Discovery i audyt danych
Dostęp do przykładowych źródeł, właściciel każdego źródła, osoba kontaktowa ds. bezpieczeństwa
Usługi
Od ponad 10 lat tworzymy projekty finansowe oparte na blockchainie: scentralizowane i zdecentralizowane giełdy kryptowalut, boty krypto, bramki płatnicze, tokenizację nieruchomości oraz projekty DeFi i NFT.
AI & ML
Od 2023 roku tworzymy AI dla biznesu: rozwój AI i LLM na zamówienie, agenci AI, chatboty i AI dla przedsiębiorstw zintegrowane z Twoimi danymi, produktami i procesami.
Tworzenie RAG Dla Twojej Firmy
Merehead tworzy systemy retrieval-augmented generation dla Twoich pracowników i klientów: wewnętrzne wyszukiwanie wiedzy, asystentów obsługi klienta i funkcje AI w istniejącym produkcie.
Większość projektów zaczyna się od pilotażu o określonym zakresie albo od przeglądu systemu, który już masz. Jakość odpowiedzi testujemy na Twoich prawdziwych pytaniach, zanim cokolwiek trafi na produkcję.
Zacznij od jednego etapu, np. oceny gotowości danych, albo powierz nam pełne wdrożenie aż po uruchomienie i wsparcie.
Porozmawiajmy o Twoim projekcie RAG„Teraz większość takich pytań obsługuje asystent RAG. Po pilotażu zespół sam poprosił o dodanie materiałów dotyczących naszych innych produktów.”
Czy nasze dokumenty dadzą wiarygodne odpowiedzi?
Potrzebujemy wyszukiwania w naszych źródłach, zawsze zsynchronizowanego.
Odpowiedzi mają pojawiać się w Slacku, naszym CRM lub naszym produkcie.
Nikt nie wie, jak często nasz prototyp ma rację.
Musi działać w naszym środowisku, na danych zmieniających się co tydzień.
Warunki polis, instrukcje i procedury likwidacji szkód w działach, które nie widzą nawzajem swoich plików.
odpowiedzi potwierdzonych jako poprawneEksperci sprawdzili 500 pytań testowych

12 000 dokumentów · 4 osoby · 10 tygodni
Porozmawiajmy o Twoim projekcie RAGKażdy etap kończy się czymś, co możesz otworzyć, przetestować i odebrać.
Twoi właściciele danych potwierdzają źródła, luki i zasady dostępu
Twoi użytkownicy testują go w praktyce na prawdziwych pytaniach
Twój recenzent zatwierdza go według uzgodnionych kryteriów
Twoi inżynierowie go sprawdzają; własność określa umowa
Twój zespół ją sprawdza i przejmuje uzgodnione zadania


„Jakość przekazania projektu wyróżniała się. Dostaliśmy testy, dokumentację i jasny proces aktualizacji bazy wiedzy. Nasi inżynierowie szybko poznali system i przejęli jego utrzymanie, nie potrzebując długo wykonawcy.”
Dwa systemy RAG z tą samą listą funkcji mogą wymagać zupełnie innego nakładu pracy, bo większość wysiłku dotyczy danych, które za nimi stoją. Dlatego wyceniamy każdy projekt na podstawie jego danych wejściowych, a nie cennika.
Jakie źródła, ilu użytkowników, zasady dostępu, gdzie system ma działać, jakie narzędzia i ile kosztuje Cię błędna odpowiedź.
Gdy przekażesz te wymagania, nasz Solutions Architect prześle rozbicie godzin na moduły.
Po audycie danych wycena jest aktualizowana o to, co audyt znalazł w Twoich źródłach.
Czysty tekst w jednym wiki łatwo zaindeksować. Zeskanowane PDF-y, arkusze kalkulacyjne i złożone tabele wymagają dodatkowego parsowania i sprawdzania.
Duplikaty, przestarzałe wersje i sprzeczne dokumenty trzeba uporządkować lub uszeregować, inaczej system będzie odpowiadał z niewłaściwego dokumentu.
Przeniesienie uprawnień z SharePointa lub CRM do wyszukiwania to osobna praca inżynierska.
Asystent wsparcia dla publicznej dokumentacji wymaga mniej eksperckiej weryfikacji niż narzędzie, na którym polega Twój dział prawny.
Każdy system docelowy dokłada pracę związaną z uwierzytelnianiem, interfejsem i utrzymaniem.
Konfiguracja w zarządzanej chmurze zwykle powstaje szybciej niż chmura prywatna czy wdrożenie on-premises z modelem hostowanym we własnym zakresie.
Wpływa bardziej na skalę infrastruktury i koszty korzystania z modelu niż na nakład prac developerskich.
Asystent dla ubezpieczyciela objął 12 000 dokumentów z dostępem na poziomie działów, a czteroosobowy zespół zbudował go w 10 tygodni.
Najbardziej na tę kwotę wpływają liczba zapytań i wybór modelu, dlatego modelujemy ją na podstawie spodziewanego obciążenia w ramach wyceny.
Po uruchomieniu płacisz za korzystanie z LLM (za tokeny przez API lub za hosting GPU, jeśli model działa w Twoim środowisku), hosting wektorowej bazy danych, moc obliczeniową dla zadań ładowania i synchronizacji oraz monitoring i logi. Do tego dochodzi czas wsparcia na naprawę problemów z wyszukiwaniem i ponowne testy przy zmianach treści.
Szerszy obraz budżetów AI znajdziesz w naszej analizie kosztów tworzenia aplikacji AI.
Nowe projekty zwykle przechodzą przez cztery fazy. Każda kończy się Twoją decyzją, zanim zacznie się następna. Jeśli masz już system RAG, praca zaczyna się od jego przeglądu, a fazy dopasowujemy do tego, co trzeba poprawić.
Dostęp do przykładowych źródeł, właściciel każdego źródła, osoba kontaktowa ds. bezpieczeństwa
Eksperci merytoryczni, którzy piszą pytania testowe i oceniają odpowiedzi
Wymagania dotyczące bezpieczeństwa i infrastruktury, dostęp do systemów, z którymi się integrujemy
Właściciel każdego źródła i kanał na opinie użytkowników
Twoi eksperci określają, czym jest poprawna odpowiedź. Nic nie trafia na produkcję, dopóki Twój przedstawiciel nie zatwierdzi wyników.
Prawdziwe pytania z ticketów, czatów i logów wyszukiwania, z oczekiwanymi odpowiedziami zatwierdzonymi przez Twoich ekspertów.
W tym przypadki, w których RAG zawodzi: brak odpowiedzi w źródłach, nieaktualne dokumenty, pliki z ograniczonym dostępem.
Wdrożenie na produkcję, poprawki, zawężenie zakresu albo zatrzymanie. Po pilotażu to dużo tańsze niż po pełnym wdrożeniu.

