Interpretable Context Methodology (ICM)

Interpretable Context Methodology (ICM) är en metodik för att strukturera information och kontext till stora språkmodeller (LLM:er) på ett sätt som är lätt att förstå, granska och underhålla. Metodiken utvecklades av Jake Van Clief och bygger på principen att kontext ska vara lika läsbar för människor som för AI.

Till skillnad från många traditionella lösningar för Retrieval-Augmented Generation (RAG), som ofta bygger på vektordatabaser och automatiskt uppdelade dokument, använder ICM en Markdown-centrerad struktur där kunskap organiseras i tydliga dokument med rubriker, metadata och interna länkar. Målet är att skapa en kunskapsbas som är enkel att versionshantera, återanvända och kvalitetssäkra.

ICM har utvecklats för att förbättra hur AI-modeller får tillgång till relevant kontext. Metodiken fokuserar på att:

• göra kontext begriplig för både människor och AI
• minska mängden irrelevant information som skickas till modellen
• förbättra kvaliteten på AI:s svar
• göra kunskapsbaser enklare att underhålla
• skapa transparens kring vilken information AI använder

ICM bygger på några centrala idéer:

• Kunskap skrivs som vanliga Markdown-dokument.
• Varje dokument behandlar ett tydligt avgränsat ämne.
• Dokument länkas samman med interna referenser.
• Rubriker och dokumentstruktur används aktivt för att skapa semantisk kontext.
• Metadata används sparsamt och endast när den tillför värde.
• Kontext väljs medvetet istället för att enbart baseras på automatisk likhetsmatchning.

Metodiken betonar att kvaliteten på den kontext som skickas till modellen ofta är viktigare än mängden information.

En grundläggande idé inom ICM är att Markdown fungerar som ett gemensamt format för både människor och AI.

Fördelarna inkluderar:

• lätt att läsa
• enkelt att redigera
• fungerar med Git och versionshantering
• kan användas i många olika verktyg
• är oberoende av leverantörer och databaser

Ett typiskt dokument kan innehålla:

# Kundhantering

## Beskrivning

Systemet hanterar företagets kunder.

## Relaterade dokument

- [[CRM]]
- [[Orderhantering]]
- [[Support]]

En viktig princip inom ICM är att AI inte behöver hela dokument eller hela databaser. Istället bör modellen få den minsta mängd information som krävs för att lösa uppgiften.

Det innebär att kontexten:

• väljs medvetet
• innehåller relevanta dokument
• innehåller relationer mellan dokument
• undviker onödig information
• är enkel att granska innan den skickas till modellen

ICM utesluter inte användning av vektorsökning, men betraktar den som ett komplement snarare än den centrala komponenten.

Metodiken erbjuder flera fördelar:

• hög transparens
• lätt att felsöka
• enkel versionshantering
• förbättrad kvalitet på AI-kontext
• lätt att kombinera med Git
• fungerar med de flesta LLM:er
• leverantörsoberoende
• enkel att vidareutveckla

ICM är en metodik snarare än en formell standard.

Det innebär att:

• implementationer kan skilja sig åt
• dokument måste underhållas manuellt
• större kunskapsbaser kräver tydlig informationsarkitektur
• kvaliteten beror på hur väl dokumentationen är strukturerad

ICM lämpar sig för bland annat:

• AI-assistenter
• företagsinterna kunskapsbaser
• dokumentation
• Retrieval-Augmented Generation (RAG)
• AI-agenter
• utvecklingsprojekt
• teknisk dokumentation
• verksamhetsprocesser

ICM och Open Knowledge Format (OKF) bygger på liknande idéer kring öppen, läsbar och strukturerad kunskap.

Medan OKF definierar ett standardiserat format för hur kunskap kan beskrivas, fokuserar ICM på metodiken för hur denna kunskap organiseras och används som kontext för AI-modeller. De två angreppssätten kompletterar därför varandra väl.

Interpretable Context Methodology är en metod för att skapa AI-kontext som är begriplig för både människor och språkmodeller. Genom att använda Markdown som grundformat, tydlig dokumentstruktur och medvetet utvald kontext blir kunskapsbaser enklare att underhålla, granska och återanvända. Metodiken betonar att välstrukturerad och transparent information ofta ger bättre AI-resultat än stora mängder automatiskt hämtad data.

• Interpretable Context Methodology (GitHub)
• How to Fix Your Context – om ICM och kontextdesign
• CommonMark Specification
• Markdown Guide
• Open Knowledge Format (OKF)

Sök efter detta ämne på ...