IA Espacial Fundamentada para Dados Empresariais

A IA Espacial Fundamentada conecta a solicitação em linguagem natural de um cliente a registros comerciais autorizados, regras de elegibilidade e cálculos espaciais determinísticos, para que o produto possa recomendar um local que a empresa realmente possa atender. O modelo de linguagem interpreta intenções compostas, como a retirada de um produto em estoque a caminho de casa. Os sistemas de inventário, políticas e roteamento permanecem como referência para estoque, horário de funcionamento, permissões e deslocamento. A IA Espacial então explica a lista de locais selecionados no mapa.

As seções abaixo separam as evidências atuais do comportamento do modelo e, em seguida, abordam autorização, recuperação, classificação, mapeamento Kaleidr, avaliação e um projeto piloto restrito. Leituras relacionadas incluem Private Location Data for AI Map Workflows, How to Build a Map-Aware AI Assistant e Spatial AI for Multi-Location Businesses. Equipes que já estão vinculando conversas a um mapa existente podem pular para o mapeamento Kaleidr; equipes que ainda estão definindo a propriedade da fonte devem começar com o significado de "fundamentada".

Fundamentos da IA ​​Espacial Fundamentada

• Os fatos permanecem com os proprietários: Inventário, políticas, preços e permissões nunca são criados pelo modelo.
• O espaço permanece calculado: Distância, rota, contenção e tempo de viagem pertencem aos serviços geoespaciais.
• Autorizar antes de recuperar: O modelo não é o mecanismo de permissões.
• Elegibilidade antes da classificação: Registros fechados, vazios, fora da área ou não autorizados são removidos do conjunto primeiro.
• Medir a tarefa: Seleção válida, transferência e geografia sem resultado superam o comprimento do chat isoladamente.

funciona quando o modelo interpreta a solicitação, enquanto os sistemas de negócios e geoespaciais permanecem como fontes confiáveis ​​dos fatos.

Por que a IA espacial fundamentada é um problema de arquitetura de negócios?

Um assistente genérico pode responder a perguntas amplas sobre locais públicos. Um produto empresarial precisa responder qual loja pode atender a um pedido para retirada, qual restaurante parceiro ainda está servindo após um show, qual anúncio ainda está ativo dentro de uma restrição de deslocamento ou qual provedor pode realmente atender a um endereço no período solicitado. Essas respostas dependem de estoque, horário de funcionamento, área de serviço, status do anúncio, elegibilidade do parceiro, permissões da conta e estado operacional. Um modelo de linguagem não deve inventar esses campos a partir da memória de treinamento.

A Kaleidr descreve atualmente a conexão de dados comerciais, informações de localização e sistemas existentes para que a IA Espacial possa funcionar com o que uma empresa já possui, além de uma base de conhecimento comercial baseada em localização para respostas de IA (Kaleidr, 2026). A página AI Map Chat for Customer Discovery apresenta o chat com reconhecimento de localização como fundamentando as recomendações nos locais, no estoque e nas regras de negócios da empresa anfitriã. Essas páginas são autoritativas quanto ao posicionamento da Kaleidr. No entanto, não comprovam que a Kaleidr opere um livro-razão de estoque nativo, CRM, feed de horários ou diretório de franquias.

Mantenha três problemas adjacentes distintos. O artigo sobre localização privada aborda a autorização e a minimização de registros que o host não expõe publicamente. O artigo sobre assistente com reconhecimento de mapa aborda o estado compartilhado do mapa e ações validadas no mapa. O guia para múltiplas localizações aborda IDs canônicos, elegibilidade e classificação em uma rede de ramificações. Este guia é a arquitetura de fonte de verdade que essas jornadas compartilham: evidências atuais, cálculo espacial determinístico e um pacote de contexto compacto que o modelo pode explicar sem possuir os fatos.

O que significa "fundamentado" nesta arquitetura?

Uma resposta fundamentada é aquela cujas afirmações de suporte provêm de fontes aprovadas e disponíveis para o aplicativo no momento da solicitação. Quando um cliente pergunta qual loja perto da Union Square tem uma jaqueta tamanho médio, o produto deve resolver o SKU e o tamanho, recuperar as lojas elegíveis, ler o estoque atual, calcular a relação geográfica com a origem mencionada, classificar as lojas válidas e somente então permitir que o modelo explique o resultado no mesmo mapa. A linguagem pode ser conversacional. O registro de estoque e o cálculo de deslocamento devem vir de sistemas que possam sustentar a afirmação.