„Pilotaż pokazał luki, więc uporządkowaliśmy dokumenty i dopracowaliśmy wyszukiwanie. Teraz nowi pracownicy szybciej znajdują to, czego potrzebują, a menedżerowie mniej czasu poświęcają na tłumaczenie wciąż tego samego.”
Rozwiązanie na zamówienie ma sens, gdy Twoje źródła są złożone lub wrażliwe, gdy użytkownicy potrzebują różnych uprawnień albo gdy system musi działać w Twoim środowisku lub wewnątrz Twojego produktu. W prostszych przypadkach zarządzana platforma RAG szybciej daje działający efekt.
System na zamówienie często korzysta z zarządzanych komponentów, takich jak hostowana wektorowa baza danych czy komercyjne API LLM; opisany wyżej asystent ubezpieczeniowy działa na OpenAI API i AWS.
Zmienia zachowanie modelu, na przykład ton, format odpowiedzi czy obsługę terminów branżowych, ale nie daje modelowi dostępu do Twoich aktualnych dokumentów. Możesz łączyć go z RAG, gdy potrzebujesz zarówno aktualnej wiedzy, jak i określonego stylu odpowiedzi.
Jeśli Twój projekt wykracza poza wyszukiwanie, na przykład obejmuje wybór modelu lub fine-tuning, zobacz nasze usługi tworzenia LLM.
Własność, gotowość danych, integracja, wybór stacku i wsparcie po uruchomieniu.
Twoje dane pozostają Twoje, a własność kodu, konfiguracji i indeksu określa umowa przed rozpoczęciem prac.
Nie. Większość zespołów zaczyna od nieuporządkowanych źródeł. Na początku liczy się wiedza, które dokumenty są wiążące i kto za nie odpowiada. Audyt danych pokazuje, co trzeba uporządkować, a porządki wpływające na jakość odpowiedzi stają się częścią zakresu projektu.
Tak. Wyszukiwanie i generowanie odpowiedzi można udostępnić jako API, które wywołuje Twój produkt. Główne pytania projektowe to sposób, w jaki aplikacja przekazuje tożsamość użytkownika, aby działały uprawnienia, oraz to, jak odpowiedzi pokazują źródła w Twoim interfejsie.
Wybieramy po audycie danych, biorąc pod uwagę, gdzie mogą być przetwarzane Twoje dane, spodziewaną liczbę zapytań i wyniki na Twoim zestawie testowym. Opisany wyżej asystent ubezpieczeniowy korzystał z Pythona, FastAPI, LangChain, PostgreSQL z pgvector i OpenAI API na AWS. Jeśli dane nie mogą opuszczać Twojego środowiska, zewnętrzne API zastępuje model open source hostowany na Twojej infrastrukturze.
Wsparcie obejmuje monitoring, naprawę problemów z synchronizacją i wyszukiwaniem oraz ponowne uruchamianie zestawu testowego po zmianach źródeł lub modelu. Dodawanie nowych źródeł lub przypadków użycia to prace developerskie wyceniane osobno. Zakres i czasy reakcji wsparcia określa osobna umowa.
Aby otrzymać wycenę, prześlij nam listę źródeł, z których ma korzystać system, spodziewaną liczbę użytkowników oraz ewentualne wymagania dotyczące bezpieczeństwa lub wdrożenia.