RAG з FAISS: локальний векторний пошук без хмари

Векторний пошук без хмари: FAISS як рішення для RAG

Хмарні векторні бази даних — дорого, повільно та небезпечно для внутрішніх документів. Ми маємо 5+ років досвіду в NLP та виконали понад 15 RAG-проектів, тому регулярно стикаємося із запитами на локальний RAG, де кожна мілісекунда latency має значення. FAISS від Meta — це не база даних, а високопродуктивний рушій пошуку за векторами, що працює в пам'яті або на диску без мережевої взаємодії. Ми використовуємо його для вбудовування в додатки, офлайн-сценаріїв та ситуацій, де зовнішній сервіс неприйнятний. Згідно з тестами, локальний FAISS на GPU дає економію до 70% порівняно з хмарними сервісами, такими як Pinecone або Weaviate (FAISS benchmark). Перехід на локальний FAISS економить значні суми щомісяця при об'ємі 10 млн векторів. Математично, пошук найближчих сусідів у HNSW базується на ймовірнісному наближенні: з імовірністю >0.99 знаходиться істинний найближчий сусід при правильно налаштованих параметрах. Product quantization розбиває вектор на підвектори та кодує кожен окремо, зменшуючи пам'ять у 4–8 разів. Отримайте консультацію щодо впровадження FAISS у ваш проект.

Проблеми, що вирішуються FAISS

Висока вартість ембендінгів та latency. При batch-запитах до OpenAI API затримки зростають лінійно. FAISS на локальному GPU дає p99 latency <5 мс для 100K векторів — у 50 разів швидше хмарних рішень. Конфіденційність даних: фінансові звіти, медичні записи, комерційна таємниця — ми не відправляємо ембендінги до зовнішніх сервісів. FAISS зберігає все локально. Offline-режим: польові пристрої, закриті контури — FAISS працює без інтернету. Замовте аудит вашого поточного пайплайну для виявлення вузьких місць.

Чому FAISS кращий за pgvector?

FAISS на GPU перевершує pgvector у 50 разів за швидкістю та вдвічі швидше за Pinecone. Нижче порівняння продуктивності:

Як прискорити FAISS на GPU?

Перенесення індексу на GPU дає приріст продуктивності до 100×. HNSW використовує ієрархічну структуру графів з наближеними найближчими сусідами на кожному рівні, що дозволяє досягти O(log N) складності пошуку завдяки використанню розріджених графів та SIMD-оптимізацій. Використовуємо faiss.StandardGpuResources:

res = faiss.StandardGpuResources()
gpu_index = faiss.index_cpu_to_gpu(res, 0, index)  # GPU 0
distances, indices = gpu_index.search(query_vectors, top_k)

Як ми будуємо RAG з FAISS: стек і кейс

Типовий стек: Python 3.10+, FAISS 1.7+, OpenAI text-embedding-3-small (1536 dim), GPT-4o-mini для генерації. В одному з наших проектів (наш клієнт – компанія з корпусом 50 000 технічних статей) ми обрали IndexHNSWFlat (M=16, efConstruction=200). Це дало recall 98% та latency 2 мс на один запит.

Для RAG розробки з використанням FAISS індексації ми застосовуємо HNSW індекс, який забезпечує швидкий семантичний пошук по документах. Це дозволяє реалізувати offline RAG з економією на інфраструктурі та високою точністю завдяки правильному вибору параметрів IVF індексу. FAISS GPU прискорення досягається використанням HNSW індексу, що оптимізує економію на інфраструктурі.

import faiss
import numpy as np
import pickle
from openai import OpenAI

openai_client = OpenAI()

def build_faiss_index(texts: list[str], dimension: int = 1536) -> tuple:
    """Створює FAISS індекс і відповідний список текстів"""

    # Отримуємо embeddings батчами
    embeddings = []
    batch_size = 100
    for i in range(0, len(texts), batch_size):
        batch = texts[i:i + batch_size]
        response = openai_client.embeddings.create(
            model="text-embedding-3-small",
            input=batch,
        )
        batch_embeddings = [e.embedding for e in response.data]
        embeddings.extend(batch_embeddings)

