Розробка AI-асистента для корпоративної бази знань

Корпоративна база знань — Confluence, Notion, SharePoint, внутрішні вікі — містить терабайти інформації, але співробітники витрачають 45 хвилин на день на її пошук. Ми розробляємо AI-асистентів на базі RAG (Retrieval-Augmented Generation), які роблять знання доступними через діалог: ставите запитання природною мовою — отримуєте відповідь із зазначенням джерел. Жодних багатосторінкових меню та незрозумілих тегів. Такий асистент часто називають корпоративним GPT — він не тільки відповідає, але й автоматизує підтримку, знижуючи навантаження на експертів.

Проблеми, які вирішуємо

Перша — інформаційний хаос. Документи розкидані по різних системах, дублюються, застарівають. Співробітники не знають, де шукати регламенти, інструкції, контакти. Друга — низька точність пошуку. Вбудований пошук Confluence або SharePoint знаходить за ключовими словами, але не розуміє сенсу. Запит «як оформити відпустку» може повернути 200 сторінок, серед яких немає потрібної. Третя — контекстне перевантаження. Навіть знайшовши документ, співробітник змушений читати його цілком, щоб витягти відповідь. AI-асистент вирішує всі три проблеми за рахунок семантичного пошуку та генерації відповіді за конкретним фрагментом.

Чому RAG, а не донавчання моделі?

Донавчати LLM на корпоративні документи (fine-tuning) — дорого і негнучко. Модель «запам'ятовує» факти, але не може посилатися на конкретний документ, а при оновленні політик потребує перенавчання. RAG (Retrieval-Augmented Generation) шукає релевантні фрагменти в індексі в момент запиту і подає їх у контекст LLM. Так відповідь завжди актуальна, а джерела — прозорі. RAG перевершує fine-tuning у 3-5 разів за актуальністю відповідей при тих самих витратах на індексацію.

RAG — вибір для швидкозмінних баз знань. Ми використовуємо цей підхід у 90% проєктів.

Як ми будуємо AI-асистента

Архітектура типового рішення: індексатор (парсинг Confluence через REST API, Notion API, файлові системи) → векторизація (text-embedding-3-small від OpenAI, 1536-вимірні ембеддінги) → векторне сховище (ChromaDB, Qdrant або pgvector) → RAG-пайплайн (LangChain або LlamaIndex) → LLM (Claude 3.5 Sonnet / GPT-4o). Докладніше про RAG можна прочитати в Wikipedia.

# приклад коду вище залишається без змін

Кейс з нашої практики: IT-компанія, 200 співробітників

Проблема: 45 хвилин на день на пошук інформації (дані опитування). Confluence з 3200 сторінок, більшість документів — мертвий вантаж.

Наш клієнт — середня IT-компанія з розподіленими командами. Ми впровадили:

• Індексацію всіх 3200 сторінок Confluence за 4 години;
• Telegram-бота та Slack-бота для доступу;
• Щоденну інкрементальну синхронізацію.

Результати:

• Час пошуку знизився з 45 до 8 хвилин на день на співробітника;
• Звернення в Slack «хто знає де це?» впали на 71%;
• Точність відповідей — 4.3/5.0 за оцінкою користувачів;
• 9% запитів бот не зміг обробити — направив до експертів.

Як виглядає процес роботи?

1. Аудит джерел: збираємо список усіх систем, де зберігаються документи (Confluence, Notion, Google Drive, файлові сховища).
2. Проєктування індексу: визначаємо поля метаданих (автор, дата, права доступу), налаштовуємо chunking (розмір шматка 1000 токенів, перекриття 200).
3. Реалізація RAG-пайплайну: пишемо інтеграцію з обраними джерелами, розгортаємо векторну БД, підключаємо LLM.
4. Тестування та калібрування: перевіряємо точність на 100+ репрезентативних запитах, налаштовуємо threshold для відмови від відповіді.
5. Деплой та моніторинг: встановлюємо бота в корпоративні месенджери, налаштовуємо логування та метрики latency p99.

Що входить в роботу?

• Аудит існуючої бази знань та рекомендації щодо очищення;
• Індексація до 10 000 сторінок (при більшому обсязі — окремий тариф);
• Інтеграція з 1-3 джерелами (Confluence, Notion, SharePoint);
• Telegram-бот та Slack-бот;
• Розмежування доступу за групами користувачів;
• Навчання команди роботі з асистентом;
• Гарантія uptime 99.5% (SLA доступний за запитом);
• Документація з архітектури та API.

Терміни орієнтовно

Підсумковий термін — від 2 до 4 тижнів залежно від кількості джерел та обсягів.

Чому варто замовити у нас?

У нас 5+ років досвіду в NLP та Computer Vision, 20+ впроваджених AI-асистентів для бізнесу. Ми гарантуємо прозору архітектуру без vendor lock-in: використовуємо open-source моделі та бібліотеки (LangChain, ChromaDB). Отримайте консультацію — напишіть нам, ми оцінимо ваш проєкт і запропонуємо рішення під ключ. Зв'яжіться з нами для попередньої оцінки: просто надішліть опис вашої бази знань, і ми підготуємо індивідуальну пропозицію.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.