Fundamentação é uma arquitetura de aplicativo, não um prompt mais amplo. O modelo interpreta a intenção e nomeia a pergunta que os sistemas devem responder. Os proprietários de estoque, política, disponibilidade e roteamento permanecem os sistemas de registro. Se nenhuma fonte for responsável por uma afirmação, pergunte se o produto deve fazer a afirmação.

A tabela de propriedade a seguir é editorial e não faz parte da documentação oficial do esquema Kaleidr. Use-a para manter os limites de origem visíveis. Implantações reais devem preencher as mesmas colunas com os dados dos sistemas que o host já executa.

Qual é a diferença entre fundamentação, ajuste fino, RAG e prompting?

As equipes frequentemente agrupam quatro tarefas diferentes em uma única palavra. O Grounding fornece informações comerciais e espaciais atualizadas no momento da solicitação. A geração aumentada por recuperação recupera registros ou documentos relevantes e pode ser uma técnica de Grounding. O Finetuning altera o comportamento do modelo ou o estilo de saída a partir de exemplos. O Prompting fornece instruções de tempo de execução e contexto da tarefa. Inventário em tempo real, disponibilidade, status de listagem, regras de área de serviço e tempo de viagem atual pertencem à evidência atual, não à memória do modelo.

Grounding é uma arquitetura de aplicação para evidência atual; não é outro nome para Finetuning ou um Prompting mais abrangente.

RAG é útil para textos de políticas, descrições de comodidades e diretrizes de marca. Campos estruturados, como contagem de estoque, status, preço, estado de funcionamento e um polígono de área de serviço, devem permanecer digitados para que filtros rígidos possam ser executados antes de qualquer classificação. O ajuste fino pode ajudar a definir o tom e o formato da saída. O ajuste fino geralmente não é a fonte de verdade adequada para um fato que mudou esta tarde. O recurso de prompts pode restringir a forma como o assistente se expressa. O uso de prompts por si só não torna um fato autoritativo.

Por que a fundamentação espacial precisa de sua própria camada?

Um assistente de negócios pode estar fundamentado em documentos e ainda assim estar espacialmente incorreto. Duas lojas podem ter estoque, mas apenas uma pode ser alcançada antes da próxima parada. Um modelo de linguagem não deve estimar essa relação a partir de descrições de lojas. O aplicativo precisa de um serviço geoespacial que possa receber origem, destino, meio de transporte e rede e retornar uma relação de viagem que o cliente possa inspecionar.

A IA Espacial Fundamentada, portanto, combina fundamentação de negócios com fundamentação espacial. Os dados de negócios indicam o que é verdade sobre o candidato. A camada geoespacial indica como os candidatos se relacionam no espaço. Um limite importante é que a IA escolhe a pergunta e os serviços espaciais calculam a relação. Place Ranking API abrange a classificação dos locais elegíveis restantes após esses cálculos, inclusive quando a próxima parada já está na viagem.

Quais registros canônicos a fundamentação deve usar?

Grounded precisa de identidades estáveis. Cada local, listagem, SKU, serviço ou fornecedor deve manter um ID permanente que seja compartilhado em todo o banco de dados da empresa, marcador de mapa, contexto de IA, análises e na transferência de reserva ou retirada. Não trate um nome de exibição como identidade. Informações da organização, como tom de voz da marca e políticas da empresa, podem ser herdadas. Informações do local, como horário de funcionamento, estoque local e elegibilidade para retirada, devem permanecer na filial. Uma terceira camada, o estado operacional, armazena estoque, capacidade e fechamentos temporários com um registro de data e hora explícito, pois o estoque de ontem não é um fator de classificação.

Normalize coordenadas, horários, valores de status, unidades e rótulos de categoria antes da solicitação para que os filtros determinísticos possam ser executados. Entidades tipadas impedem que um ID de loja seja tratado como um ID de produto ou que um edifício seja tratado como um anúncio. A lista exata de campos é específica para cada produto. O compromisso essencial é manter um ID por local e a propriedade explícita da fonte para cada afirmação que o assistente pode fazer.

Por que a recuperação deve seguir a autorização?

O padrão perigoso é recuperar uma grande quantidade de dados comerciais, fornecê-los ao modelo e perguntar ao modelo o que o usuário pode visualizar. A ordem mais segura é autenticar, resolver o locatário, autorizar objetos e campos, recuperar o mínimo necessário e, em seguida, fornecer apenas esse pacote ao modelo. Um usuário pode ter permissão para visualizar a localização de um provedor, mas não a margem interna. A camada de recuperação deve descartar o segundo campo antes que o contexto ultrapasse o limite do contexto da IA.

