บทความนี้แนะนำกรอบงานการปรับแต่ง Prompt ที่เรียนรู้ด้วยตนเองซึ่งทำการปรับปรุง Prompt ของโมเดลภาษาใหญ่ (LLM) อย่างต่อเนื่องเพื่อการอัตโนมัติของแบบสอบถามด้านความปลอดภัย โดยผสานรวมเมตริกการทำงานแบบเรียลไทม์ การตรวจสอบโดยมนุษย์ในลูป และการทดสอบ A/B อัตโนมัติ ลูปนี้ช่วยให้ได้ความแม่นยำของคำตอบสูงขึ้น เวลาตอบกลับเร็วขึ้น และการปฏิบัติตามที่ตรวจสอบได้—ซึ่งเป็นประโยชน์หลักสำหรับแพลตฟอร์มเช่น Procurize

บทความนี้อธิบายแนวคิดของวงจรการตอบกลับแบบเรียนรู้เชิงกระทำที่ฝังอยู่ในแพลตฟอร์ม AI ของ Procurize โดยการผสานการตรวจสอบจากมนุษย์ในลูป (human‑in‑the‑loop) การสุ่มตัวอย่างความไม่แน่นอน และการปรับแต่งพรอมต์แบบไดนามิก บริษัทต่าง ๆ สามารถปรับแต่งคำตอบที่สร้างโดย LLM สำหรับแบบสอบถามความปลอดภัยได้อย่างต่อเนื่อง เพื่อให้ได้ความแม่นยำที่สูงขึ้นและเร่งกระบวนการปฏิบัติตามกฎระเบียบ—ทั้งหมดนี้ในขณะยังคงรักษาความสามารถในการตรวจสอบที่ตรวจสอบได้

บทความนี้สำรวจสถาปัตยกรรมใหม่ที่ผสานเครือข่ายประสาทเทียมกราฟเข้ากับแพลตฟอร์ม AI ของ Procurize เพื่อทำการกำหนดหลักฐานให้กับรายการแบบสอบถามโดยอัตโนมัติ สร้างคะแนนความเชื่อถือแบบไดนามิก และอัปเดตคำตอบด้านการปฏิบัติตามกฎระเบียบอย่างต่อเนื่องตามการเปลี่ยนแปลงของกฎระเบียบ ผู้อ่านจะได้เรียนรู้โมเดลข้อมูล โพลไลน์การสรุปผล จุดเชื่อมต่อ และประโยชน์เชิงปฏิบัติสำหรับทีมด้านความปลอดภัยและกฎหมาย