With over 20 years of experience, we transform your digital presence. We specialize in website and E-Shop development, SEO and Digital Marketing, ERP software and smart automation that take your business to the next level.
Address:
154 Egnatia Street, Thessaloniki 546 36
Phone:
+30 231 231 4095
E-mail:
hello@twodots.gr
Ready for the next step?;
Το TOFFEE δείχνει πώς verified trajectories, MCTS και cost-aware routing κάνουν τους data agents πιο αξιόπιστους σε business analytics.
Τα data agents μπορούν να γράφουν SQL, να εκτελούν Python, να διαβάζουν αρχεία και να συνδυάζουν πηγές για να απαντήσουν επιχειρηματικές ερωτήσεις. Η αξιοπιστία τους, όμως, δεν κρίνεται από το αν παράγουν μια πειστική απάντηση. Κρίνεται από το αν ακολουθούν σωστή διαδρομή μέσα στα πραγματικά δεδομένα, αν διορθώνουν τα λάθη τους και αν μπορούν να δείξουν ποια εκτέλεση στηρίζει το τελικό συμπέρασμα.
Το TOFFEE είναι ένα ερευνητικό σύστημα που συνθέτει τέτοιες πολυβηματικές διαδρομές, τα λεγόμενα data agent trajectories. Αντί να βασίζεται σε ένα μόνο prompt, δημιουργεί επαληθεύσιμες αναλυτικές εργασίες από το ίδιο το data environment, εξερευνά διαφορετικές ακολουθίες ενεργειών με Monte Carlo Tree Search και επιλέγει διαφορετικό επίπεδο μοντέλου ανά βήμα. Για μια επιχείρηση, το πρακτικό μήνυμα είναι σαφές: η AI ανάλυση δεδομένων γίνεται πιο αξιόπιστη όταν το workflow σχεδιάζεται γύρω από εκτέλεση, evidence και ελεγχόμενα repair paths.
Το paper Demonstrating TOFFEE: A Learned System for Synthesizing Data Agent Trajectories at Scale παρουσιάστηκε ως demonstration στο VLDB 2026 από ερευνητές του Nanyang Technological University, της Huawei και της Industrial and Commercial Bank of China. Το σύστημα απαντά σε ένα συγκεκριμένο πρόβλημα: οι data agents μπορεί να λειτουργούν ικανοποιητικά σε γνώριμα schemas, αλλά συχνά δυσκολεύονται όταν συναντούν νέα databases, διαφορετικά αρχεία ή αναλυτικές εργασίες που απαιτούν πολλά βήματα.
Ένα γενικό μοντέλο μπορεί να γνωρίζει SQL και Python, αλλά δεν γνωρίζει από μόνο του τι σημαίνει το πεδίο net_revenue σε μια συγκεκριμένη εταιρεία, ποιος πίνακας περιέχει τις επιστροφές, ποιο attribution window χρησιμοποιεί η ομάδα marketing ή πώς συνδέονται παραγγελίες, καμπάνιες και πελάτες. Η πραγματική δυσκολία βρίσκεται στο data environment και στη διαδρομή από το ερώτημα μέχρι το ελεγμένο αποτέλεσμα.
Το TOFFEE δημιουργεί training ή demonstration data ειδικά για αυτό το περιβάλλον. Παράγει trajectories που περιλαμβάνουν reasoning turns, tool calls, outputs και metadata εργαλείων. Έτσι ο downstream agent δεν βλέπει μόνο μια τελική απάντηση. Βλέπει ένα εκτελέσιμο παράδειγμα του πώς εντοπίζονται οι σωστές πηγές, πώς γίνεται η ανάλυση και πώς αντιμετωπίζεται μια αποτυχία.
Ένα trajectory είναι η ακολουθία καταστάσεων, ενεργειών και παρατηρήσεων που οδηγεί από ένα αναλυτικό ερώτημα σε αποτέλεσμα. Μπορεί να ξεκινά με ανάγνωση schema, να συνεχίζει με SQL query, να εντοπίζει missing column, να διορθώνει το query, να εκτελεί Python για στατιστικό έλεγχο και να ολοκληρώνεται με τεκμηριωμένη απάντηση. Κάθε βήμα διατηρείται ως μέρος του ιστορικού.
