Взято в работу: внедряем RAG в двух сценариях — FAQ-системы и поиск по сетевой шаре компании. Инкрементальная индексация документов, эмбеддинги, векторное хранилище и чат-интерфейс для ответов по корпоративной базе знаний — всё внутри контура, данные наружу не уходят.
Эксперименты подтвердили главное: для «найди и объясни по нашим документам» подход работает сильно лучше классического поиска.
От чтения перешёл к экспериментам: собираю RAG-пайплайны на Yandex Cloud AI Studio — векторные базы, эмбеддинги, интеграция с собственными источниками данных.
Цель экспериментов — понять, насколько подход применим для наших внутренних систем документации и баз знаний, и где у него пределы: качество нарезки документов, свежесть индекса, галлюцинации на слабых чанках.
Познакомился с термином и подходом RAG (Retrieval-Augmented Generation): модель перед ответом получает релевантные куски из внешней базы знаний, а не полагается только на то, что запомнила при обучении.
Выглядит как ключ к корпоративным сценариям, где данные нельзя отдавать за пределы контура: модель может быть небольшой и локальной, а знания — свежими и своими. Изучаю, из чего собирается такой пайплайн.