Исследование и аудит данных
Доступ к образцам источников, владелец каждого источника, контактное лицо по безопасности
Услуги
Более 10 лет мы создаём финансовые проекты на блокчейне: централизованные и децентрализованные криптобиржи, криптоботы, платёжные шлюзы, токенизацию недвижимости, DeFi и NFT-проекты.
AI & ML
С 2023 года мы создаём AI-решения для бизнеса: разработка AI и LLM, AI-агенты, чат-боты и корпоративный AI, интегрированный с вашими данными, продуктами и процессами.
Разработка RAG Для Вашей Компании
Merehead создаёт системы retrieval-augmented generation для ваших сотрудников и клиентов: внутренний поиск по знаниям, ассистентов службы поддержки и AI-функции внутри существующего продукта.
Большинство проектов начинается с ограниченного пилота или аудита уже существующей системы. Качество ответов проверяем на ваших реальных вопросах, прежде чем что-либо уйдёт в продакшн.
Начните с одного этапа, например проверки готовности данных, или поручите нам полную разработку вплоть до запуска и поддержки.
Обсудить RAG-проект«Теперь большинство таких вопросов закрывает RAG-ассистент. После пилота команда сама попросила добавить материалы по другим нашим продуктам.»
Дадут ли наши документы надёжные ответы?
Нужен поиск по нашим источникам, синхронизированный с ними.
Ответы должны появляться в Slack, нашей CRM или нашем продукте.
Никто не может сказать, как часто наш прототип отвечает правильно.
Система должна работать в нашей среде, на данных, которые меняются каждую неделю.
Условия полисов, инструкции и процедуры урегулирования убытков в отделах, у которых нет доступа к файлам друг друга.
ответов подтверждено как правильныеЭксперты проверили 500 тестовых вопросов

12 000 документов · 4 специалиста · 10 недель
Обсудить RAG-проектКаждый этап заканчивается результатом, который можно открыть, проверить и принять.
Ваши владельцы данных подтверждают источники, пробелы и правила доступа
Ваши пользователи тестируют её на практике реальными вопросами
Ваш рецензент утверждает его по согласованным критериям
Ваши инженеры его проверяют; право собственности определяет договор
Ваша команда проверяет её и берёт на себя согласованные задачи