Αυτό διαφέρει ουσιαστικά από ένα ζεύγος question–answer. Η τελική απάντηση δεν αποκαλύπτει αν ο agent χρησιμοποίησε σωστό πίνακα, αν έκανε λάθος join ή αν κατέληξε τυχαία σε σωστό αριθμό. Το trajectory κρατά τη διαδικασία ορατή και μπορεί να διδάξει συμπεριφορές που είναι κρίσιμες στην πράξη: schema discovery, έλεγχο ενδιάμεσων αποτελεσμάτων, error diagnosis και recovery.
Για μια επιχείρηση, αυτή η διαφορά μεταφράζεται σε καλύτερο auditability. Όταν ένας agent αναφέρει πτώση στο revenue ή αύξηση στο κόστος απόκτησης πελάτη, η ομάδα χρειάζεται να ξέρει ποια δεδομένα χρησιμοποίησε και ποια βήματα εκτέλεσε. Ένα trajectory δεν καταργεί την ανάγκη ελέγχου, αλλά δημιουργεί πολύ καλύτερο υλικό για έλεγχο από μια αυτάρκη παράγραφο που απλώς ακούγεται σωστή.
Το σωστό κριτήριο αξιοπιστίας
Μπορεί η απάντηση να αναπαραχθεί από τα ίδια δεδομένα;
Ένα χρήσιμο data agent workflow πρέπει να συνδέει κάθε σημαντικό συμπέρασμα με queries, tool outputs και ελεγχόμενα ενδιάμεσα αποτελέσματα, όχι μόνο με γλωσσική βεβαιότητα.
Η πρώτη μονάδα του TOFFEE είναι το Task Pool Construction. Το σύστημα δεν ζητά απλώς από ένα LLM να κοιτάξει το schema και να επινοήσει ερωτήσεις. Η απευθείας παραγωγή prompts από ονόματα στηλών συχνά οδηγεί σε απλοϊκές ή μη επιλύσιμες εργασίες, επειδή το μοντέλο δεν γνωρίζει ποιες σχέσεις και αποκλίσεις υπάρχουν πραγματικά μέσα στα δεδομένα.
Αντί γι’ αυτό, το TOFFEE κάνει profiling στο περιβάλλον, συλλέγει schema metadata και sample rows και εκτελεί προκαθορισμένα SQL templates. Με αυτόν τον τρόπο ανακαλύπτει εξαρτήσεις, όπως ένα κοινό customer ID που συνδέει διαφορετικούς πίνακες ή μια έντονη μεταβολή στις ακυρώσεις ανά περιοχή. Η ερώτηση διατυπώνεται αφού έχει ήδη βρεθεί μια εκτελέσιμη σχέση και έχει παραχθεί answer key.
Κάθε υποψήφιο task περνά από ελέγχους. Το σύστημα επαναλαμβάνει τα βήματα, ξανατρέχει τα queries για να επιβεβαιώσει ότι το αποτέλεσμα είναι σταθερό και απορρίπτει ερωτήσεις που μπορούν να απαντηθούν χωρίς πρόσβαση στα δεδομένα. Με αυτό τον τρόπο η δυσκολία προκύπτει από το πραγματικό environment και όχι από τεχνητά περίπλοκη διατύπωση.
Σε ένα e-shop, η ίδια λογική θα μπορούσε να ξεκινήσει από πραγματικές σχέσεις ανάμεσα σε WooCommerce, ERP, courier exports, ad platforms και customer support. Ένα χρήσιμο task δεν είναι «ανάλυσε τις πωλήσεις». Είναι «εντόπισε αν η αύξηση επιστροφών σε συγκεκριμένες κατηγορίες σχετίζεται με courier delay, payment method ή πρώτη αγορά» και πρέπει να συνοδεύεται από σαφές evidence path.
