Przejdź do treści

Zaprojektuj celną bazę wiedzy AI (RAG) na dokumentach firmowych bez zmyślania odpowiedzi

Skonsultuj parsowanie trudnych tabel PDF, wyszukiwanie hybrydowe, dziedziczenie uprawnień użytkowników oraz ewaluację cytowań z inżynierem systemów RAG.

Dołącz do testerów

Skopiuj polecenie i wklej je do asystenta AI, z którego już korzystasz.

Dlaczego naiwne wrzucenie PDF-ów do bazy wektorowej zawodzi na produkcji

  1. 01

    Zaawansowana ekstrakcja tabel, schematów i struktury nagłówków

    Zwykłe cięcie tekstu co 500 znaków rozrywa nagłówek tabeli cenowej od jej wierszy — dokumenty techniczne wymagają parserów zachowujących strukturę Markdown/HTML oraz kontekst sekcji nadrzędnej.

  2. 02

    Wyszukiwanie hybrydowe (BM25 + wektory) i model Rerankera

    Same embeddingi świetnie łapią ogólny sens, ale gubią dokładne kody produktów, numery norm ISO czy paragrafy — połączenie dopasowania leksykalnego z rerankerem podnosi trafność skokowo.

  3. 03

    Twarde filtrowanie uprawnień dostępu na poziomie zapytania (RBAC/ACL)

    Bezpieczeństwa nie realizuje się instrukcją w prompcie 'nie mów użytkownikowi o tajnych plikach', lecz twardym filtrem metadanych uprawnień przed pobraniem fragmentów z indeksu.

  4. 04

    Wymuszone cytowania źródeł i zestaw 50 pytań kontrolnych (Golden Dataset)

    Zbuduj z ekspertami domenowymi zestaw podchwytliwych pytań z prawidłowymi źródłami, w tym pytań bez odpowiedzi w bazie, na których system musi uczciwie odpowiedzieć 'brak danych w dokumentacji'.

Przykład działania

Nieudany pilotaż asystenta dla 45 inżynierów wsparcia technicznego producenta urządzeń

Zespół wgrał 3 200 instrukcji PDF do gotowego kreatora wektorowego; trafność odpowiedzi na pytania o kody błędów i momenty dokręcania wynosiła 52%, przez co serwisanci przestali ufać narzędziu po tygodniu.

Przebudowa potoku wyszukiwania po konsultacji z inżynierem AI

1) Zastąpienie ślepego dzielenia tekstu parserem zachowującym całe tabele kodów błędów w jednym bloku z automatycznym dopisaniem modelu i rocznika urządzenia w metadanych każdego fragmentu. 2) Dodanie wyszukiwania hybrydowego + etapu Cross-Encoder Reranking przed wysłaniem kontekstu do modelu oraz klikalnego podglądu oryginalnej strony PDF obok odpowiedzi. Trafność na zbiorze testowym wzrosła z 52% do 91%.

W firmowych bazach wiedzy 80% sukcesu leży w przygotowaniu dokumentów, metadanych i wyszukiwaniu (Retrieval), a nie w zmianie samego modelu językowego.

Dobrze wiedzieć

Czy przed wdrożeniem firmowego asystenta AI musimy ręcznie przeczyścić tysiące plików na dysku sieciowym?

Nie trzeba poprawiać wszystkiego ręcznie, ale konieczne jest odfiltrowanie brudnopisów i archiwum nieaktualnych ofert za pomocą reguł dat, folderów autorytatywnych i deduplikacji dokumentów.

Kiedy lepiej użyć gotowego Microsoft Copilot / Glean, a kiedy budować dedykowany system RAG?

Do ogólnego przeszukiwania własnej poczty i notatek ze spotkań sprawdzają się narzędzia biurowe, natomiast specjalistyczna dokumentacja techniczna, obsługa klienta czy integracja z ERP wymaga kontrolowanego potoku RAG.

Ile kosztuje miesięczne utrzymanie bazy wiedzy RAG dla kilkudziesięciu pracowników?

Po zbudowaniu potoku koszt samego indeksowania oraz zapytań z aktywnym cache'owaniem dla kilkudziesięciu osób w firmie wynosi zazwyczaj równowartość kilkuset do dwóch tysięcy złotych miesięcznie.

Dowiedz się więcej

Powiązane poradniki i wyjaśnienia do tego zadania