Перейти до вмісту
BigTree108

Послуги з розробки AI-пошуку по базі знань і RAG-систем

Послуги з розробки AI-пошуку по базі знань і RAG-систем: генерація, доповнена пошуком (RAG), що відповідає на запитання за вашими документами, вікі, тікетами, договорами та базами даних із посиланнями на джерела, корпоративний AI-пошук з урахуванням прав кожного користувача, асистенти знань для команд підтримки, продажів і операцій та виправлення RAG-систем, які дають неправильні відповіді, на Azure AI Search, PostgreSQL з pgvector, Elasticsearch, OpenSearch, Qdrant, Pinecone чи Weaviate, з виділеними розробниками RAG-систем у вашій команді або проєктом під ключ.

RAG-системи, які ми створюємо

  • Асистенти знань

    Відповіді для співробітників чи клієнтів на основі вашого центру допомоги, політик, документації до продукту та минулих тікетів: до кожного твердження додається посилання на джерело, а коли джерела не містять відповіді, асистент прямо про це каже.

  • Корпоративний AI-пошук

    Єдиний пошук по SharePoint, Confluence, Google Drive, Notion, Jira і вашим базам даних: гібридний пошук за ключовими словами й векторами, повторне ранжування, а права доступу кожного користувача перевіряються під час запиту.

  • Завантаження документів

    PDF, скани, презентації, електронні таблиці та вебсторінки розбираються зі збереженням структури, таблиць і зображень, розбиваються на змістовні розділи, зрозумілі читачеві, та автоматично переіндексуються, коли змінюється джерело.

  • Налаштування пошуку

    Гібридний пошук, повторне ранжування, переформулювання запитів, фільтри за метаданими й контекстне розбиття на чанки, налаштовані на ваших власних запитаннях, а також пошук по графу там, де відповіді залежать від зв'язків між записами.

  • Відповіді зі структурованих даних

    Відповіді на запитання з SQL-баз даних, електронних таблиць і API через запити лише для читання, які пише модель, а перевіряє код, у поєднанні з текстовим пошуком, коли відповідь потребує і того, й іншого.

  • Агентний RAG

    Асистенти, які планують кілька пошуків, порівнюють джерела й ставлять уточнювальне запитання, якщо перша відповідь недостатня: для досліджень, due diligence і звернень до підтримки, що охоплюють багато документів.

  • Виправлення RAG, який дає неправильні відповіді

    Наявна RAG-система вимірюється на наборі реальних запитань, збої простежуються до розбору документів, чанкінгу, пошуку чи промпту, а кожне виправлення підтверджується показниками, а не демонстрацією.

  • Оцінювання та моніторинг

    Якість пошуку й відповідей оцінюється за допомогою Ragas або DeepEval після кожної зміни, збирається зворотний зв'язок від користувачів, а запитання без відповіді потрапляють у звіт, щоб ваша контент-команда знала, що писати далі.

  • Права доступу та захист даних

    Права доступу до документів застосовуються під час пошуку, а не в промпті, персональні дані вилучаються там, де вони не потрібні моделі, а індекси зберігаються у вашому власному хмарному акаунті.

Наші розробники RAG-систем для вашої команди

  • Виділені розробники RAG-систем

    Розробники RAG-систем, які приєднуються до вашої команди на повний робочий день, працюють у ваших інструментах і за вашим процесом і звітують вашому керівнику. Співбесіду проводите ви, а український договір, зарплата, рахунки й відпустки на нас.

  • AI-пошук по базі знань як окремий проєкт

    Окремий проєкт (напрям: AI-пошук по базі знань) з визначеним обсягом, фіксованим планом і призначеним керівником з нашого боку, який відповідає за результат і звітує про хід роботи у ваших каналах.

  • Постійна співпраця: AI-пошук по базі знань

    AI-пошук по базі знань як постійна послуга: ті самі люди щомісяця, беклог, пріоритети в якому визначаєте ви, і години, які видно в нашому порталі та в рахунку.

На сторінці виділеної команди пояснено, як фахівці приєднуються до вашої команди, а на сторінці аутсорсингу описано реалізацію проєктів, прийняття систем від інших команд і те, як ми беремо оплату.