Η δεύτερη μονάδα είναι ο Trajectory Explorer. Χρησιμοποιεί Monte Carlo Tree Search, ώστε η ανάλυση να αντιμετωπίζεται ως δέντρο πιθανών ενεργειών και όχι ως μία μοναδική γραμμική απάντηση. Κάθε node είναι μια κατάσταση της ανάλυσης και κάθε edge είναι tool invocation, όπως schema discovery, SQL query ή Python script.
Η σημασία αυτής της επιλογής φαίνεται όταν ένα βήμα αποτυγχάνει. Στο single-pass generation, ένα SQL error μπορεί να ακυρώσει όλη την προσπάθεια. Στο best-of-N, κάθε νέα προσπάθεια ξεκινά από την αρχή και επαναλαμβάνει discovery που έχει ήδη γίνει. Ο Explorer διατηρεί το χρήσιμο prefix, ανοίγει repair branch και εξετάζει μια διορθωμένη συνέχεια χωρίς να πετά όλη την προηγούμενη εργασία.
Τα repair paths είναι πολύτιμα training examples. Ένας agent που έχει δει μόνο καθαρές, ιδανικές λύσεις μπορεί να αποτυγχάνει όταν αλλάξει ένα όνομα στήλης ή όταν ένα join παράγει διπλοεγγραφές. Αντίθετα, ένα trajectory που περιλαμβάνει execution error, διάγνωση και διόρθωση διδάσκει τι πρέπει να κάνει το σύστημα όταν η πραγματικότητα δεν ταιριάζει με την πρώτη υπόθεση.
Το TOFFEE επαναχρησιμοποιεί επίσης κοινά prefixes ανάμεσα σε tasks του ίδιου περιβάλλοντος. Αν πολλά ερωτήματα χρειάζονται την ίδια αρχική χαρτογράφηση πινάκων, δεν υπάρχει λόγος να επαναλαμβάνεται από την αρχή. Η cross-task prefix reuse μειώνει το περιττό κόστος και διατηρεί περισσότερο budget για τις πραγματικά δύσκολες αναλυτικές αποφάσεις.
Η τρίτη βασική μονάδα είναι το Learned Cost Model, ή LCM. Σε κάθε βήμα επιλέγει operator, model tier, μήκος ιστορικού και reasoning effort με βάση την τρέχουσα κατάσταση και το budget που απομένει. Η ιδέα είναι ότι δεν έχουν όλες οι ενέργειες την ίδια δυσκολία και δεν χρειάζονται όλες το ακριβότερο διαθέσιμο μοντέλο.
Η ανάγνωση table names ή column types μπορεί να δρομολογηθεί σε cost-effective tier. Ένα περίπλοκο multi-table join, η διάγνωση ενός execution error ή η ερμηνεία αντικρουόμενων αποτελεσμάτων μπορεί να ανέβει σε capable ή premium tier. Έτσι το routing γίνεται ανά βήμα και όχι μία φορά για όλο το workflow.
Το LCM χρησιμοποιεί χαρακτηριστικά όπως πρόοδος trajectory, κάλυψη schema και πρόσφατο ιστορικό λαθών. Μαθαίνει online από execution rewards και analytical progress, ενώ κρατά exploration bonus για λιγότερο δοκιμασμένες επιλογές. Το branching width προσαρμόζεται επίσης: όταν υπάρχει αβεβαιότητα, το σύστημα μπορεί να εξετάσει περισσότερες διαδρομές· όταν το budget μειώνεται, περιορίζει την επέκταση.
Για business implementation, το μάθημα δεν είναι ότι κάθε εταιρεία χρειάζεται ακριβώς το ίδιο LCM. Είναι ότι ένα production AI workflow χρειάζεται cost policy. Αν όλα τα βήματα τρέχουν πάντα στο premium tier, το κόστος γίνεται δυσανάλογο. Αν όλα τρέχουν στο φθηνότερο tier, οι δύσκολες αναλύσεις αποτυγχάνουν. Η σωστή επιλογή εξαρτάται από difficulty, risk και value του συγκεκριμένου βήματος.
