2026-02-04

Laila, din assistent for HR-spørsmål og feriesaldo

Spørsmål relatert til personalhåndboken og feriesaldo er blant de vanligste henvendelsene til HR-avdelingen vår. For å gjøre denne informasjonen enklere tilgjengelig for alle ansatte, skal XLENT lansere Laila - en AI-assistent som gir raske og presise svar direkte i Teams.

Laila er en skreddersydd RAG-løsning som kombinerer bruk av språkmodeller med interne kunnskapsdatabaser. Resultatet er pålitelige svar med kildehenvisninger, tilpasset det brukeren spør om.

RAG (Retrieval Augmented Generation) er en metode der en språkmodell henter inn relevant informasjon fra eksterne kilder (som databaser eller dokumenter) før den genererer et svar. For en AI-agent betyr dette at agenten ikke bare baserer seg på forhåndstrent kunnskap, men kan slå opp oppdatert og kontekstspesifikk informasjon for å gi mer presise svar.

I praksis jobber AI-assistenten i tre steg: tolke temaet, finne riktig informasjon og formulere et godt svar.

Tolke temaet

Når en ansatt stiller et spørsmål, starter Laila med å vurdere om spørsmålet omhandler et av de to temaene hun kan svare på: personalhåndboken eller feriesaldo. Dersom spørsmålet ikke passer noen av disse temaene, gir hun svar tilbake at dette spørsmålet kan hun ikke svare på. Vi ønsker ikke å bruke unødvendig tid og penger ved å benytte språkmodeller (i skyen) til å prosessere spørsmål utenfor temaene. Dersom spørsmålet vurderes som relevant derimot, sendes det til riktig “kjede”, eller ”agent”, i prosessen.

Tema: Personalhåndbok

Prosessere og forberede spørsmålet for søk

Innholdet i personalhåndboken består av tekst, altså ustrukturert data. Vektordatabaser egner seg godt for lagring og søk av ustrukturert data, noe som også forklarer hvorfor bruken av vektordatabaser har økt kraftig i takt med fremveksten av moderne språkmodeller. For Laila sin kompetanse har vi valgt å gå for en cosmos vektordatabase i Azure (les mer om infrastrukturen her).

Når en bruker stiller et spørsmål, brukes spørsmålet for å søke i vektordatabasen etter semantisk liknende innhold. For å øke treffsikkerheten i søket, gjøres det først noe preprosessering av spørsmålet ved hjelp av en språkmodell. Denne språkmodellen blir instruert med tre hovedoppgaver:

Omformulere spørsmålet slik at det egner seg best mulig for søk
Flette inn relevant samtalehistorikk, dersom nødvendig
Splitte opp dersom setningen fra brukeren inneholder flere spørsmål i ett

Dette øker sannsynligheten for å finne riktig informasjon, selv når spørsmålet er kort, utydelig, upresist formulert eller kun gir mening i kontekst av samtalen. I tillegg har språkmodellen en fjerde oppgave:

Identifisere sjeldne ord og viktige fagbegreper - samt eventuelle synonymer - som er spesielt relevante i konteksten av personalhåndboken. Disse omtales videre som nøkkelord

Etter preprosesseringen sitter vi igjen med ulike forbedrede varianter av spørsmålet, samt nøkkelord. Variantene av spørsmålet kjøres så i parallell i søk mot vektordatabasen. På den måten hentes de mest relevante avsnittene fra personalhåndboken ut.

Finn relevante avsnitt og generer svar

Når de mest relevante avsnittene er hentet ut fra personalhåndboken, sortert etter en semantisk likhetsscore mellom 0 og 1, brukes de genererte nøkkelordene til å booste avsnitter som inneholder disse begrepene. Hensikten med dette er å vektlegge sjeldne og betydningsfulle ord høyere enn vanlige og hyppig brukte ord (som ofte gir lite mening isolert sett).

La oss se på et eksempel:

Har jeg rett til å få fri for å gifte meg?

I dette tilfellet ønsker vi at ord som fri og gifte identifiseres som nøkkelord, sammen med mer domenetilpassede/formelle synonymer som permisjon og ekteskap. Disse begrepene er langt mer informative enn ord som har, jeg, rett, til og å, som i denne sammenhengen fungerer som fyllord.

Ved å booste avsnitter som inneholder nøkkelordene, får disse høyere relevansscore enn de hadde opprinnelig. Resultatet er at de mest relevante avsnittene får en ny rangering. Deretter velges de beste treffene blant disse, for eksempel 5 stykker, som sendes videre til språkmodellen som kontekst for å generere selve svaret til brukeren.

Å begrense antall avsnitter som sendes videre er viktig for å holde konteksten til språkmodellen så liten og presis som mulig. Dette gir både raskere responstid og bedre kvalitet på svaret.

Kilder til personalhåndboken genereres ved å hente ut metadata for de relevante avsnittene og bruke disse til å sette sammen riktig URL til personalhåndboken.

Tema: Feriesaldo

Feriesaldo bygger på strukturerte data knyttet til hver enkelt ansatt. I stedet for å bruke språkmodeller til å tolke eller estimere svar, henter systemet konkrete feriedata fra en intern database og beregner gjenværende feriedager basert på faste regler.

Relevante feriedata inkluderer blant annet:

ordinære feriedager
overførte dager
eventuelle ekstra dager, som ansiennitet og 60+ dager
brukte dager

Basert på disse verdiene utføres forhåndsdefinerte beregninger. For feriesaldo finnes det derfor ett korrekt fasitsvar - resultatet er deterministisk og alltid det samme gitt de samme dataene.

Selv om en språkmodell kunne vært brukt til å generere selve teksten i svaret, ville dette introdusert unødvendig risiko i en beregning som skal være presis og etterprøvbar. Derfor presenteres feriesaldo ved hjelp av en fast mal.

Resultatet er et strukturert og oversiktlig svar som viser både beregningen og eventuelle relevante merknader for den ansatte, for eksempel ved nyansettelse eller spesielle rettigheter.

Oppsummering

Laila er utviklet for å håndtere to av de mest vanlige HR-henvendelsene på en effektiv og pålitelig måte: spørsmål om personalhåndboken og spørsmål om feriesaldo. Ved å tydelig skille mellom ustrukturert tekstbasert informasjon og strukturert, ansattspesifikk data, kan løsningen bruke riktig teknologi til riktig formål.

For personalhåndboken benyttes språkmodeller og semantisk søk for å forstå brukerens intensjon og finne relevante avsnitter, mens svarene alltid baseres på intern kunnskapsdatabase med tydelige kildehenvisninger. For feriesaldo brukes faste regler og deterministiske beregninger, slik at ansatte alltid får ett korrekt og etterprøvbart fasitsvar.

Her bruker vi altså fleksibiliteten og brukervennligheten til moderne AI, sammen med presisjon og forutsigbarheten som kreves i HR-relaterte beregninger. Resultatet er en AI-assistent som avlaster HR, reduserer friksjon i hverdagen og gir ansatte rask tilgang til korrekt informasjon - direkte i Teams, der de allerede jobber.

(Pilot av feriesaldo-funksjonaliteten lanseres nå i februar).

Skrevet av: Kari Skjold