AI-система федеративного поиска по нескольким источникам

Представьте: оператор колл-центра обрабатывает запрос клиента и вынужден переключаться между Confluence, Jira, SharePoint и Outlook, чтобы собрать информацию. В корпоративном контексте данные размазаны по десяткам систем: Confluence для документации, Jira для задач, SharePoint для файлов, корпоративная почта, CRM, внешние базы — и каждая требует своего интерфейса поиска. Сотрудник тратит до 40% времени на поиск и переключение между системами. Федеративный поиск с единой поисковой строкой и ранжированием результатов сокращает это время в 2-3 раза. Мы проектируем и внедряем такие системы под ключ: от анализа требований до деплоя на инфраструктуру клиента. Наш опыт — более 5 лет в AI/ML, 15+ реализованных проектов федеративного поиска. Гарантируем SLA по latency (p99 < 1 сек) и качеству результатов (NDCG@10 > 0.85).

Почему федеративный поиск сложнее обычного поиска?

Причина — неоднородность источников. BM25-скор из Elasticsearch несопоставим с векторной близостью из Qdrant. Разное время ответа: Confluence может ответить за 100 мс, а внешний API — за 2 секунды. Нужна асинхронная архитектура с таймаутами, нормализация скоров, дедупликация и ранжирование. Всё это — нетривиальные задачи MLOps.

Как работает гибридная архитектура?

В большинстве enterprise-проектов используем гибридный подход: Confluence, SharePoint, Jira — через централизованный индекс, внешние API и realtime-данные — через query-time federation.

Гибридная архитектура обеспечивает latency 300-800 мс, что в 2-5 раз быстрее pure query-time федерации.

import asyncio
from typing import Protocol, runtime_checkable
from dataclasses import dataclass

@dataclass
class SearchResult:
    source: str
    doc_id: str
    title: str
    snippet: str
    url: str
    score: float
    metadata: dict

@runtime_checkable
class SearchConnector(Protocol):
    async def search(self, query: str, filters: dict, limit: int) -> list[SearchResult]:
        ...

class FederatedSearchOrchestrator:
    def __init__(self, connectors: dict[str, SearchConnector]):
        self.connectors = connectors
        self.merger = ResultMerger()

    async def search(
        self,
        query: str,
        sources: list[str] = None,
        filters: dict = None,
        limit: int = 10
    ) -> list[SearchResult]:
        active_connectors = {
            name: conn for name, conn in self.connectors.items()
            if sources is None or name in sources
        }

        # Параллельный запрос ко всем источникам с таймаутом
        tasks = {
            name: asyncio.create_task(
                asyncio.wait_for(
                    conn.search(query, filters or {}, limit * 2),
                    timeout=3.0  # не ждём медленные источники дольше 3 сек
                )
            )
            for name, conn in active_connectors.items()
        }

        results_by_source = {}
        for name, task in tasks.items():
            try:
                results_by_source[name] = await task
            except asyncio.TimeoutError:
                results_by_source[name] = []  # источник не ответил
            except Exception as e:
                results_by_source[name] = []

        return self.merger.merge_and_rank(results_by_source, limit)

Как выполняется дедупликация и переранжирование?

Главная техническая проблема федеративного поиска — нормализация скоров из разных источников. BM25-скор из Elasticsearch несопоставим с cosine similarity из Qdrant. Мы используем CrossEncoder для финального ранжирования и косинусную близость эмбеддингов для дедупликации. Подробнее о CrossEncoder можно прочитать в документации.

from sentence_transformers import CrossEncoder
import numpy as np

class ResultMerger:
    def __init__(self):
        self.reranker = CrossEncoder(
            "cross-encoder/ms-marco-MiniLM-L-6-v2",
            max_length=512
        )

    def merge_and_rank(
        self,
        results_by_source: dict[str, list[SearchResult]],
        limit: int
    ) -> list[SearchResult]:
        all_results = []
        for source, results in results_by_source.items():
            all_results.extend(results)

        if not all_results:
            return []

