Как в CodeInside ускорили поиск данных и снизили нагрузку на экспертов
В ИТ-компании внедрили поисковую систему на базе локальной LLM. Сократили время поиска на 80%, повысили точность на 70% и снизили нагрузку на экспертов на 40%
В CodeInside накапливается значительный объем внутренних знаний: проектная документация, задачи в Jira, статьи в Confluence, SQL-базы, код, письма. С ростом команды и информационной нагрузки сотрудники стали тратить до 30% времени на поиск информации. Особенно это касалось новых сотрудников, которым сложно ориентироваться в структуре хранения и формате данных.
Информация была разрозненной: документы хранились в разных системах и папках, использовали различные форматы, от PDF и DOCX до почтовых архивов. Для доступа к нужным данным сотрудникам нужно было знать не только их примерное местоположение, но и точное название. Все это снижало эффективность и увеличивало нагрузку на внутренних экспертов, к которым постоянно обращались за пояснениями.
Мы решили построить единую интеллектуальную систему поиска, которая будет работать внутри корпоративного контура, обеспечивая быстрый и безопасный доступ к актуальным знаниям. Разработали систему Knowledge Sense — она помогла решить проблему фрагментации корпоративных знаний.
Наша цель — сократить время на поиск информации, снизить нагрузку на экспертов и повысить точность ответов.
Для этого мы сформулировали следующие задачи:
- объединить ключевые источники корпоративных данных в единую базу знаний;
- настроить векторный поиск по смыслу, а не по ключевым словам;
- интегрировать локальную языковую модель, способную генерировать ответ на естественном языке;
- обеспечить работу с русскоязычными текстами и соблюдение требований к безопасности (только локальное развертывание);
- настроить алгоритмы повышения точности поиска, включая работу с иерархией документов, мета-данными и переранжированием результатов.
В проект была вовлечена выделенная проектная команда: разработчики, аналитики, тестировщики, руководитель проекта, специалисты из финансового отдела и один из ключевых партнеров.
1. Подбор архитектуры и инструментов
На старте мы протестировали ChatGPT 4 и облачные embedding-модели. Однако их использование оказалось невозможным из-за требований к конфиденциальности — данные нельзя было передавать за пределы контура. Мы начали поиск компактных локальных языковых и embedding-моделей, способных работать на русском языке.
В итоге выбрали локальную LLM, а также протестировали несколько embedding-моделей для семантического поиска. Оценивали их по точности извлечения, скорости отклика и совместимости с нашей инфраструктурой.
2. Интеграция источников данных
Система была интегрирована с Jira, Confluence, Git, SQL-базами, корпоративной почтой и файловыми хранилищами. Документы индексировались и разбивались на смысловые блоки с сохранением связей между ними.
3. Повышение точности поиска
Первичная точность поиска была недостаточной. Пользователи часто формулировали вопросы абстрактно, и система не всегда возвращала релевантный ответ. Мы провели серию итераций:
- добавили поддержку иерархий и принадлежности документов к разделам;
- использовали метод переранжирования результатов поиска;
- обогатили индексы мета-данными (например, отдел, тип документа, уровень доступа).
Эти доработки позволили значительно повысить точность и достоверность выдачи.
4. Тестирование и внедрение
После пилотного запуска в нескольких отделах система была масштабирована на всю компанию. Были проведены обучающие сессии и настроены права доступа к информации. Knowledge Sense стала частью повседневной работы: сотрудники задают вопрос в чат и получают готовый ответ с ссылкой на источник.
Внедрение Knowledge Sense дало ощутимый эффект по ключевым метрикам:
- 80% сокращение времени на поиск информации. Ответы находятся за 10–20 секунд вместо 10–15 минут;
- снижение нагрузки на внутренних экспертов на 40%. Типовые вопросы теперь закрываются системой;
- увеличение точности ответов на 60–70%. Система опирается только на актуальные внутренние данные и указывает источник;
- ускорение адаптации новых сотрудников на 30–35%. Доступ к знаниям стал проще и быстрее;
- экономия времени в проектных и бизнес-подразделениях — до 25%. Повысилась общая операционная эффективность.
Система полностью работает внутри корпоративного контура, масштабируется и продолжает развиваться. Knowledge Sense стала не просто инструментом поиска — а точкой входа к корпоративным знаниям CodeInside.
Рубрики
Интересное:
Новости отрасли:
Все новости:
Публикация компании
Контакты
Социальные сети
Рубрики