Vi är stolta över att kunna tillkännage lanseringen av vår lokalt finjusterade AI-modell, noggrant utvecklad av Matrix42 AI-teamet i vårt dedikerade datakluster. Detta initiativ bygger på den banbrytande flerspråkiga modellen Mistral Nemo från Mistral AI, och använder 12B-Instruct-konfigurationen för att uppnå en optimal balans mellan driftseffektivitet och analytisk prestanda.

Det primära målet med detta projekt var att förbättra basmodellens flerspråkighet, med särskilt fokus på att förbättra finskakunskaperna, samtidigt som exceptionella prestanda i engelska bibehölls.

Modellen har utformats specifikt för att hantera kritiska uppgifter inom ITSM-sektorn (IT Service Management), inklusive:

• Slutförande : Bistå konsulter med att generera svarsinnehåll för användarärenden.
• Stilkorrigering : Förbättrar grammatik, stavning och professionell ton i konsultkommunikation.
• Sammanfattning : Pro koncisa sammanfattningar av ärendetrådar.
• Retrieval-Augmented Generation (RAG) : Svara på användarförfrågningar med hjälp av externa kunskapskällor som databaser, webbplatser och PDF-dokument.
• Markdown-stöd : Svara på användarfrågor med utdata formaterade i markdown- eller tabelldata.
• Översättning : Översättning av innehåll med fokus på finska och engelska.

Utbildningsprocessen utnyttjade en blandning av syntetiska och offentligt tillgängliga datamängder. Syntetiska datamängder genererades med hjälp av högkvalitativa, kommersiellt gångbara modeller, medan offentliga datamängder valdes ut under strikt licensefterlevnad. All data genomgick rigorös expertmoderering, inklusive formatering, rensning och validering, för att säkerställa överensstämmelse med utbildningskraven.

Mistral Nemo-modellen uppvisade exceptionell flexibilitet vid finjustering för nya uppgifter, vilket ledde till betydande förbättringar i prestanda över definierade scenarier jämfört med basmodellen.

Framöver strävar vi efter att utöka modellens kapacitet genom att utveckla nya ITSM-specifika funktioner, införliva ytterligare finjusteringsexempel och förbättra stödet för svenska och tyska. Vårt mål är att bibehålla en kompakt modellstorlek samtidigt som vi levererar högkvalitativ prestanda i specialiserade applikationer, utan att utöka funktionaliteten till allmänna uppgifter (t.ex. encyklopedisk kunskap eller rollspel).