Клиент жалуется: «У нас 10 000 документов в Confluence, но найти ответ — лотерея». Типичная ситуация: сотрудники тратят до 30% рабочего времени на поиск информации. Мы решаем это с помощью вопросно-ответной системы на базе RAG (Retrieval-Augmented Generation) — подхода, сочетающего ретривэл и генерацию. Она позволяет задавать вопросы на естественном языке и получать точные ответы с цитированием источников. За 5+ лет мы реализовали более 50 NLP-проектов, и RAG — основной инструмент для корпоративных баз знаний и интеллектуального поиска. Согласно Question Answering, задача QA состоит в извлечении или синтезе ответа из набора документов.
RAG превосходит extractive QA в задачах обобщения — точность на 15% выше, а галлюцинации снижены вдвое. Для юридической компании с 5000+ договоров мы добились F1 82% и времени поиска 30 секунд. Экономия на поиске информации составляет порядка $2.7k–3.9k в месяц для компании с 500+ сотрудниками. Для компании с 2000+ сотрудников экономия достигает $9k–13k в месяц. RAG также дешевле Long-context LLM в 10 раз при сопоставимом качестве.
Почему RAG — лучший подход для Question Answering?
Extractive QA (модели deepset/roberta-base-squad2, sberbank-ai/rubert-base-cased-qa) хороша, когда ответ — точная цитата. Но если вопрос требует обобщения или информации из нескольких документов — extractive не справляется. Long-context LLM (Claude 3.5, 200K токенов) проще, но дорого и не масштабируется свыше 500 страниц. RAG — золотая середина: дешёвый поиск по векторным индексам + синтез ответа LLM. Мы используем его в 90% проектов.
| Подход | Точность | Галлюцинации | Стоимость | Масштабируемость |
|---|---|---|---|---|
| Extractive | Высокая (EM ~80%) | Минимум | Низкая | Высокая |
| RAG | Средняя (F1 ~75%) | Умеренные | Средняя | Очень высокая |
| Long-context | Высокая | Есть | Высокая | Низкая |
Какие проблемы решаем?
На типичном проекте клиенты сталкиваются с тремя проблемами:
- Данные в разных системах. Confluence, SharePoint, Google Drive, 1С — документы разрозненны. Мы строим единый индексатор через Airbyte или кастомные ETL-пайплайны.
- Таблицы и сканы. LLM плохо понимает сложные таблицы. Используем Text2SQL или serialization в Markdown. Для сканов — Tesseract + layout-parser, что обеспечивает качественное распознавание документов.
- Высокая latency. Пользователи не хотят ждать >5 секунд. Оптимизируем: кэширование эмбеддингов, batch-инференс, vLLM для GPU.
Как мы это делаем: кейс юридической компании
Для одной юридической компании (5000+ договоров в PDF) мы запустили RAG-систему за 3 недели. Стек: LangChain + Qdrant + GPT-4o-mini. Результат: время поиска сократилось с 15 минут до 30 секунд, точность ответов — 82% (F1). Ключевое — добавили Faithfulness check: отдельный промпт проверяет, что каждый факт в ответе подтверждается хотя бы одним документом. Если нет — система пишет «В документах нет информации».
Параметры chunking подбирали экспериментально:
| Размер чанка | Перекрытие | F1 на тестовом сете |
|---|---|---|
| 256 токенов | 32 | 78% |
| 512 токенов | 64 | 82% |
| 1024 токенов | 128 | 80% |
Для повышения точности используем гибридный поиск: dense embeddings (OpenAI text-embedding-3-small) комбинируются с BM25, а затем re-ranking через Cohere rerank v3. Это даёт прирост F1 ещё на 3-5 процентных пункта.
Как мы оцениваем качество ответов?
Мы создаём тестовый датасет из 100+ вопросов, покрывающих типовые сценарии. Метрики: F1, EM (exact match), faithfulness (доля ответов без галлюцинаций), latency p95. Целевой порог — F1 ≥ 75% и faithfulness ≥ 95%. При необходимости донастраиваем retriever (настройка k, выбор модели эмбеддингов) или LLM (few-shot промпты).
Пример конфигурации индексатора
from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_community.vectorstores import Qdrant from langchain.chains import RetrievalQA embeddings = OpenAIEmbeddings(model="text-embedding-3-small") vectorstore = Qdrant.from_existing_collection( embeddings=embeddings, url="http://localhost:6333", collection_name="docs" ) llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=vectorstore.as_retriever(search_kwargs={"k": 5}), return_source_documents=True, ) result = qa_chain.invoke({"query": "Каков порядок расторжения договора?"}) Сколько стоит внедрение QA-системы?
Базовый проект (до 10 000 страниц, 1 источник) — от 3 до 5 недель. Сложный (множество источников, таблицы, сканы) — от 6 до 10 недель. Точную стоимость называем после аудита данных — пишите, оценим ваш кейс бесплатно. Типовой проект окупается за 3-6 месяцев благодаря сокращению времени поиска.
Процесс работы
- Аналитика: аудит источников данных, типов документов, объёмов, частоты запросов.
- Проектирование: выбор архитектуры (RAG / hybrid / multi-agent), определение пайплайна chunking, embedding, retrieval.
- Реализация: индексация данных, настройка LLM, интеграция с корпоративными системами (Confluence, SharePoint, Telegram bot).
- Тестирование: создание тестового датасета из 100+ вопросов, оценка метрик (F1, EM, faithfulness, latency).
- Деплой и мониторинг: развёртывание на Kubernetes или Managed ML (SageMaker, Vertex AI), логирование ответов, A/B тестирование.
Что входит в deliverables
- Индексатор документов с поддержкой инкрементального обновления
- REST API для вопросов (Swagger-документация)
- Веб-интерфейс (simple chat UI)
- Интеграция с мессенджерами (Telegram, Slack) — опционально
- Дашборд метрик (количество запросов, latency p95, процент отказов)
- Документация по эксплуатации
- Обучение команды (2-3 часа)
- Гарантия 3 месяца на баги
Наши инженеры сертифицированы по AWS и GCP, гарантируем точность не ниже 75% F1 на ваших данных. Закажите аудит — мы оценим объём, типы документов и сроки внедрения. Получите консультацию и коммерческое предложение за 1-2 дня.