O modelo nunca deve ser o componente que decide o que um usuário tem permissão para recuperar; a autorização deve ser feita antes do limite do contexto da IA.

Kaleidr atualmente descreve uma separação entre chaves publicáveis ​​do navegador e chaves do servidor, e afirma que uma chave publicável apresentada como portadora é rejeitada (Kaleidr, 2026). A mesma documentação descreve um escopo vendor que permite ao chat consultar dados da organização que o host optou por expor nessa interface, e alerta que uma chave publicável não é o local adequado para tarifas ou qualquer informação que o host não publicaria. Considere essa separação como o contrato de credenciais públicas. O inventário do host, locais não publicados e registros de clientes ainda devem estar protegidos pela autorização do próprio host, e não dentro de um prompt.

A área de visualização do mapa faz parte da solicitação, não de uma concessão de permissão. Um recurso privado de um administrador que esteja visível não deve entrar no contexto de IA de outro usuário simplesmente porque a câmera se moveu. Os endpoints de bate-papo atuais documentam campos como location, map_zoom, idioma e contexto da sessão (Kaleidr, 2026). Esses campos mantêm a conversa vinculada ao mapa. O contexto do mapa não substitui a autorização de objetos e campos.

Como a elegibilidade, a classificação e a explicação devem permanecer separadas?

Restrições rígidas são binárias e pertencem aos sistemas responsáveis por localização, estoque e roteamento antes da classificação. Estar fechado, sem estoque da variante solicitada, fora da área de serviço, inativo, sem um serviço obrigatório ou sem autorização deve remover o candidato. Preferências flexíveis, como uma viagem um pouco mais curta, classificam o conjunto válido restante. A fundamentação responde ao que é verdadeiro. A classificação responde a qual opção válida se encaixa na solicitação. A explicação apresenta, com base nos dados, por que a lista restrita existe.

O modelo de linguagem pode transformar uma solicitação como "encontre este item para retirada hoje a caminho de casa" em campos inspecionáveis: origem, item, requisito de estado de abertura, modo de retirada e limite de deslocamento. Esses campos são consultas aos sistemas que já possuem as informações. Não peça ao modelo para inventar minutos de deslocamento depois que o cliente já tiver especificado a restrição. Não classifique uma loja principal fechada apenas por ser mais famosa. Revalide o estoque, a disponibilidade e o horário de funcionamento antes de uma ação de alto impacto, como reservar, comprar ou retirar, pois a recomendação pode ficar desatualizada enquanto o cliente compara as opções.

Um pacote de contexto compacto deve conter apenas a lista restrita que o cliente pode usar, com a origem e a atualização conhecidas pela aplicação, mesmo quando nem todos os campos de metadados são mostrados ao modelo. Colocar todo o banco de dados no prompt cria vazamento de dados, latência, registros obsoletos e uma superfície de depuração que ninguém pode inspecionar. A minimização é um controle de segurança e um controle de produto.

Onde o Kaleidr se encaixa em uma pilha fundamentada?

Uma implementação do Kaleidr pode anexar uma camada espacial conversacional a um mapa e a uma pilha de localização que o host já opera. O Kaleidr atualmente documenta o Chat como um produto que se sobrepõe a um mapa que o host já renderiza, plota locais resolvidos e enquadra a câmera à medida que a conversa resolve as localizações, com detecção automática para Mapbox, MapLibre, Google Maps e Leaflet (Kaleidr, 2026). O contrato de anexação confirma que a conversação com reconhecimento de mapa existe na interface pública atual para desenvolvedores. A mesma documentação não promete um catálogo de inventário nativo, um mecanismo de reservas ou um feed de horários.

A lista atual de APIs públicas da Plataforma inclui troca de sessão do SDK, chat em tempo real, rotas, enriquecimento de Pontos de Interesse (POI) e endpoints de design. A lista não publica atualmente uma rota universal de upload de conhecimento, índice RAG ou conexão de inventário. As páginas de produtos da Kaleidr descrevem a conexão de locais e a fundamentação da IA ​​em inventário e políticas de negócios; confirme o caminho de integração para a implantação, em vez de tratar o texto de marketing como uma API de ingestão. How to Add AI Chat to Mapbox, Google Maps, and MapLibre aborda as etapas de conexão específicas do renderizador. A página Location Intelligence APIs and Map SDK descreve atualmente SDKs, classificação e análises para produtos espaciais. Considere a documentação do desenvolvedor como o contrato de integração; as páginas de marketing descrevem o caso de uso, não a lista de feeds de inventário.

