Поиск по документам и языковые модели под задачи компании
Строим поиск по вашему корпусу документов, который отвечает по существу и ссылается на источник. Не «умный чат-бот вообще», а система, которая знает вашу номенклатуру, ваши регламенты и вашу терминологию.
Разворачиваем в вашем контуре. Для документов, которые нельзя отдавать в публичный облачный сервис, это обычно единственный рабочий вариант.
Что закрываем
Задачи, по которым есть завершённые внедрения.
Поиск по технической документации
Десятки PDF-каталогов, из которых нужный артикул раньше искали часами. Дообученный OCR разбирает таблицы, формулы и изображения, структурированный корпус уходит в гибридный RAG. Ответ приходит за секунды прямо в Телеграм.
Правовой и нормативный поиск
Гибридный поиск по правовому корпусу с квотами по типу источника: авторитетные акты и практика ищутся раздельными запросами. Каждый ответ ссылается на статью и пункт, ссылки проверяются против источника автоматически. При слабых источниках система честно отказывается вместо правдоподобной выдумки.
База знаний компании
Единая точка ответа для сотрудников: регламенты, инструкции, история проектов. Права доступа наследуются из вашей системы, лишнего человек не увидит.
OCR под сложные документы
Сканы, чертежи, таблицы со сложной вёрсткой, рукописные пометки. Там, где типовой OCR ломается, модель дообучается на ваших документах.
Дообучение под доменную лексику
Артикулы, ГОСТы, внутренние сокращения, отраслевой жаргон. Базовая модель их не знает — дообучаем на вашем корпусе.
Актуализация корпуса
Автопарсер подтягивает новые редакции документов и версионирует корпус. Система не устаревает через полгода после сдачи.
Раскрытие ссылок или граф
Разные задачи требуют разной архитектуры. На аудите определяем, какая нужна вам.
Классический RAG
Документы режутся на фрагменты, поиск идёт по смысловой близости. Работает, когда ответ содержится в одном-двух фрагментах: найти характеристику детали, пункт инструкции, условие договора. Быстрее и дешевле в разработке и эксплуатации.
Раскрытие ссылок
Отсылочные нормы — главная проблема правового поиска: ст. 511 ГК говорит про восполнение недопоставки, но отсылает к порядку ст. 523, а по векторной близости та в топ не попадёт. Одношаговое раскрытие ссылок скалярным фильтром закрывает большую часть таких случаев — без графовой СУБД и без переэмбеддинга.
Когда нужен граф
Только там, где нужен обратный или многошаговый обход: «какие статьи ссылаются на эту», цепочки из трёх норм. Сценарии реальные, но редкие. И граф надо пересобирать при каждом обновлении корпуса — это не разовая стройка, а постоянная эксплуатация. Мы предлагаем его последним, а не первым.
Как проходит внедрение
- 01
Аудит корпуса и запросов
Две недели. Смотрим, из чего состоит корпус и какие вопросы ему реально задают. Собираем набор эталонных вопросов с правильными ответами — по нему потом измеряется качество. На выходе техзадание с метриками и фиксированной ценой.
- 02
Извлечение и структурирование
Разбираем документы: OCR там, где нужен, нормализация таблиц, выделение сущностей. Обычно это самый трудоёмкий этап — от качества корпуса зависит всё остальное.
- 03
Сборка и замер
Собираем поисковый контур, настраиваем цитирование, прогоняем на эталонном наборе. Показываем метрику до внедрения, а не после.
- 04
Интеграция и запуск
Подключаем к тому, чем пользуются сотрудники: Телеграм, внутренний портал, CRM. Настраиваем автообновление корпуса, передаём исходный код, веса и документацию.
Стек
Собран из завершённых проектов.
Когда RAG не поможет
Эти вещи лучше знать до старта, а не на приёмке.
Ответа нет в документах
RAG находит и формулирует то, что есть в корпусе. Если знание живёт только в головах сотрудников, сначала нужно его записать — иначе система будет уверенно отвечать мимо.
Корпус мелкий и стабильный
Если документов десятки, а не тысячи, и они почти не меняются, обычный полнотекстовый поиск или хорошая навигация решают задачу дешевле. Скажем об этом на аудите.
Нужна юридическая ответственность за ответ
Система ускоряет подготовку и даёт ссылку на источник, но не заменяет специалиста, подписывающего заключение. Мы проектируем её как инструмент юриста или инженера, а не как замену.
Завершённые внедрения
RAG-система с дообученным OCR
Поставили Pipistrello — собственный OCR-пайплайн под сложные технические PDF: модель дообучили распознавать таблицы, формулы и изображения. Структурированный корпус ушёл в гибридный RAG, доступный из Telegram-бота через n8n. Запрос менеджера превращается в осмысленный ответ за секунды.
ИИ-юрист с проверяемым цитированием
Гибридный поиск по правовому корпусу с реранкингом и квотами по типу источника: авторитетные акты и рекомендательная практика ищутся раздельно, иначе доктрина вытесняет законы из топа. Каждый ответ ссылается на статью и пункт, ссылки автоматически проверяются против источника — ответ без подтверждения считается дефектом. Автопарсер подтягивает новые редакции и версионирует корпус.
Все отрасли
ИИ для юридических компаний
Поиск по правовому корпусу, который отвечает по существу и всегда ссылается на статью и пункт. Разворачивается в вашем контуре — документы клиентов не покидают периметр.
ИИ для ресторанов и ритейла
Два контура: помощник в зале, который помогает гостю выбрать и оформляет заказ, и голосовой агент на входящей линии, который не теряет звонки в час пик.
Разборы из практики
Как устроена работа с документами и что проверять перед переносом RAG-системы на другой корпус.
Расскажите, что за корпус документов.
Ответим за день. На первом созвоне поймём, решается ли задача поиском и какая архитектура нужна.