AI Enterprise Search: інтелектуальний корпоративний пошук

У компанії з 500 осіб знання зберігаються у 7–12 системах одночасно: Confluence, SharePoint, Jira, корпоративна пошта, 1C, внутрішні CRM, файлові сервери. Співробітник витрачає в середньому 2,5 години на день на пошук інформації — це не метафора, це дані McKinsey Global Institute. Ключова проблема не в тому, що дані є, а в тому, що знайти їх через звичайний keyword-пошук неможливо: документ називається «Регламент_v3_final_FINAL2», а запит — «як оформити відрядження». Ми розробляємо AI Enterprise Search — систему, яка вирішує цю проблему через семантичне розуміння запиту та гібридний пошук по всіх джерелах одночасно.

Проблеми, які вирішуємо

Розрізненість даних — не єдина складність. Навіть якщо документ знайдено, він може бути неактуальним або не відповідати контексту. Типові сценарії:

• Низька точність keyword-пошуку: артикул «A-123» шукається як звичайне слово, без розуміння, що це номер деталі.
• Відсутність контексту: запит «бюджет на маркетинг» має враховувати, що користувач — керівник відділу, а не стажер.
• Порушення безпеки: співробітник бачить документи, до яких не має доступу, якщо ACL не впроваджено.

Чому AI Enterprise Search ефективніший за звичайний пошук?

Чистий векторний пошук добре працює на семантично схожих запитах, але погано — на точних збігах: артикулах, іменах, датах. Запит «договір з ТОВ "Ромашка" від 12 березня» дасть кращий результат через BM25, а «порядок дій при інциденті з витоком даних» — через векторний пошук. Гібридний підхід об'єднує сильні сторони обох методів.

from qdrant_client import QdrantClient
from rank_bm25 import BM25Okapi
from sentence_transformers import SentenceTransformer, CrossEncoder
import numpy as np

class HybridSearchEngine:
    def __init__(self):
        self.dense_model = SentenceTransformer("intfloat/multilingual-e5-large")
        self.reranker = CrossEncoder("cross-encoder/ms-marco-MiniLM-L-6-v2")
        self.qdrant = QdrantClient(url="http://localhost:6333")
        self.bm25_index = None
        self.doc_store = {}

    def search(self, query: str, top_k: int = 20, final_k: int = 5) -> list[dict]:
        # Dense search
        query_emb = self.dense_model.encode(
            f"query: {query}",  # E5-формат
            normalize_embeddings=True
        )
        dense_results = self.qdrant.search(
            collection_name="enterprise_docs",
            query_vector=query_emb.tolist(),
            limit=top_k
        )

        # Sparse search (BM25)
        bm25_scores = self.bm25_index.get_scores(query.lower().split())
        top_bm25_ids = np.argsort(bm25_scores)[-top_k:][::-1]

        # Merge результатов (RRF - Reciprocal Rank Fusion)
        merged = self._reciprocal_rank_fusion(dense_results, top_bm25_ids)

        # Cross-encoder reranking
        pairs = [(query, self.doc_store[doc_id]["text"]) for doc_id in merged[:top_k]]
        rerank_scores = self.reranker.predict(pairs)
        reranked = sorted(
            zip(merged[:top_k], rerank_scores),
            key=lambda x: x[1],
            reverse=True
        )

        return [self.doc_store[doc_id] for doc_id, _ in reranked[:final_k]]

    def _reciprocal_rank_fusion(self, dense: list, sparse: list, k: int = 60) -> list:
        scores = {}
        for rank, item in enumerate(dense):
            doc_id = item.id
            scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank + 1)
        for rank, doc_id in enumerate(sparse):
            scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank + 1)
        return sorted(scores, key=scores.get, reverse=True)

Розуміння запиту та генерація відповіді

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

class EnterpriseSearchAssistant:
    def __init__(self, search_engine: HybridSearchEngine):
        self.search = search_engine
        self.llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.1)

    def answer(self, query: str, user_context: dict) -> dict:
        # Расширение запроса для лучшего поиска
        expanded_query = self._expand_query(query, user_context)

        # Поиск по всем источникам
        results = self.search.search(expanded_query, final_k=7)

        if not results:
            return {"answer": "Документи за вашим запитом не знайдено.", "sources": []}

        # Генерация ответа с цитатами
        context = "\n\n".join([
            f"[{i+1}] {r['title']} ({r['source']})\n{r['text'][:500]}"
            for i, r in enumerate(results)
        ])

        prompt = f"""Дай відповідь на питання співробітника на основі документів компанії.
Використовуй лише надані документи. Цитуй джерела [1], [2] і т.д.
Якщо відповідь неповна — скажи про це.

