Лаборатория AI-инженерии
Данные и ИИ Кейс 16 / 22

Корпоративная база знаний с поиском по смыслу

Знания лежали в файлах, карточках и переписке. Поиск по словам не находил нужное, новый сотрудник долго входил в контекст.

Все кейсы
НаправлениеДанные и ИИ
ПрофильКомпания с большим объёмом внутренней документации
Проблема бизнеса

Что происходило до внедрения

Знания лежали в файлах, карточках и переписке. Поиск по словам не находил нужное, новый сотрудник долго входил в контекст.

Что внедрили

Решение и его эффект

Собрали базу знаний: индексируются карточки, документы, проектные описания, итоги встреч. Поиск работает по смыслу, ответы сопровождаются ссылками на источник. Тяжёлые документы обрабатываются пакетно, индекс обновляется инкрементально.

Измеримый эффект Поиск по смыслу со ссылкой на источник, новые документы в индексе.
Интеграция

Как встроили в ИТ-контур

Индекс и эмбеддинги развёрнуты в контуре, документы обновляются по расписанию. Доступ наследует права файлового хранилища.

Схема упрощена. Полную архитектуру и состав интеграций показываем на встрече по NDA.

Результат

Что получил заказчик

  • нужный документ находится по описанию, а не по точной фразе
  • ответ всегда можно проверить по первоисточнику
  • новые документы попадают в индекс автоматически
  • данные остаются внутри контура

Показатели проекта раскрываем в согласованном диапазоне. Точные данные, имена и архитектуру покажем на встрече по NDA.

Ограничения и безопасность

Что учли по требованиям заказчика

Доступ наследует права документов, каждый ответ содержит ссылку на источник. Индекс не публикуется наружу.

ИИ-агент в кейсе
ИИ-агент

Хранитель знаний

находит ответ по смыслу и показывает источник

Как работает

  1. Принимает вопрос и подбирает документы по смыслу.
  2. Сравнивает версии и отбрасывает устаревшее.
  3. Собирает ответ со ссылками на фрагменты.
  4. Помечает пробелы и предлагает обновить карточку.

Границы

  • Без источника не отвечает.
  • Не выдаёт документы других контуров.
  • Учитывает права доступа пользователя.
Технологии

Что использовали

PostgreSQL pgvector локальные эмбеддинги Python FastAPI

У нас похожая задача

Разберём процесс, определим метрику и скажем, подходит ли здесь пилот. Покажем архитектуру этого кейса на встрече по NDA.

Первый шаг

Обсудить задачу

Четыре поля. Ответим в течение одного рабочего дня и предложим следующий шаг. Если удобнее письмом — hello@ailabix.ru.

Данные заявки не продаём и не передаём третьим лицам, кроме технической доставки уведомления оператору. Сайт использует статистику без cookie и сторонних скриптов.