AI-система федеративного пошуку за кількома джерелами

Уявіть: оператор кол-центру обробляє запит клієнта і змушений перемикатися між Confluence, Jira, SharePoint та Outlook, щоб зібрати інформацію. У корпоративному контексті дані розмазані по десятках систем: Confluence для документації, Jira для задач, SharePoint для файлів, корпоративна пошта, CRM, зовнішні бази — і кожна потребує свого інтерфейсу пошуку. Співробітник витрачає до 40% часу на пошук та перемикання між системами. Федеративний пошук з єдиним пошуковим рядком та ранжуванням результатів скорочує цей час у 2-3 рази. Ми проектуємо та впроваджуємо такі системи під ключ: від аналізу вимог до деплою на інфраструктуру клієнта. Наш досвід — понад 5 років в AI/ML, 15+ реалізованих проектів федеративного пошуку. Гарантуємо SLA за latency (p99 < 1 сек) та якістю результатів (NDCG@10 > 0.85).

Чому федеративний пошук складніший за звичайний пошук?

Причина — неоднорідність джерел. BM25-скор з Elasticsearch непорівнянний з векторною близькістю з Qdrant. Різний час відповіді: Confluence може відповісти за 100 мс, а зовнішній API — за 2 секунди. Потрібна асинхронна архітектура з таймаутами, нормалізація скорів, дедуплікація та ранжування. Все це — нетривіальні завдання MLOps.

Як працює гібридна архітектура?

У більшості enterprise-проектів використовуємо гібридний підхід: Confluence, SharePoint, Jira — через централізований індекс, зовнішні API та realtime-дані — через query-time federation.

Гібридна архітектура забезпечує latency 300-800 мс, що в 2-5 разів швидше за pure query-time федерацію.

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
        }

        # Паралельний запит до всіх джерел з таймаутом
        tasks = {
            name: asyncio.create_task(
                asyncio.wait_for(
                    conn.search(query, filters or {}, limit * 2),
                    timeout=3.0  # не чекаємо повільні джерела довше 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] = []  # джерело не відповіло
            except Exception as e:
                results_by_source[name] = []

        return self.merger.merge_and_rank(results_by_source, limit)

Як виконується дедуплікація та переранжування?

Головна технічна проблема федеративного пошуку — нормалізація скорів з різних джерел. BM25-скор з Elasticsearch непорівнянний з cosine similarity з Qdrant. Ми використовуємо CrossEncoder для фінального ранжування та косинусну близькість ембедингів для дедуплікації. Докладніше про CrossEncoder можна прочитати в документації.

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 []

        # Дедуплікація за контентом (cosine similarity ембедингів)
        all_results = self._deduplicate(all_results, threshold=0.92)

        # Нормалізуємо скори всередині кожного джерела (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]

Порівняння підходів до дедуплікації:

Конектори під конкретні джерела

class ConfluenceConnector:
    async def search(self, query: str, filters: dict, limit: int) -> list[SearchResult]:
        # Гібридний пошук: vector store (Qdrant) для семантики
        # + Confluence REST API для актуальності
        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 з 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]:
        # Пошук через Microsoft Graph API або 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: страхова компанія, 600 співробітників. 6 джерел: SharePoint (180K документів), Jira, Outlook, внутрішня СЕД, база прецедентів, регуляторна база ЦБ (зовнішній API). До впровадження оператор КЦ перемикався між 4–5 вкладками при обробці запиту клієнта. Після — один пошуковий інтерфейс з результатами з усіх джерел. Середній час обробки запиту: 4,2 хв → 1,8 хв. Джерело «Регуляторна база» через query-time federation — latency 800 мс, що прийнятно для даного сценарію. Економія часу склала понад 100 годин на місяць на відділ, що дозволило скоротити штат на 2 FTE.

Персоналізація джерел за роллю

Різним ролям показуємо релевантні джерела за замовчуванням. Для маршрутизації запитів використовуємо LangChain Expression Language (LCEL), що спрощує конфігурацію 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"],
}

Що входить у реалізацію

• Прототип з 2–3 джерелами за 4–6 тижнів.
• Архітектурна документація та специфікація API.
• Розробка конекторів для кожного джерела.
• Модуль дедуплікації та ранжування (CrossEncoder).
• Панель моніторингу якості та latency (MLOps).
• Навчання команди та 1 місяць підтримки після запуску.

Терміни: 2–3 джерела, пілот: 4–6 тижнів; повна федерація 6–8 джерел: 3–4 місяці. Вартість розраховується індивідуально, окупається за рахунок скорочення трудозатрат співробітників.

Як ми гарантуємо якість?

Використовуємо сертифіковані моделі (CrossEncoder на RoBERTa), проводимо A/B-тестування ранжування до деплою. Впроваджуємо моніторинг дрейфу якості ембедингів та автоматичний перерахунок нормалізації. Гарантуємо NDCG@10 не нижче 0.85 після налаштування.

Оцінимо ваш проект — зв'яжіться з нами для консультації. Замовте пілот за 4-6 тижнів, і ми покажемо, як федеративний пошук прискорює роботу ваших співробітників. Отримайте демо-доступ до працюючого прототипу.

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.