ИИ-ассистент для базы знаний: запуск умного поиска для девелопера Level Group

Главное о кейсе

Level Group управляет масштабным портфелем проектов жилой и коммерческой недвижимости. В компании действуют сотни нормативных документов: строительные стандарты, регламенты технадзора, инструкции по IT-архитектуре, регламенты маркетинга и правила управляющей компании.

С ростом объема документации стандартный поиск перестал справляться с задачами инженеров и менеджеров.

Барьеры в работе со знаниями до старта проекта:

• Фрагментарность сведений: ответ на прикладной инженерный вопрос редко содержится в одном документе; информация распределена по регламентам разных департаментов.
• Смысловые дубликаты и неактуальные версии: разные отделы годами наполняли корпоративную wiki независимо друг от друга, поэтому статьи дублировали или противоречили друг другу.
• Потеря контекста в классическом RAG: стандартный семантический векторный поиск извлекает изолированные куски текста. Например, на запрос о порядке действий при обнаружении дефекта система выдавала только шаблон акта осмотра, упуская нормативы ГОСТ, регламенты расчетов с подрядчиками и сроки устранения.
• Неспособность обрабатывать мета-запросы: базовые алгоритмы не могли ответить на структурные вопросы («по каким темам доступна информация»), возвращая случайные фрагменты из-за лимита контекстного окна.

Команда KTS разработала корпоративного ИИ-ассистента на базе гибридного графового поиска. Решение объединило предварительную очистку базы знаний от смысловых дублей и сквозную навигацию по зависимостям между документами.

Как проект изменил жизнь пользователей

Пилотный контур охватил корпоративную базу регламентов и изменил повседневную практику работы с документами:

• Диалог на естественном языке: сотрудники формулируют вопросы в свободной форме без подбора специальных ключевых слов и точных названий документов.
• Комплексные ответы из разных разделов: система связывает документы между собой и собирает единый алгоритм действий, даже если информация разбросана по регламентам разных департаментов.
• Проверка фактов в один клик: к каждому тезису ответа ассистент прикрепляет прямую ссылку на исходную статью xWiki, чтобы пользователь мог сразу сверить данные с первоисточником.
• Поддержка обзорных запросов: сотрудники могут быстро оценить структуру базы и доступные темы, не перебирая разделы вручную.
• Работа с вычищенным массивом: инструмент DataValidator заранее сформировал карту смысловых дубликатов базы, поэтому система не подмешивает в ответы устаревшие правила и не путается в версиях регламентов.

Подтвержденные метрики внедрения:

• Точность ответов превысила 90% на проверочном массиве корпоративных регламентов.
• 710 документов обработал инструмент DataValidator за 1504 секунды работы пайплайна.
• 90 групп смысловых дубликатов выявлено алгоритмом кластеризации; 46 из них подтверждены языковой моделью для объединения.
• Время верификации нормативной информации сотрудниками сократилось до одного клика.

Бизнес-задача и ее решение

Цель проекта: сократить трудозатраты инженеров и руководителей на поиск узкоспециализированной информации, устранить расхождения в регламентах и повысить точность соблюдения строительных стандартов.

Инженерный подход к реализации: полная ручная переработка сотен регламентов заняла бы месяцы. Команда KTS отказалась от долгого предварительного рерайтинга и развернула пилот на платформе KTS AI Platform с подключением корпоративной wiki на xWiki. Это позволило подтвердить ценность гибридного поиска на реальных задачах за считаные недели.

Ключевой функционал решения:

1. Предварительная валидация данных (KTS DataValidator): модуль автоматически выявляет смысловые дубликаты и смысловые разрывы между регламентами до передачи данных в поисковый индекс.
2. Гибридный индекс на фреймворке LightRAG: векторный алгоритм обрабатывает точечные фактологические запросы, а графовый поиск строит смысловое дерево зависимостей между статьями.
3. Единый контекстный шлюз: алгоритм агрегирует результаты обоих методов и передает языковой модели полный смысловой контекст.
4. Интерфейс OpenWebUI с трассировкой источников: корпоративный диалоговый интерфейс формирует ссылки на первоисточники к каждому тезису.

Крафт (мастерство), реализация, технические детали

1. Принцип «Data-First» вместо слепого подключения модели:
В слабоструктурированных базах знаний классический RAG терпит неудачу из-за версионных конфликтов. Внедрение началось не с алгоритмов генерации, а с глубокой очистки массива модулем DataValidator (собственная разработка KTS). Инструмент выделил смысловые кластеры с расчетом метрик confidence и similarity, защитив модель от галлюцинаций.

2. Гибридная архитектура LightRAG (Вектор + Граф):
Система не заменяет векторный поиск графовым, а использует оба механизма параллельно. Если инженеру нужен конкретный регламент командировки, векторный поиск выдает точный фрагмент. Если требуется комплексный регламент ввода узла в эксплуатацию, графовая сеть поднимает смежные документы и собирает сквозную логику процесса.

3. Абсолютная проверяемость (Source Grounding):
Для строительной сферы критична достоверность каждого шага. Система генерирует ответ строго в границах подтвержденных статей wiki и снабжает каждое утверждение кликабельной ссылкой на оригинальный документ.

4. Технологический стек:
• Платформа: KTS AI Platform.
• Поисковое ядро: LightRAG (векторный и графовый RAG).
Валидация данных: модуль KTS DataValidator.
• Хранилище знаний: корпоративная wiki на xWiki.
• Пользовательский интерфейс: OpenWebUI в контуре заказчика.
• Модели: LLM для верификации смысловых групп дубликатов и финального синтеза ответов.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

1. Ограничение классического RAG в девелопменте:
В строительной отрасли информация распределена по цепочкам (регламент → ГОСТ → договорные штрафы). Обычные векторные базы рвут эти цепочки. Графовый индекс подтвердил свою состоятельность именно как инструмент сборки сложных системных зависимостей.

2. Чистота базы как главный фактор окупаемости:
Попытки улучшить ответы нейросети за счет тонкой настройки промптов бессмысленны, если в базе хранятся устаревшие регламенты. Автоматическая кластеризация дублей сэкономила месяцы работы инхаус-команды методологов.

Прочая информация о кейсе

Планы развития: по итогам пилота принято решение масштабировать решение на смежные хранилища документации и автоматизировать прикладные операции (автоматическая сборка чек-листов стройконтроля, онбординг новых специалистов).

Скриншоты

Комментарий заказчика

«RAG сегодня остается одним из самых результативных сценариев применения искусственного интеллекта в корпоративной среде. Знания в крупных компаниях накапливаются годами в инструкциях, регламентах и стандартах, но хранятся разрозненно: в файловых хранилищах, базах знаний, корпоративных порталах и множестве других систем. Такой подход дает сотрудникам единый доступ к этой информации и помогает быстро находить нужное в комфортном диалоговом формате. Для нас это начало пути. Следующий этап гораздо интереснее: модели будут учитывать внутренний контекст, корпоративные правила и накопленную экспертизу компании, чтобы помогать сотрудникам решать конкретные рабочие задачи».

Всеволод Нечитайленко, директор по цифровым технологиям и операционной эффективности Level Group.