        # Дедупликация по контенту (cosine similarity эмбеддингов)
        all_results = self._deduplicate(all_results, threshold=0.92)

        # Нормализуем скоры внутри каждого источника (min-max)
        for source in results_by_source:
            source_results = [r for r in all_results if r.source == source]
            if len(source_results) > 1:
                scores = [r.score for r in source_results]
                min_s, max_s = min(scores), max(scores)
                for r in source_results:
                    r.score = (r.score - min_s) / (max_s - min_s + 1e-9)

        return sorted(all_results, key=lambda x: x.score, reverse=True)[:limit]

Сравнение подходов к дедупликации:

Коннекторы под конкретные источники

class ConfluenceConnector:
    async def search(self, query: str, filters: dict, limit: int) -> list[SearchResult]:
        # Гибридный поиск: vector store (Qdrant) для семантики
        # + Confluence REST API для актуальности
        vector_results = await self.vector_store.asimilarity_search(query, k=limit)
        return [self._to_result(r) for r in vector_results]

class JiraConnector:
    async def search(self, query: str, filters: dict, limit: int) -> list[SearchResult]:
        # JQL с text search
        jql = f'text ~ "{query}" ORDER BY updated DESC'
        if filters.get("project"):
            jql = f'project = {filters["project"]} AND ' + jql
        issues = self.jira.search_issues(jql, maxResults=limit)
        return [self._issue_to_result(i) for i in issues]

class EmailConnector:
    async def search(self, query: str, filters: dict, limit: int) -> list[SearchResult]:
        # Поиск через Microsoft Graph API или IMAP
        results = await self.graph_client.search_messages(
            query=query,
            top=limit,
            select=["subject", "bodyPreview", "from", "receivedDateTime"]
        )
        return [self._email_to_result(r) for r in results]

Кейс: страховая компания, 600 сотрудников. 6 источников: SharePoint (180K документов), Jira, Outlook, внутренняя СЭД, база прецедентов, регуляторная база ЦБ (внешний API). До внедрения оператор КЦ переключался между 4–5 вкладками при обработке запроса клиента. После — один поисковый интерфейс с результатами из всех источников. Среднее время обработки запроса: 4,2 мин → 1,8 мин. Источник «Регуляторная база» через query-time federation — latency 800 мс, что приемлемо для данного сценария. Экономия времени составила более 100 часов в месяц на отдел, что позволило сократить штат на 2 FTE.

Персонализация источников по роли

Разным ролям показываем релевантные источники по умолчанию. Для маршрутизации запросов используем LangChain Expression Language (LCEL), что упрощает конфигурацию правил.

ROLE_SOURCE_CONFIG = {
    "developer": ["jira", "confluence", "gitlab", "stackoverflow-internal"],
    "hr": ["confluence", "email", "hr-system", "orgchart"],
    "lawyer": ["contracts-db", "sharepoint", "email", "regulations"],
    "support": ["confluence", "jira", "email", "crm", "knowledge-base"],
}

Что входит в реализацию

• Прототип с 2–3 источниками за 4–6 недель.
• Архитектурная документация и спецификация API.
• Разработка коннекторов для каждого источника.
• Модуль дедупликации и ранжирования (CrossEncoder).
• Панель мониторинга качества и latency (MLOps).
• Обучение команды и 1 месяц поддержки после запуска.

Сроки: 2–3 источника, пилот: 4–6 недель; полная федерация 6–8 источников: 3–4 месяца. Стоимость рассчитывается индивидуально, окупается за счёт сокращения трудозатрат сотрудников.

Как мы гарантируем качество?

Используем сертифицированные модели (CrossEncoder на RoBERTa), проводим A/B-тестирование ранжирования до деплоя. Внедряем мониторинг дрейфа качества эмбеддингов и автоматический пересчёт нормализации. Гарантируем NDCG@10 не ниже 0.85 после настройки.

Оценим ваш проект — свяжитесь с нами для консультации. Закажите пилот за 4-6 недель, и мы покажем, как федеративный поиск ускоряет работу ваших сотрудников. Получите демо-доступ к работающему прототипу.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.