Ações de mapas semânticos, como focar, mostrar candidatos ou mostrar uma rota, devem ser propostas pelo assistente e validadas pelo host em relação a IDs e permissões antes que o renderizador as execute. A saída em linguagem natural não deve executar código de mapa arbitrário. O estado compartilhado de mapas, listas e chats deve manter um ID de localização canônico, de modo que perguntar o que está mais perto mantenha as mesmas regras de item e horário.

O método de ancoragem geográfica não é exclusivo de mapas. O Google Cloud atualmente documenta a pesquisa personalizada em conjuntos de dados comerciais estruturados, como catálogos de hotéis, anúncios imobiliários e diretórios de restaurantes, e descreve separadamente a geração de respostas de IA fundamentada a partir de dados conectados (Introduction to custom search, 2026). Para IA espacial, o requisito adicional é o cálculo geográfico. Essa página do Google Cloud descreve o próprio produto de pesquisa do Google. A página não é um conector do Kaleidr.

Como as equipes devem avaliar a IA Espacial fundamentada?

Uma resposta fluente ainda pode estar errada. Meça a correção da recuperação, a correção da autorização, a correção das regras de negócio, a correção espacial, a fidelidade da explicação, a validade da ação e a atualização como verificações separadas. Um sistema bem fundamentado deve, às vezes, retornar nenhuma opção elegível. Em muitos fluxos de trabalho B2B, um falso positivo é mais prejudicial do que a ausência de resultados. Registre motivos estruturados para a ausência de resultados, como fechado no momento, fora de estoque, fora da área, muito longe, horário desconhecido ou não autorizado, em vez de apenas um indicador de falha.

A qualidade da fundamentação é mensurável: a correção factual e espacial deve estar conectada à ação do cliente que o produto foi projetado para aprimorar.

A OWASP identifica atualmente a injeção de prompts como um risco importante para aplicações de modelos de linguagem e afirma que o RAG e o ajuste fino não a previnem completamente (LLM01:2025 Prompt Injection). Trate a entrada do usuário e o conteúdo recuperado como potencialmente não confiáveis. A OWASP também documenta vulnerabilidades em vetores e embeddings, incluindo conteúdo de recuperação envenenado, vazamento entre tenants e acesso não autorizado a embeddings (LLM08:2025 Vector and Embedding Weaknesses). A fundamentação requer confiança na fonte, particionamento de tenants e validação de ações pelo host, e não apenas um conjunto de recuperação maior. O NIST publicou o Perfil de Inteligência Artificial Generativa em julho de 2024 como complemento à Estrutura de Gerenciamento de Riscos de IA para a confiabilidade ao longo do ciclo de vida da IA (Generative Artificial Intelligence Profile, 2024). Avalie a fundamentação como parte desse sistema mais amplo, e não como um simples interruptor de factualidade.

O Kaleidr Analytics atualmente documenta o engajamento com mapas e locais, a comparação de locais, os padrões espaciais e a atividade que as equipes de produto, estoque e crescimento podem utilizar (Kaleidr, 2026). Os sistemas host ainda detêm o controle de estoque e reservas. Use esse loop para encontrar CEPs com buscas de produtos em estoque e sem filiais elegíveis, faixas de tempo de viagem que resultam na perda do cliente e mercados com demanda e campos ausentes. Essas questões são geográficas, e não relacionadas a visualizações de página. Spatial Analytics vs. Web Analytics aborda por que as visualizações de página, por si só, não podem respondê-las. Os nomes de eventos sugeridos neste artigo são recomendações editoriais e não nomes de eventos automáticos documentados pelo Kaleidr Analytics.

Como deve começar um projeto piloto de IA Espacial fundamentada?

Comece com uma tarefa de alto valor, como recomendar um local de retirada com estoque disponível no trajeto do trabalho para casa, em uma determinada região metropolitana. Mantenha o diretório de locais, horários e estoque nos sistemas que já os possuem. Integre a interação com o mapa conversacional ao mapa existente. Limite os candidatos a filiais autorizadas, exija que o item solicitado esteja aberto e em estoque, calcule o deslocamento a partir da origem indicada, revalide antes da retirada e mensure a seleção, além da ação subsequente do atendente. Expanda as categorias, cidades e franqueados somente quando essa primeira etapa funcionar.