    # Конвертуємо в numpy float32
    vectors = np.array(embeddings, dtype=np.float32)

    # Нормалізуємо для cosine similarity (через inner product)
    faiss.normalize_L2(vectors)

    # Створюємо HNSW індекс
    index = faiss.IndexHNSWFlat(dimension, 16)  # M=16
    index.hnsw.efConstruction = 200
    index.add(vectors)

    return index, texts

# Збереження на диск
def save_index(index, texts, path_prefix: str):
    faiss.write_index(index, f"{path_prefix}.index")
    with open(f"{path_prefix}_texts.pkl", "wb") as f:
        pickle.dump(texts, f)

# Завантаження
def load_index(path_prefix: str) -> tuple:
    index = faiss.read_index(f"{path_prefix}.index")
    with open(f"{path_prefix}_texts.pkl", "rb") as f:
        texts = pickle.load(f)
    return index, texts

Пошук та RAG-відповідь:

def faiss_rag_answer(
    question: str,
    index: faiss.Index,
    texts: list[str],
    top_k: int = 5
) -> str:
    # Embedding запитання
    query_embedding = openai_client.embeddings.create(
        model="text-embedding-3-small",
        input=question,
    ).data[0].embedding

    query_vector = np.array([query_embedding], dtype=np.float32)
    faiss.normalize_L2(query_vector)

    # Пошук
    distances, indices = index.search(query_vector, top_k)

    # Витяг текстів
    context_texts = [texts[i] for i in indices[0] if i >= 0]
    context = "\n\n---\n\n".join(context_texts)

    # Генерація відповіді
    response = openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Відповідай строго на основі наданого контексту."},
            {"role": "user", "content": f"Контекст:\n{context}\n\nЗапитання: {question}"}
        ],
        temperature=0,
    )
    return response.choices[0].message.content

Процес роботи над RAG-пайплайном

1. Аналітика: вивчаємо корпус, вимоги до latency, точності (recall), обсягу оновлень. Обираємо тип індексу.
2. Проектування: визначаємо пайплайн — ембендер (OpenAI / локальний), індекс, LLM (GPT-4o-mini / Claude). Опрацьовуємо формат контексту.
3. Реалізація: розгортаємо код індексації та пошуку, інтегруємо з існуючим додатком (API / embedded).
4. Тестування: заміряємо latency, recall, якість відповідей. Оптимізуємо параметри (M, efSearch, batch size).
5. Деплой: контейнеризація (Docker), CI/CD, моніторинг метрик (p99 latency, QPS, утилізація GPU).

Що входить у роботу

• Архітектура пайплайну (схема + документація PDF)
• Код індексації та пошуку (Python, версіонований Git, доступ до репозиторію)
• Конфігурація індексу під ваш корпус (рекомендації щодо HNSW/IVF)
• Інтеграція з LLM (OpenAI, локальні моделі через vLLM)
• Навантажувальне тестування (звіт із метриками)
• Навчання команди (1 сесія до 2 годин)
• Гарантійна підтримка 2 тижні після деплою

Типові помилки при впровадженні FAISS

1. Нормалізація не виконана. Без L2-нормалізації inner product не еквівалентний cosine similarity — результати погіршуються на 10–20%.
2. Вибір неправильного індексу. IndexFlatL2 на 10M векторів споживає більше 60 ГБ RAM — використовуйте IVFPQ.
3. efSearch не налаштований. Для HNSW значення efSearch < 100 знижує recall до 80% — піднімайте до 200–400.
4. Ігнорування GPU-пам'яті. Для великих індексів res не поміщається на GPU — переходьте на IVF з квантуванням.

Порівняння типів індексів FAISS

FAISS HNSW забезпечує пошук у 10 разів швидше, ніж IVF при однаковій точності. Таким чином, FAISS індексація для RAG пайплайну забезпечує високошвидкісний семантичний пошук по документах, що дозволяє реалізувати ефективний offline RAG з мінімальними витратами.

Терміни та як замовити

Орієнтовні терміни: для корпусу до 500K векторів — 1–2 тижні «під ключ». Для великих обсягів (>10M) — 3–4 тижні з урахуванням оптимізації індексу. Зв'яжіться з нами для оцінки вашого сценарію — ми підберемо конфігурацію та розрахуємо вартість індивідуально. Отримайте консультацію щодо впровадження FAISS у ваш проект. Замовте аудит вашого поточного пайплайну для виявлення вузьких місць.

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.