Питання: {query}
Документи:
{context}"""

        answer = self.llm.invoke(prompt).content
        return {
            "answer": answer,
            "sources": [{"id": i+1, "title": r["title"], "url": r["url"]}
                        for i, r in enumerate(results)]
        }

Індексація джерел

Для кожного джерела — окремий конектор з інкрементальним оновленням:

Кейс з практики: виробничий холдинг, 1200 співробітників. Індексували 340 000 документів з Confluence, SharePoint та самописної СЕД. Час завантаження індексу — 18 годин (одноразово). Регулярне оновлення — дельта за 30 хвилин, ~200 документів, займає 4 хвилини. Середня точність топ-3 відповідей (оцінка HR-командою на вибірці 500 запитів): 78% релевантних результатів проти 41% у колишнього Elasticsearch keyword-пошуку. За рахунок автоматизації пошуку компанія отримала суттєву економію бюджету.

Як оцінюється точність пошуку?

Оцінка проводиться на реальних запитах співробітників. Ми формуємо вибірку з 300–500 типових питань, розмічаємо релевантні документи та рахуємо recall@k і precision@k. Ключовий інструмент — CrossEncoder, який ранжує кандидатів та підвищує точність топ-3 до 78%. Валідація виконується замовником на його даних.

Як ми забезпечуємо безпеку корпоративних даних?

Критична деталь enterprise-пошуку — користувач повинен бачити лише ті документи, до яких він має доступ. Реалізується через metadata-фільтри в Qdrant:

# При пошуку фільтруємо за правами користувача
results = qdrant.search(
    collection_name="enterprise_docs",
    query_vector=query_emb,
    query_filter=Filter(
        must=[
            FieldCondition(
                key="allowed_groups",
                match=MatchAny(any=user_groups)
            )
        ]
    ),
    limit=20
)

Процес роботи

1. Аналітика та аудит джерел: виявляємо, де зберігаються дані, оцінюємо обсяг та частоту змін.
2. Проектування архітектури: обираємо модель ембеддингів, векторну БД, налаштовуємо пайплайн.
3. Індексація даних: підключаємо конектори, проводимо пробну індексацію на 10% даних.
4. Налаштування пошуку та реранжування: оптимізуємо параметри RRF, підбираємо пороги для CrossEncoder.
5. Інтеграція UI та ботів: вбудовуємо пошук у веб-інтерфейс, Slack-бота, API.
6. Тестування та налагодження: перевіряємо на реальних запитах співробітників, ітеративно покращуємо.
7. Деплой та моніторинг: розгортаємо в production, налаштовуємо логи та метрики (latency p99, recall).

Що входить в роботу

• Документація архітектури та інструкції з експлуатації.
• Налаштовані конектори до всіх джерел.
• Веб-інтерфейс пошуку та інтеграція з корпоративним месенджером.
• Навчання команди (2-3 воркшопи).
• Гарантійна підтримка 3 місяці після запуску.

Строки та вартість

• Пілот (1-2 джерела, ~50 000 документів): 4–6 тижнів.
• Повна система (5–8 джерел + UI): 3–4 місяці.
• Налаштування ACL: +2–3 тижні.

Вартість розраховується індивідуально після аудиту. В середньому інвестиції окупаються за 6–12 місяців за рахунок скорочення часу на пошук. Замовте пілотний проект — перший етап займе не більше 2 днів на аналіз.

Чому обирають нас

• 5+ років на ринку AI-рішень для enterprise.
• 20+ проектів з впровадження семантичного пошуку в компаніях від 200 до 5000 співробітників.
• Гарантія SLA 99.9% та точності пошуку не нижче 75% за вашими критеріями.
• Сертифіковані інженери з MLOps та NLP.

Зв'яжіться з нами, щоб отримати консультацію по вашому проекту та попередню оцінку за 2 дні.

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.