Τα trajectories του TOFFEE εξάγονται για δύο downstream χρήσεις. Στο supervised finetuning, μετατρέπονται σε multi-turn training samples. Το μοντέλο μαθαίνει την πλήρη αναλυτική ροή, συμπεριλαμβανομένων tool calls και παρατηρήσεων, ώστε να προσαρμοστεί σε συγκεκριμένο domain ή κατηγορία data environments.
Στο in-context learning, τα trajectories λειτουργούν ως worked examples. Όταν έρχεται νέο ερώτημα, το σύστημα ανακτά παρόμοια παραδείγματα με βάση domain και workflow similarity και τα τοποθετεί στο prompt. Έτσι ένα γενικό μοντέλο παίρνει καθοδήγηση για το πώς να κινηθεί σε άγνωστο environment χωρίς να χρειάζεται νέο finetuning κάθε φορά.
Η επιλογή μεταξύ SFT και ICL είναι επιχειρησιακή. Το finetuning έχει νόημα όταν υπάρχει σταθερός όγκος επαναλαμβανόμενων tasks, επαρκές ποιοτικό dataset και ανάγκη για βαθύτερη εξειδίκευση. Το ICL είναι πιο ελαφρύ για pilot ή για περιβάλλοντα όπου οι εργασίες αλλάζουν συχνά. Και στις δύο περιπτώσεις, η ποιότητα των trajectories μετρά περισσότερο από τον ακατέργαστο αριθμό τους.
Το paper αναφέρει ότι, με ίδιο per-task budget, το TOFFEE παράγει υψηλότερης ποιότητας trajectories από single-pass generation και best-of-N sampling. Η εκδοχή με MCTS αλλά χωρίς LCM βελτιώνει τις baselines, αλλά περιορίζεται επειδή χρησιμοποιεί ομοιόμορφη configuration σε όλα τα βήματα. Η adaptive επιλογή του LCM επιτρέπει καλύτερη αξιοποίηση του διαθέσιμου κόστους.
Στο downstream evaluation, τα μοντέλα TOFFEE-9B και TOFFEE-27B δημιουργήθηκαν με finetuning των Qwen3.5-9B και Qwen3.5-27B. Οι συγγραφείς αναφέρουν ότι τα TOFFEE trajectories βελτιώνουν τόσο τη χρήση ICL demonstrations όσο και το finetuned μοντέλο, με το TOFFEE-27B να ξεπερνά το OpenAI o3 στα KramaBench και DSBench στα προκαταρκτικά αποτελέσματα του paper.
Αυτά τα ευρήματα χρειάζονται σωστή ανάγνωση. Πρόκειται για demonstration paper με συγκεκριμένα benchmarks, εργαλεία και budgets, όχι για απόδειξη ότι ένα μοντέλο είναι γενικά καλύτερο σε κάθε business dataset. Η χρήσιμη ένδειξη είναι ότι execution-grounded training data και adaptive search μπορούν να βελτιώσουν σημαντικά έναν agent όταν το task απαιτεί πραγματική εργασία πάνω σε δεδομένα.
Τρία επαληθευμένα μεγέθη από το demo του TOFFEE
Τα στοιχεία αφορούν τη δημοσιευμένη επίδειξη και δεν αποτελούν γενική πρόβλεψη απόδοσης για κάθε επιχείρηση.
Η μεγαλύτερη αξία του TOFFEE για μια επιχείρηση δεν βρίσκεται στο όνομα του αλγορίθμου. Βρίσκεται στη διάκριση ανάμεσα σε «παράγω απάντηση» και «εκτελώ αναλυτική διαδικασία». Ένα business question συνήθως έχει κρυφές προϋποθέσεις: χρονική περίοδο, νόμισμα, returns, ακυρώσεις, attribution rules, exclusions και ορισμούς KPI. Αν ο agent δεν τα αναγνωρίζει, μπορεί να δώσει ακριβή αριθμό για λάθος μέτρηση.