Хто працює над вашим проєктом (напрям: AI-пошук по базі знань)

  • Розробники RAG-систем та AI

    Пошук, промпти та оцінювання

  • Data-інженери

    Пайплайни завантаження даних і конектори

  • Інженери пошуку

    Elasticsearch, OpenSearch і векторні бази даних

  • Інженери .NET, Python і фронтенду

    Застосунок та інтерфейс

  • QA-інженери

    Набори для оцінювання та регресійні тести

Відповіді, які можна перевірити

Якість RAG-системи не вища за якість її пошуку. Ми починаємо з реальних запитань, які ставлять ваші користувачі, і відповідей, яких очікують ваші експерти, вимірюємо окремо пошук і відповіді та змінюємо розбір документів, чанкінг, пошук чи промпти лише тоді, коли показники підтверджують, що зміна допомагає.

Кожна відповідь цитує фрагменти, з яких вона зроблена, тож користувач може перевірити її одним кліком, а коли ваші джерела не охоплюють запитання, асистент прямо про це каже, а не заповнює прогалину. Ці запитання стають переліком контенту, який варто написати.

Інші послуги з розробки AI-рішень, які ми надаємо

Розробка AI-рішень: огляд

Запитання про AI-пошук по базі знань і RAG

Як ви не даєте моделі вигадувати відповіді?

Спираємо відповіді на знайдені джерела та показуємо посилання на них, вимагаємо від моделі прямо казати, коли джерела не відповідають на запитання, і зберігаємо питання без відповіді в наборі для оцінювання. Це зменшує кількість вигаданих відповідей і дає змогу виміряти те, що залишилося: жодна сучасна модель не усуває їх повністю.

Яку векторну базу даних ви використовуєте?

Найчастіше ту, що у вас уже працює: PostgreSQL з pgvector, Elasticsearch, OpenSearch або Azure AI Search упораються з більшістю колекцій документів. Qdrant, Pinecone чи Weaviate підходять для більших масштабів або коли потрібен керований векторний сервіс. Обираємо за вашими обсягами, затримкою та місцем, де можуть зберігатися дані.

Чи можуть користувачі отримувати відповіді лише з тих документів, які їм дозволено читати?

Так. Права доступу з SharePoint, Google Drive, Confluence чи вашої власної системи зберігаються разом із кожним проіндексованим фрагментом і перевіряються під час пошуку для того, хто ставить запитання, тож документ, який людина не може відкрити, ніколи не потрапляє до моделі від її імені.

Наш RAG-чат-бот дає неправильні відповіді. Ви можете це виправити?

Так. Ми складаємо набір для оцінювання з реальних запитань, вимірюємо, де відповіді не справляються, і простежуємо кожну помилку до розбору документів, чанкінгу, пошуку чи промпту. Виправлення йдуть за порядком впливу, і кожне підтверджується показниками.

Як швидко можуть стати до роботи розробники RAG-систем?

Якщо відповідний розробник RAG-систем вільний, старт залежить лише від вашої співбесіди, NDA і передачі прав на інтелектуальну власність. Інакше ми проводимо пошук, який зазвичай дає профілі кандидатів за два-три тижні, і ніхто не починає роботу, доки ви не скажете «так».

Як найняти фахівців через BigTree108, якщо вам потрібні розробники RAG-систем?

Розкажіть про роботу, рівень і години, які вам потрібні. Ми пропонуємо одну-двох людей з їхніми профілями, ви проводите з ними співбесіду так, як зі своїм власним кандидатом, підписуєте один договір із ТОВ «БІГ ТРІ 108» і отримуєте один рахунок на місяць.

Кому належать результати їхньої роботи?

Вам. Кожен фахівець має підписаний із BigTree108 договір, за яким усі результати роботи передаються компанії, а наш договір із вами передає їх далі. Код, дизайн-макети та документи постачаються у ваші власні репозиторії та інструменти, а не зберігаються там, де змінити їх можемо лише ми.

Хочете отримувати відповіді зі своїх документів?

Розкажіть, де зберігаються документи, хто ставитиме запитання і про що саме. Ви отримаєте відповідь протягом одного робочого дня: план, профілі кандидатів або аналіз системи, яка у вас уже є.

Напишіть на hello@bigtree108.com Як ми відповідаємо