Как SLAtech обрабатывает training data, hallucination, заземление цитат, мониторинг bias, human-in-the-loop, visitor consent, misuse и право на объяснение. Без воды — каждый принцип сопряжён с конкретной технической практикой.
Tenant content никогда не используется для fine-tune или train любой модели, которую SLAtech operates. RAG извлекает из tenant content в момент запроса; LLM видит retrieval result как runtime context, не training signal.
Каждый ответ бота несёт confidence + factuality + hallucination flag в админ-инбоксе. Bot output, scoring ниже порога, маршрутизируется в human-handoff fallback вместо догадок.
Мы документируем, какой LLM обслуживает каждый pipeline (gpt-4o-mini для translation seeders, gpt-4o для production bot answers). Замены модели коммуницируются через changelog.
Bot response payload ships QuerySource[] с { sourceUrl, snippet, score }. Виджет рендерит snippet как hover-card "по словам", так visitors могут verify citation перед действием.
Per-vertical eval scoreboard runs quarterly across multiple платформ (SLAtech vs Intercom Fin vs Tidio Lyro vs Chatbase) — см. /ru/eval/.
Медицинская и Legal вертикали маршрутизируют каждый substantive clinical/legal вопрос в человека (UPL safeguard в Legal, "я предпочитаю чтобы clinician confirmed" fallback в Medical).
Web widget запрашивает minimum visitor data, нужных для разговора. Lead capture opt-in. Visitor IDs — anonymous fingerprints, если visitor не identifies themselves.
SLAtech declines к operate бота, designed для deceptive impersonation или regulated-advice без licensed professional в loop. Мы оставляем за собой право terminate контракты в flagrant breach.
Visitors, общающиеся с SLAtech-powered ботом, могут запросить reasoning chain за любым ответом. Tenant admins могут аудитить любой разговор в админ-инбоксе.