Γι’ αυτό τα data agents χρειάζονται περιβάλλον με σαφείς ορισμούς, ελεγχόμενη πρόσβαση και επαναλήψιμες διαδρομές. Το metric catalog, τα data contracts και η τεκμηρίωση των joins είναι εξίσου σημαντικά με το μοντέλο. Το TOFFEE δείχνει έναν τρόπο να μετατραπεί αυτή η γνώση σε εκτελέσιμα παραδείγματα και όχι μόνο σε documentation που ο agent μπορεί να διαβάσει αποσπασματικά.
Η προσέγγιση συνδέεται φυσικά με τη γενικότερη μετάβαση από generative AI σε agentic AI. Όπως εξηγούμε στον οδηγό για τη διαφορά ανάμεσα στη γενετική και την agentic AI, η παραγωγή κειμένου είναι μόνο ένα επίπεδο. Όταν το σύστημα χρησιμοποιεί εργαλεία και δεδομένα για να προτείνει αποφάσεις, χρειάζεται αυστηρότερο operating model.
Σε ένα e-commerce περιβάλλον, οι πιο χρήσιμες εργασίες είναι όσες επαναλαμβάνονται, έχουν καθαρή επιχειρηματική αξία και μπορούν να ελεγχθούν. Παραδείγματα είναι η ανάλυση επιστροφών ανά κατηγορία και courier, ο εντοπισμός προϊόντων με υψηλό traffic αλλά χαμηλό conversion, η σύγκριση stock risk με campaign spend και η παρακολούθηση cohort retention μετά την πρώτη αγορά.
Στο marketing, ένας data agent μπορεί να συνδυάζει δεδομένα από ad platforms, analytics, CRM και πωλήσεις. Το δύσκολο μέρος δεν είναι να δημιουργήσει ένα report. Είναι να εφαρμόσει σωστό attribution window, να διαχωρίσει assisted από last-click conversions, να αναγνωρίσει delayed revenue και να εξηγήσει ποιες παραδοχές άλλαξαν το συμπέρασμα.
Η αξιοπιστία προϋποθέτει και καθαρή παρατήρηση της πηγής. Τα AI bots και οι agents μπορούν να επηρεάζουν την ίδια την εικόνα των analytics. Στον οδηγό μας για το πώς τα AI bots επηρεάζουν traffic και δεδομένα ιστοσελίδων εξηγούμε γιατί το filtering και η σωστή ταξινόμηση του bot traffic είναι απαραίτητα πριν χρησιμοποιηθούν αυτά τα δεδομένα σε αυτοματοποιημένες αποφάσεις.
Ένα καλό pilot δεν ξεκινά με «βρες ό,τι ενδιαφέρον υπάρχει». Ξεκινά με ένα περιορισμένο task, γνωστό answer range και σαφή κριτήρια αποδοχής. Η ομάδα συγκρίνει το agent output με υπάρχουσα αναλυτική διαδικασία, ελέγχει false positives και μετρά πόσο χρόνο εξοικονομείται χωρίς να μειώνεται η ποιότητα.
Στο TOFFEE, ένα task γίνεται δεκτό μόνο όταν η απάντηση συνδέεται με εκτέλεση και deterministic evidence. Αυτή η αρχή είναι ιδιαίτερα χρήσιμη σε επιχειρησιακά περιβάλλοντα, επειδή μειώνει την πιθανότητα να γίνει αποδεκτή μια εύλογη αλλά λανθασμένη αφήγηση. Ο agent πρέπει να φτάσει στο αποτέλεσμα μέσω δεδομένων που μπορεί να ξανατρέξει.
Η επαλήθευση δεν σημαίνει ότι κάθε επιχειρηματικό συμπέρασμα γίνεται απόλυτο. Ένα query μπορεί να είναι τεχνικά σωστό αλλά να βασίζεται σε αμφισβητούμενο KPI definition. Ένα στατιστικό αποτέλεσμα μπορεί να είναι αναπαραγώγιμο αλλά να μην αποδεικνύει αιτιότητα. Χρειάζεται λοιπόν διπλός έλεγχος: execution correctness και business interpretation.
