Вибір та налаштування Embedding-моделі для RAG

Вибір та налаштування Embedding-моделі для RAG

Ми часто стикаємося з ситуацією, коли RAG-система працює, але retrieval видає нерелевантні документи. Найчастіше проблема в embedding-моделі — вона не підходить під мову вашого корпусу або контекст запитів. Зміна моделі може підняти recall на 10–15% без зміни архітектури. Замовте аудит вашої системи — ми підберемо оптимальну модель і налаштуємо її під ваші дані. Наші інженери мають 10 років досвіду в NLP і реалізували понад 50 RAG-проєктів для Enterprise.

Помилка у виборі моделі може коштувати до 40% точності відповідей. Ми гарантуємо, що після налаштування під ваш домен recall виросте мінімум на 10%. Зв'яжіться з нами для безкоштовного аудиту.

Як вибрати Embedding-модель для RAG?

Embedding-модель — один з найбільш критичних компонентів RAG-системи. Якість retrieval безпосередньо залежить від того, наскільки добре модель представляє тексти у векторному просторі. Зміна embedding-моделі може дати більший приріст recall, ніж оптимізація чанкінгу або параметрів пошуку.

Категорії embedding-моделей

Пропрієтарні API-моделі:

• text-embedding-3-large (OpenAI, dim=3072): найкраща якість на більшості бенчмарків MTEB
• text-embedding-3-small (OpenAI, dim=1536): гарне співвідношення ціна/якість
• embed-v3 (Cohere): сильний на retrieval задачах, підтримує параметр input_type

Відкриті моделі (self-hosted):

• BAAI/bge-m3 (dim=1024): багатомовний, підтримує dense+sparse+colbert
• BAAI/bge-large-en-v1.5 (dim=1024): найкращий для англійської
• intfloat/multilingual-e5-large (dim=1024): добре на українській та російській
• nomic-ai/nomic-embed-text-v1.5 (dim=768): матрьошковий (кратні розмірності)

Порівняння моделей за MTEB

На задачах Retrieval (BEIR benchmark, усереднений nDCG@10) актуальні дані з MTEB leaderboard:

Для українськомовних завдань картина інша — рекомендуємо тестувати на власному домені. Ми проводимо тріал на вашому корпусі та надаємо звіт з метриками.

Налаштування Cohere Embed v3 з input_type

Cohere embed-v3 вимагає вказання input_type — це важливо для retrieval. Використання правильного input_type підвищує recall на 8–15%:

import cohere

co = cohere.Client(api_key="...")

def embed_documents(texts: list[str]) -> list[list[float]]:
    """Для індексації документів"""
    response = co.embed(
        texts=texts,
        model="embed-multilingual-v3.0",
        input_type="search_document",  # Для документів при індексації
    )
    return response.embeddings

def embed_query(query: str) -> list[float]:
    """Для пошукового запиту"""
    response = co.embed(
        texts=[query],
        model="embed-multilingual-v3.0",
        input_type="search_query",  # Асиметрична модель — різні типи
    )
    return response.embeddings[0]

Self-hosted BGE-M3

BGE-M3 — найбільш універсальна open-source модель: підтримує dense, sparse (SPLADE) та ColBERT-стиль multi-vector retrieval з однієї моделі. Економія на інфраструктурі — одна модель замість трьох:

from FlagEmbedding import BGEM3FlagModel

model = BGEM3FlagModel(
    "BAAI/bge-m3",
    use_fp16=True,   # Економія пам'яті
    device="cuda",
)

# Dense embeddings (для стандартного ANN пошуку)
dense_embeddings = model.encode(
    texts,
    batch_size=32,
    max_length=8192,
    return_dense=True,
    return_sparse=False,
    return_colbert_vecs=False,
)["dense_vecs"]

# Sparse embeddings (для BM25-подібного пошуку)
sparse_embeddings = model.encode(
    texts,
    return_dense=False,
    return_sparse=True,
)["lexical_weights"]  # dict {token: weight}

# Hybrid retrieval score
def compute_bge_m3_score(query_dense, doc_dense, query_sparse, doc_sparse,
                          alpha=0.5) -> float:
    dense_score = np.dot(query_dense, doc_dense)
    sparse_score = sum(
        query_sparse.get(token, 0) * doc_sparse.get(token, 0)
        for token in query_sparse
    )
    return alpha * dense_score + (1 - alpha) * sparse_score

Вибір розмірності: Matryoshka Embeddings

Nomic Embed та ряд інших моделей підтримують матрьошкові embeddings — можна використовувати перші N вимірів без переучування. Це знижує вимоги до RAM векторної БД у 2× при незначній (2–5%) втраті якості:

from openai import OpenAI

client = OpenAI()

# text-embedding-3-large зі зменшеною розмірністю
response = client.embeddings.create(
    model="text-embedding-3-large",
    input=texts,
    dimensions=1536,  # Зменшуємо розмірність
)

Що впливає на якість retrieval?

Крім вибору моделі, важливі: препроцесинг текстів, довжина чанків, стратегія злиття результатів sparse+dense. Ми враховуємо всі ці фактори при налаштуванні RAG під ваш домен.

Практичний вибір embedding-моделі

• Якщо дані конфіденційні / on-premise: BGE-M3 або E5-mistral-7b (self-hosted).
• Якщо потрібна найкраща українська/російська мова: тестуємо BGE-M3, multilingual-e5-large та text-embedding-3-large на своєму домені. Універсального переможця немає.
• Якщо мінімальна latency: text-embedding-3-small (API) або nomic-embed-text-v1.5 (self-hosted).
• Якщо потрібен hybrid sparse+dense без двох моделей: BGE-M3 — єдина open-source модель з нативною підтримкою обох режимів.

Оцінка на своєму домені

from ragas import evaluate
from ragas.metrics import context_recall, context_precision

for model_name in ["text-embedding-3-small", "text-embedding-3-large"]:
    retriever = build_retriever(model_name)
    scores = evaluate(test_dataset, metrics=[context_recall, context_precision],
                      retriever=retriever)
    print(f"{model_name}: recall={scores['context_recall']:.3f}, "
          f"precision={scores['context_precision']:.3f}")

Що входить у налаштування RAG під ключ

• Аналіз вашого корпусу та сценаріїв використання
• Вибір та тестування 2–3 embedding-моделей
• Налаштування індексації (розмір чанків, overlap, векторна БД)
• Інтеграція з вашим бекендом (API, gRPC)
• Документація та навчання вашої команди
• Пост-релізна підтримка 2 тижні

Терміни та вартість

• Налаштування embedding-моделі та індексація: 2–5 днів
• Порівняльне тестування 2–3 моделей: 3–5 днів
• Разом: 1–2 тижні
• Вартість розраховується індивідуально під проєкт. Оцінимо ваше завдання за один робочий день безкоштовно.

Напишіть нам, і ми підберемо оптимальну модель для вашого RAG. Гарантуємо підвищення recall мінімум на 10% за вашими метриками.

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.