A descoberta conversacional não substitui a qualidade do catálogo, a atualização dos dados ou a disciplina de atendimento. Os tempos de deslocamento continuam sendo estimativas. As informações de estoque são tão boas quanto a fonte de inventário que as sustenta. Anexar um assistente a um mapa existente geralmente é mais barato do que substituir o renderizador, mas o host ainda precisa ter autorização, contratos com fornecedores e a próxima ação comercial. Trate os dados ausentes como desconhecidos, em vez de como uma falha, e implemente por mercado, em vez de todos os conjuntos de dados de uma só vez.

Explore Kaleidr Spatial AI para adicionar pesquisa de localização conversacional em um mapa existente. Explore Kaleidr Enterprise para anexar SDKs e classificação à pilha que você já opera. Explore Kaleidr Analytics para medir o engajamento com o local e a demanda geográfica em torno dessa jornada. Confirme as páginas públicas atuais antes de considerar qualquer exemplo deste artigo como um compromisso funcional de produção.

Perguntas frequentes

O que é IA espacial fundamentada?

A IA Espacial Fundamentada utiliza dados comerciais atuais e aprovados, além de cálculos geográficos determinísticos, para fornecer respostas de IA sobre locais, estoque, disponibilidade, elegibilidade e viagens. O modelo de linguagem interpreta e explica a solicitação; os sistemas comerciais e geoespaciais permanecem como fontes autorizadas para os fatos.

Fundamentação é o mesmo que RAG?

Não. A geração aumentada por recuperação é uma técnica de fundamentação. Um sistema de IA Espacial em produção também pode usar consultas estruturadas, autorização, regras de negócios, classificação, roteamento, cálculos geométricos e APIs operacionais em tempo real.

Fundamentação é o mesmo que ajuste fino?

Não. O ajuste fino altera o comportamento do modelo. A fundamentação fornece evidências atuais em tempo de execução. Fatos que mudam rapidamente, como estoque e disponibilidade, devem permanecer em sistemas comerciais autorizados.

Devo fazer o upload de todo o meu banco de dados comercial para um modelo?

Não. Recupere apenas os registros autorizados e os campos necessários para a tarefa. Minimize o contexto antes que ele chegue ao modelo.

Quem deve ser o responsável pelo inventário e pela disponibilidade?

O sistema de negócios principal deve permanecer como autoridade para fatos operacionais, como inventário, disponibilidade, preço, status da listagem ou capacidade do fornecedor.

Quem deve calcular a distância e o tempo de viagem?

Use um serviço geoespacial ou de roteamento apropriado. O assistente pode interpretar qual relação importa e explicar o resultado, mas não deve inventar cálculos espaciais exatos.

A IA fundamentada ainda pode ter alucinações?

Sim. A base em dados reduz respostas sem suporte, mas não elimina o erro do modelo. Os aplicativos devem validar saídas estruturadas, restringir ações, avaliar a fidelidade da explicação e suportar o comportamento de ausência de resultado.

O RAG impede a injeção de prompts?

Não. A OWASP observa que o RAG e o ajuste fino não mitigam completamente a injeção de prompts. A recuperação, as permissões de ferramentas e as ações do modelo ainda precisam de controles de segurança em nível de aplicativo.

O Kaleidr pode usar o inventário e as políticas de negócios?

A página atual de IA do Kaleidr descreve recomendações de ancoragem nos locais, inventário e regras de negócios do host. O caminho exato de integração de dados depende da implantação e deve ser confirmado para o caso de uso corporativo.

O Kaleidr publica uma API genérica de ingestão de base de conhecimento?

A documentação atual da API da Plataforma pública não lista um endpoint universal de upload de conhecimento, índice RAG ou ingestão arbitrária de banco de dados corporativo. Ela documenta sessões do SDK, chat, roteamento, enriquecimento de POIs e endpoints de design.

O Kaleidr pode anexar IA fundamentada a um mapa existente?

Sim. A documentação atual sobre como anexar um chat público descreve o aumento da conversa em um mapa que o host já renderiza, incluindo Mapbox, MapLibre, Google Maps e Leaflet. O host ainda detém o catálogo de locais e a próxima ação comercial.

Como a IA Espacial fundamentada deve ser medida?

Correção da recuperação, correção da autorização, conformidade com as regras de negócio, correção espacial, fidelidade da explicação, atualização, precisão de ausência de resultados, ações válidas e resultados comerciais subsequentes. O volume de chat por si só é uma métrica de sucesso fraca.