Το κατάλληλο audit trail περιλαμβάνει ερώτημα, έκδοση dataset, queries ή scripts, tool outputs, assumptions, validation checks και τελικό summary. Για αποφάσεις με οικονομικό ή πελατειακό αντίκτυπο, πρέπει να αποθηκεύεται και η ανθρώπινη έγκριση. Έτσι η ομάδα μπορεί να εντοπίσει αν ένα λάθος προήλθε από δεδομένα, ορισμό, query, μοντέλο ή ερμηνεία.
Pilot data agent σε 6 πρακτικά βήματα
Ξεκινήστε με ερώτημα που η ομάδα λύνει ήδη, όπως ανάλυση επιστροφών ή campaign performance, ώστε να υπάρχει σημείο σύγκρισης.
Καταγράψτε tables, fields, KPI definitions, exclusions και ιδιοκτήτη κάθε πηγής πριν δοθεί πρόσβαση στον agent.
Κρατήστε πραγματικά queries, ενδιάμεσα checks και τελικές απαντήσεις που έχουν ήδη ελεγχθεί από analyst.
Περιλάβετε missing values, αλλαγμένα schemas, άδειους πίνακες και query errors ώστε το workflow να αξιολογείται και στην ανάκαμψη.
Χρησιμοποιήστε οικονομικότερη configuration για discovery και ισχυρότερη μόνο όταν αυξάνεται η δυσκολία ή το ρίσκο.
Αξιολογήστε reproducibility, error rate, κάλυψη assumptions, χρόνο ελέγχου και ποσοστό outputs που εγκρίνονται χωρίς ουσιαστική διόρθωση.
Το pilot πρέπει αρχικά να λειτουργεί read-only. Ο agent μπορεί να εκτελεί queries σε sandbox ή replica και να δημιουργεί προσωρινή αναφορά, αλλά δεν πρέπει να αλλάζει budgets, stock, campaigns ή customer records. Η μετάβαση σε actions γίνεται μόνο όταν η ομάδα έχει μετρήσει σταθερά την ποιότητα και έχει ορίσει approvals.
Χρειάζεται επίσης test set που δεν χρησιμοποιήθηκε για examples ή finetuning. Αν ο agent αξιολογείται στα ίδια tasks που έχει ήδη δει, η εικόνα θα είναι υπερβολικά αισιόδοξη. Το TOFFEE διαχωρίζει τα task pools από downstream benchmarks για να μειώσει contamination· η ίδια αρχή πρέπει να εφαρμοστεί και σε εταιρικό pilot.
Τα trajectories μπορούν να κληρονομήσουν λάθη από τις πηγές, τα permissions και τα answer keys. Αν ένα KPI έχει λάθος definition ή ένα dataset αποκλείει συγκεκριμένη κατηγορία πελατών, ο agent μπορεί να μάθει να αναπαράγει το πρόβλημα με μεγαλύτερη συνέπεια. Η εκτέλεση κάνει το output αναπαραγώγιμο, όχι αυτόματα δίκαιο ή επιχειρηματικά σωστό.
Η διακυβέρνηση πρέπει να καλύπτει least-privilege access, isolation, logging, versioning και retention. Τα training trajectories ενδέχεται να περιέχουν schema names, sample values ή ευαίσθητη business logic. Πριν αποθηκευτούν ή χρησιμοποιηθούν για finetuning, χρειάζεται έλεγχος για προσωπικά δεδομένα, credentials, εμπορικά ευαίσθητες πληροφορίες και δικαιώματα χρήσης.
Ο ανθρώπινος έλεγχος παραμένει κρίσιμος όταν το αποτέλεσμα οδηγεί σε pricing, budget allocation, customer segmentation ή αλλαγή πολιτικής. Ο analyst δεν χρειάζεται να ξανακάνει κάθε query από την αρχή, αλλά πρέπει να μπορεί να εξετάσει assumptions, evidence και αποκλίσεις. Ο agent λειτουργεί ως επιταχυντής της ανάλυσης, όχι ως αόρατος ιδιοκτήτης της απόφασης.
