Retrieval-Augmented Generation

**סינון מדיה שלילית מבוסס LLM הוא מעבר מחיפוש מילות מפתח למערכת שמאתרת מקורות, מנתחת הקשר ומחשבת ציון סיכון.** זהו לב המחקר החדש שפורסם ב-arXiv על Agentic RAG ל-AML ו-KYC. לפי התקציר, המערכת נבחנה על PEPs, רשימות פיקוח, סנקציות מתוך OpenSanctions ושמות נקיים, והראתה יכולת להבחין בין נבדקים בסיכון גבוה לנמוך. עבור עסקים בישראל המשמעות מעשית: פחות התרעות שווא, יותר תיעוד החלטות, וחיבור אפשרי בין בדיקות ציות לבין WhatsApp Business API, Zoho CRM ו-N8N בתהליך קליטת לקוח מסודר.

מענה לשאלות רפואיות תלוי-מצב הוא מצב שבו אותה שאלה מקבלת תשובה שונה לפי תנאי המטופל—קומורבידיות, אלרגיות או התוויות-נגד. במאמר arXiv:2602.17911v1 מוצגים CondMedQA (בנצ׳מרק חדש שמודד היסק מותנה) ו-Condition-Gated Reasoning (CGR), שמפעיל/גוזם מסלולי היסק בגרף ידע לפי תנאי השאלה כדי לבחור תשובה ישימה יותר. לעסקים בישראל שמפתחים כלי טריאז׳, טלה-רפואה או שירות במוקדי אחיות, המשמעות היא שינוי מדידה: לא “דיוק ממוצע”, אלא דיוק במקרי קצה. פרקטית, אפשר לשלב איסוף תנאים ב-WhatsApp Business API, לשמור שדות ב-Zoho CRM, ולהפעיל ב-N8N “שער תנאים” שמנתב מקרים מסוכנים לגורם אנושי ומייצר לוגים לאודיט.

**RAG היברידי לצ׳טבוט ספרות מדעית משלב אחזור וקטורי (טקסט לא-מובנה) עם אחזור גרפי (קשרים מובנים) כדי להחזיר מקורות לפני ניסוח תשובה. לפי arXiv:2602.17856v1, ההערכה בוצעה בשני תרחישים: מסמך יחיד שהועלה לעומת קורפוס גדול, עם סטי בדיקה שנוצרו בעזרת GPT וחלקם סומנו ידנית.** לעסקים בישראל המשמעות היא תפעולית: אם אתם מקבלים החלטות על בסיס מחקר/נהלים/רגולציה, איכות האחזור חשובה יותר מ”האם התשובה נשמעת טוב”. מומלץ להתחיל בפיילוט של 30 שאלות חוזרות, למדוד אחזור ורלוונטיות באופן קבוע (למשל דרך N8N), ולחבר את התוצאה לתהליך אמיתי—WhatsApp Business API לתקשורת ו‑Zoho CRM לתיעוד והמשך טיפול.

**Agentic Unlearning הוא מנגנון שמוחק מידע רגיש מסוכן מבוסס LLM גם ממשקלי המודל וגם מהזיכרון המתמשך וממערכת האחזור (RAG).** לפי מאמר arXiv:2602.17692v1, המסגרת SBU מסנכרנת “דו-עדכון” בין מסלול הזיכרון למסלול הפרמטרים כדי למנוע מצב שבו מידע שנמחק חוזר דרך backflow (למשל: זיכרון שמזין מחדש את המודל או להפך), ונבחנה על משימות שאלות-תשובות רפואיות עם פגיעה מוגבלת בידע שנשמר. לעסקים בישראל זה רלוונטי במיוחד כשסוכנים עובדים על WhatsApp, שומרים סיכומי שיחה ב-Zoho CRM ומחזיקים אינדקס וקטורי. מחיקה “רק ב-CRM” לא מספיקה—צריך תהליך מחיקה מסונכרן בכל נקודות השמירה, רצוי דרך N8N ומדיניות retention מספרית.