Referências

1. Kaleidr. Build Your Own Spatial AI with Kaleidr. Accessed 13 September 2026. https://kaleidr.com/
2. Kaleidr. AI Map Chat for Customer Discovery. Accessed 13 September 2026. https://kaleidr.com/ai
3. Kaleidr. Auth & scopes. Developer documentation. Accessed 13 September 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
4. Kaleidr. Endpoints. Developer documentation. Accessed 13 September 2026. https://docs.kaleidr.com/platform-api/endpoints
5. Kaleidr. Chat attach. Developer documentation. Accessed 13 September 2026. https://docs.kaleidr.com/sdk/chat-attach
6. Kaleidr. Location Intelligence APIs and Map SDK. Accessed 13 September 2026. https://kaleidr.com/enterprise
7. Kaleidr. Map Engagement and Location Analytics. Accessed 13 September 2026. https://kaleidr.com/analytics
8. OWASP Gen AI Security Project. LLM01:2025 Prompt Injection. Accessed 13 September 2026. https://genai.owasp.org/llmrisk/llm01-prompt-injection/
9. OWASP Gen AI Security Project. LLM08:2025 Vector and Embedding Weaknesses. Accessed 13 September 2026. https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/
10. Google Cloud. Introduction to custom search. Accessed 13 September 2026. https://docs.cloud.google.com/generative-ai-app-builder/docs/about-generic-search
11. NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Published 26 July 2024. Accessed 13 September 2026. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

@misc{kaleidr_home_grounded_2026_09_13,
  title  = {Build Your Own Spatial AI with Kaleidr},
  author = {{Kaleidr}},
  note   = {Accessed 13 September 2026},
  url    = {https://kaleidr.com/}
}

@misc{kaleidr_ai_grounded_2026_09_13,
  title  = {AI Map Chat for Customer Discovery},
  author = {{Kaleidr}},
  note   = {Accessed 13 September 2026},
  url    = {https://kaleidr.com/ai}
}

@misc{kaleidr_auth_grounded_2026_09_13,
  title  = {Auth \& scopes},
  author = {{Kaleidr}},
  note   = {Developer documentation; accessed 13 September 2026},
  url    = {https://docs.kaleidr.com/platform-api/auth-and-scopes}
}

@misc{kaleidr_endpoints_grounded_2026_09_13,
  title  = {Endpoints},
  author = {{Kaleidr}},
  note   = {Developer documentation; accessed 13 September 2026},
  url    = {https://docs.kaleidr.com/platform-api/endpoints}
}

@misc{kaleidr_chat_attach_grounded_2026_09_13,
  title  = {Chat attach},
  author = {{Kaleidr}},
  note   = {Developer documentation; accessed 13 September 2026},
  url    = {https://docs.kaleidr.com/sdk/chat-attach}
}

@misc{kaleidr_enterprise_grounded_2026_09_13,
  title  = {Location Intelligence APIs and Map SDK},
  author = {{Kaleidr}},
  note   = {Accessed 13 September 2026},
  url    = {https://kaleidr.com/enterprise}
}

@misc{kaleidr_analytics_grounded_2026_09_13,
  title  = {Map Engagement and Location Analytics},
  author = {{Kaleidr}},
  note   = {Accessed 13 September 2026},
  url    = {https://kaleidr.com/analytics}
}

@misc{owasp_llm01_prompt_injection_2025,
  title  = {LLM01:2025 Prompt Injection},
  author = {{OWASP Gen AI Security Project}},
  note   = {Accessed 13 September 2026},
  url    = {https://genai.owasp.org/llmrisk/llm01-prompt-injection/}
}

@misc{owasp_llm08_vector_embedding_2025,
  title  = {LLM08:2025 Vector and Embedding Weaknesses},
  author = {{OWASP Gen AI Security Project}},
  note   = {Accessed 13 September 2026},
  url    = {https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/}
}

@misc{google_cloud_custom_search_2026,
  title  = {Introduction to custom search},
  author = {{Google Cloud}},
  note   = {Accessed 13 September 2026},
  url    = {https://docs.cloud.google.com/generative-ai-app-builder/docs/about-generic-search}
}

@misc{nist_genai_profile_2024,
  title  = {Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile},
  author = {{National Institute of Standards and Technology}},
  note   = {Published 26 July 2024; accessed 13 September 2026},
  url    = {https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence}
}