Το σημαντικότερο μάθημα από το TOFFEE είναι ότι ένα data agent βελτιώνεται όταν μαθαίνει διαδρομές, όχι μόνο απαντήσεις. Η σωστή σειρά είναι: πραγματικό data environment, επαληθεύσιμο task, εκτελέσιμα βήματα, repair path, evidence και μετά τελικό summary. Ένα μεγαλύτερο μοντέλο δεν διορθώνει από μόνο του κακά δεδομένα ή ασαφείς ορισμούς.
Η δεύτερη αρχή είναι cost-aware routing. Οι επιχειρήσεις δεν χρειάζεται να πληρώνουν premium reasoning για κάθε schema lookup, ούτε να αναθέτουν δύσκολες ερμηνείες σε υπερβολικά μικρό μοντέλο. Η κατανομή υπολογιστικού κόστους πρέπει να ακολουθεί τη δυσκολία και το ρίσκο του βήματος.
Η τρίτη αρχή είναι ότι η παραγωγή trajectories αποτελεί ξεχωριστό data product. Χρειάζεται ιδιοκτήτη, versioning, quality checks και lifecycle. Αν μια πηγή αλλάξει schema ή ένας KPI επαναπροσδιοριστεί, τα παλιά examples μπορεί να γίνουν παραπλανητικά και πρέπει να επανελεγχθούν.
Για μια μικρή ή μεσαία επιχείρηση, η πρακτική αφετηρία δεν είναι να αναπαράγει όλη την ερευνητική υποδομή του TOFFEE. Είναι να επιλέξει μία σημαντική αναλυτική ροή, να την κάνει πλήρως παρατηρήσιμη και να δημιουργήσει λίγα, υψηλής ποιότητας verified trajectories. Από εκεί μπορεί να αποφασίσει αν χρειάζεται ICL, finetuning ή απλώς καλύτερο workflow orchestration.
Από το prompt σε μετρήσιμη επιχειρησιακή ροή
Η TWO DOTS χαρτογραφεί πηγές, KPIs, permissions, approval points και error handling πριν συνδέσει AI με e-shop, ERP, CRM, marketing ή reporting. Στόχος είναι ένα workflow που χρησιμοποιεί πραγματικά δεδομένα, κρατά audit trail και δίνει στην ομάδα σαφή έλεγχο πριν από κάθε κρίσιμη ενέργεια.
Frequently Asked Questions (FAQs)
Το TOFFEE είναι ερευνητικό σύστημα που δημιουργεί επαληθευμένες πολυβηματικές διαδρομές για data agents από πραγματικά data environments, με task construction, MCTS search και cost-aware model routing.
Είναι η πλήρης ακολουθία reasoning, tool calls, execution results και διορθώσεων που οδηγεί από ένα αναλυτικό ερώτημα σε τεκμηριωμένη απάντηση.
Επειδή το prompt δεν εγγυάται σωστό schema, joins, KPI definitions ή έλεγχο ενδιάμεσων αποτελεσμάτων. Η αξιοπιστία απαιτεί εκτέλεση πάνω στα πραγματικά δεδομένα και evidence που μπορεί να αναπαραχθεί.
Εξερευνά διαφορετικές αναλυτικές διαδρομές, διατηρεί χρήσιμα prefixes και ανοίγει repair branches όταν ένα query ή tool call αποτυγχάνει, αντί να ξεκινά κάθε προσπάθεια από την αρχή.
Επιλέγει ανά βήμα operator, model tier, context length και reasoning effort με βάση τη δυσκολία, την πρόοδο, τα πρόσφατα λάθη και το διαθέσιμο budget.
Όχι. Τα verified trajectories μπορούν να χρησιμοποιηθούν και ως in-context examples. Το finetuning ταιριάζει περισσότερο σε σταθερά, επαναλαμβανόμενα domains με αρκετό ποιοτικό training data.
Σε ελεγχόμενες αναλύσεις όπως returns, stock risk, campaign performance, cohort retention και customer segmentation, εφόσον οι πηγές, οι ορισμοί και τα approval steps είναι σαφή.
Να επιλέξει ένα γνωστό, επαναλαμβανόμενο task, να καθαρίσει τα δεδομένα και τα KPI definitions και να δημιουργήσει λίγα verified trajectories σε read-only pilot πριν επιτρέψει actions.
