysłowych i zwraca odpowiedzi w kilka sekund.

Produkt korzysta z generowania wspomaganego wyszukiwaniem (RAG), żeby odpowiadać na techniczne pytania dotyczące tekstu, obrazów, tabel, wykresów i innych artefaktów inżynierskich, których zwykłe modele LLM nie potrafią przetworzyć, podała Maya HTT. Asystent podłącza się do Teamcenter i innych środowisk PLM, a także do SharePoint i Confluence, i wskazuje dokument źródłowy każdej odpowiedzi.

Maya HTT twierdzi, że wyszukiwanie jest do 60 razy szybsze niż ręczne, więc pięciominutowe poszukiwania zamieniają się w około pięć sekund. Te liczby pochodzą od dostawcy. Firma dodaje, że M-Bot nie generuje kosztów rozliczania tokenów LLM, więc klient zna rachunek przed wdrożeniem.

Remi Duquette, wiceprezes Maya HTT ds. AI przemysłowej, powiedział, że organizacje inżynierskie gromadzą dużo wiedzy technicznej, ale nie potrafią dostarczyć właściwej informacji właściwej osobie na czas, żeby wpłynęła na decyzje.

Maya HTT celuje w lotnictwo, obronność i produkcję. To branże, które mają do czynienia z wrażliwą własnością intelektualną i w których, zdaniem firmy, wymogi suwerenności danych sprzyjają systemom lokalnym lub kontrolowanym przez klienta. M-Bot jest dostępny do demonstracji i wdrożeń w przedsiębiorstwach.

Prognoza rynku

Raport ResearchAndMarkets opublikowany 30 października wycenił globalny rynek platform RAG na 4 mld dol. w 2025 r. i 5,52 mld dol. w 2026 r. Do 2036 r. przewiduje 43,75 mld dol., przy 23,0% skumulowanego rocznego tempa wzrostu w okresie prognozy 2026–2036.

Zakres raportu obejmuje bazy wektorowe i wyszukiwarki, modele embeddingów i rerankingu, frameworki orkiestracji, narzędzia do wczytywania i parsowania dokumentów, konektory, platformy oceny i zabezpieczeń, zarządzane usługi RAG w chmurze, korporacyjne asystenty wiedzy, konsulting, integrację i usługi zarządzane. Poza zakresem pozostają opłaty za korzystanie z modeli bazowych i bazy danych ogólnego przeznaczenia bez funkcji wyszukiwania.

Największe zastosowanie ma w prawie, finansach, ochronie zdrowia i innych regulowanych branżach, które potrzebują wyników z możliwością prześledzenia i cytowania, podaje raport. Agenci AI przyspieszają popyt, bo wieloetapowe procesy zależą od stałego dostępu do danych, aplikacji i narzędzi.

Raport wskazuje Elastic jako dowód dynamiki rynku. Elastic podał, że w pierwszym kwartale roku obrachunkowego 2026 ponad 2 200 klientów Elastic Cloud uruchamiało obciążenia generatywnej AI, a przychody w trzecim kwartale wzrosły o 18%, do 450 mln dol.

Dokładność i bezpieczeństwo

Dokładność nadal jest barierą dla systemów RAG. Przytoczone w raporcie przedrejestrowane badanie Stanforda wykazało, że produkty do badań prawnych oparte na RAG firm LexisNexis i Thomson Reuters halucynowały w 17–33% zapytań, wobec 43% dla GPT-4 używanego samodzielnie. Badanie odnotowało wymyślone źródła prawne, niepełne odpowiedzi i błędne interpretacje spraw sądowych.

Zagrożenia bezpieczeństwa też rosną. W czerwcu 2025 r. Microsoft załatał EchoLeak, CVE-2025-32711, podatność typu zero-click ocenioną na 9,3 w skali CVSS. Według raportu błąd pokazał, jak złośliwa treść pobrana z e-maila może manipulować Microsoft 365 Copilot i ujawnić wrażliwe informacje.

Raport ResearchAndMarkets podaje, że w efekcie przedsiębiorstwa stawiają na wyszukiwanie uwzględniające uprawnienia, wykrywanie prompt injection, zapobieganie wyciekom danych oraz możliwość śledzenia pochodzenia i audytu.

IT Pro podał, że kopiowanie plików do osobnego magazynu wektorowego tworzy dane w cieniu, zużywa przepustowość i usuwa oryginalne uprawnienia.

Maya HTT przedstawia M-Bot jako sposób na uniknięcie wysyłania wrażliwych danych inżynierskich do zewnętrznego modelu. Firma twierdzi, że asystent działa lokalnie lub w infrastrukturze kontrolowanej przez klienta, żeby spełnić wymogi suwerenności danych w lotnictwie, obronności i produkcji.

Komentarze 0

Źródła

15
  1. 01Maya HTT Launches M-Bot, a Secure Enterprise Engineering Knowledge AssistantEN
  2. 02Retrieval-Augmented Generation (RAG) Platforms Market Size, Share, Trends, and Industry Analysis - Global Forecast to 2036EN
  3. 03From synthetic enterprise data evaluations to real Microsoft Copilot AI confidenceEN
  4. 04One platform, four enterprise AI data challenges solved: Inside Dell AI Data PlatformEN
  5. 05RAG vs LLM Fine-Tuning: Choosing the Right Approach for Enterprise AIEN
  6. 06STAT+: Amid Mass General Brigham layoffs, CEO pens vague letter, stirring staff anxietyEN
  7. 07Aluminum–Air Generators for Data Centres Face a Metal Logistics TestEN
  8. 08Enterprise AI Assistant: RAG + Intelligent Model RoutingEN
  9. 09Behind-the-meter generation could deliver five times more grid relief than data center load shiftingEN
  10. 10Google Warns LLMjacking Attacks Are Costing Some Enterprises Up to $1 Million in Cloud ChargesEN
  11. 11The Share of Solar Generation with Co-located Battery Storage Is IncreasingEN
  12. 12AC Milan, Inter strike ‘€650m’ Generali naming rights deal for new stadiumEN
  13. 13China touts AI milestone: models generate more tokens than used in trainingEN
  14. 14Why Enterprise Data is Becoming the New Competitive Advantage in AIEN
  15. 15Google Cloud and NVIDIA Announce General Availability of NVIDIA Vera Rubin InfrastructureEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.