Зміст
Вступ
На демонстрації RAG виглядає просто: система індексує кілька документів, знаходить фрагменти та передає їх моделі. На підприємстві джерел десятки, документів — мільйони, а права доступу різняться між підрозділами й користувачами. Для таких умов потрібна промислова архітектура.
Чому це важливо
Недостатньо лише запустити пошук. Платформа має підтримувати актуальність знань, масштабуватися зі зростанням даних і забезпечувати передбачуваний час відповіді. Інакше якість видачі погіршується, а вартість супроводу зростає швидше за цінність системи.
Основне пояснення
Промисловий RAG — це не один індекс, а набір спеціалізованих сервісів: конвеєр підготовки, сервіс ембедингів, векторний і повнотекстовий індекси, гібридний пошук, повторне ранжування, формування контексту та мовна модель.
flowchart LR
sources[Джерела даних] --> prep[Підготовка]
prep --> embeddings[Ембединги]
embeddings --> vector[Векторний індекс]
prep --> text[Повнотекстовий індекс]
vector --> hybrid[Гібридний пошук]
text --> hybrid
hybrid --> rerank[Повторне ранжування]
rerank --> context[Контекст]
context --> llm[LLM]
llm --> answer[Відповідь із посиланнями]
Повнотекстовий пошук корисний для точних збігів: коду обладнання, номера документа чи нормативного терміна. Семантичний пошук знаходить близькі за змістом матеріали. Їх поєднання підвищує повноту видачі, а повторне ранжування відбирає фрагменти, найкорисніші для контексту моделі.
Безпека
| Вимога | Практичне значення |
|---|---|
| Фільтрація за ролями до видачі | Користувач не бачить закриті документи |
| Окремі індекси за потреби | Критичні дані можна ізолювати |
| Простежуваність джерел | Кожну відповідь можна перевірити |
| Контроль оновлень | Застарілі документи не беруть участі в пошуку |
| Журналювання запитів | Використання бази знань доступне для аудиту |
Перевірка прав має відбуватися до формування контексту моделі. Якщо закритий фрагмент уже передано моделі, подальша фільтрація не скасує розкриття даних.
Корпоративний приклад
Промисловий холдинг веде окремі індекси для нормативної документації, проєктних архівів, внутрішніх регламентів і експертних висновків. Система визначає тип запиту, звертається до потрібних джерел, об’єднує та ранжує результати, а потім формує контекст. Це зменшує навантаження й підвищує точність.
Приклад з промислової безпеки
Експерт шукає вимоги до діагностики конкретного обладнання. Платформа одночасно аналізує норми, внутрішні методики, архів висновків і технічну документацію. Матеріали з простроченим строком чинності виключають, а відповідь містить посилання на чинні першоджерела.
ШІ допомагає зібрати доказову базу, але не замінює експерта, який оцінює застосовність вимог і відповідає за безпечне рішення.
Типові помилки
- Використовувати лише векторний пошук.
- Змішувати всі документи в одному індексі без структури.
- Відмовлятися від повторного ранжування.
- Перевіряти доступ після пошуку, а не до нього.
- Не мати стратегії оновлення індексів.
Практичні висновки
Визначте архітектуру конвеєра підготовки, стратегію індексації, правила гібридного пошуку, механізм повторного ранжування, вимоги до оновлення та метрики якості пошуку. Така декомпозиція дозволяє масштабувати RAG як платформу знань, а не як демонстраційний чат.
Ключові тези
- Промисловий RAG складається з кількох спеціалізованих сервісів.
- Гібридний пошук надійніший за один механізм.
- Повторне ранжування покращує контекст і відповіді.
- Безпеку перевіряють до видачі та формування контексту.
- Масштабованість має бути частиною початкової архітектури.