«Отдельно порадовало качество передачи проекта. Мы получили тесты, документацию и понятный процесс обновления базы знаний. Наши инженеры быстро разобрались в системе и вскоре взяли её поддержку на себя.»
Две RAG-системы с одинаковым набором функций могут требовать совершенно разного объёма работы, потому что основная часть усилий приходится на данные. Поэтому мы оцениваем каждый проект по его входным данным, а не по прайс-листу.
Какие источники, сколько пользователей, правила доступа, где будет работать система, какие инструменты и чего вам стоит неправильный ответ.
Как только вы предоставите эти требования, наш Solutions Architect пришлёт разбивку часов по модулям.
После аудита данных оценку обновляем с учётом того, что аудит выявил в ваших источниках.
Чистый текст в одной вики легко индексировать. Сканированные PDF, электронные таблицы и сложные таблицы требуют дополнительного парсинга и проверки.
Дубликаты, устаревшие версии и противоречащие документы нужно убрать или ранжировать, иначе система будет отвечать не из того документа.
Перенос прав доступа из SharePoint или CRM в поиск — отдельная инженерная работа.
Ассистенту поддержки по публичной документации нужно меньше экспертной проверки, чем инструменту, на который полагается ваша юридическая команда.
Каждая целевая система добавляет работу по аутентификации, интерфейсу и поддержке.
Управляемый облачный сетап обычно разворачивается быстрее, чем частное облако или on-premises с собственной моделью.
Он больше влияет на размер инфраструктуры и расходы на модель, чем на объём разработки.
Ассистент для страховой компании охватил 12 000 документов с доступом на уровне отделов; команда из четырёх человек сделала его за 10 недель.
Сильнее всего на эту сумму влияют объём запросов и выбор модели, поэтому мы моделируем её по вашей ожидаемой нагрузке в рамках оценки.
После запуска вы платите за использование LLM (за токены через API или за GPU-хостинг, если модель работает в вашей среде), хостинг векторной базы данных, вычисления для загрузки и синхронизации, а также мониторинг и логи. Добавьте время поддержки на исправление проблем поиска и повторные тесты при изменении контента.
Более широкий обзор AI-бюджетов — в нашем разборе стоимости разработки AI-приложений.
Новые проекты обычно проходят четыре фазы. Каждая заканчивается вашим решением, прежде чем начнётся следующая. Если у вас уже есть RAG-система, работа начинается с её аудита, а фазы подстраиваются под то, что нужно исправить.
Доступ к образцам источников, владелец каждого источника, контактное лицо по безопасности
Профильные эксперты, которые составляют тестовые вопросы и оценивают ответы
Требования к безопасности и инфраструктуре, доступ к системам, с которыми интегрируемся
Владелец каждого источника и канал для обратной связи пользователей
Ваши эксперты определяют, что такое правильный ответ. Ничего не уходит в продакшн, пока ваш представитель не утвердит результаты.
Реальные вопросы из тикетов, чатов и поисковых логов с ожидаемыми ответами, утверждёнными вашими экспертами.
В том числе случаи, где RAG ломается: нет ответа в источниках, устаревшие документы, файлы с ограниченным доступом.
Запуск в продакшн, доработка, сужение объёма или остановка. После пилота это намного дешевле, чем после полной разработки.

«Пилот показал пробелы, поэтому мы упорядочили документы и донастроили поиск. Теперь новые сотрудники быстрее находят нужное, а руководители тратят меньше времени на объяснение одного и того же.»
Кастомная разработка имеет смысл, когда ваши источники сложные или чувствительные, когда пользователям нужны разные права доступа или когда система должна работать в вашей среде или внутри вашего продукта. Для более простых случаев управляемая RAG-платформа быстрее даёт рабочий результат.
Кастомная система часто использует управляемые компоненты, например хостинговую векторную базу или коммерческий LLM API; страховой ассистент выше работает на OpenAI API и AWS.
Он меняет поведение модели — тон, формат ответа или работу с доменными терминами, — но не даёт модели доступа к вашим актуальным документам. Его можно совместить с RAG, когда нужны и свежие знания, и определённый стиль ответов.
Если ваш проект выходит за рамки поиска, например нужен выбор модели или fine-tuning, посмотрите наши услуги по разработке LLM.
Право собственности, готовность данных, интеграция, выбор стека и поддержка после запуска.
Ваши данные остаются вашими, а права на код, конфигурацию и индекс фиксируются в договоре до начала работ.
Нет. Большинство команд начинает с неупорядоченных источников. На старте важно знать, какие документы являются авторитетными и кто ими владеет. Аудит данных показывает, что нужно почистить, и чистка, которая влияет на качество ответов, становится частью объёма проекта.
Да. Поиск и генерацию ответов можно предоставить как API, который вызывает ваш продукт. Главные вопросы проектирования — как ваше приложение передаёт идентичность пользователя, чтобы действовали права доступа, и как ответы показывают источники в вашем интерфейсе.
Выбираем после аудита данных, исходя из того, где можно обрабатывать ваши данные, ожидаемого объёма запросов и результатов на вашем тестовом наборе. Страховой ассистент, описанный выше, использовал Python, FastAPI, LangChain, PostgreSQL с pgvector и OpenAI API на AWS. Если данные не могут покидать вашу среду, внешний API заменяет open-source модель, размещённая на вашей инфраструктуре.
Поддержка включает мониторинг, исправление проблем синхронизации и поиска, а также повторный прогон тестового набора после изменений источников или модели. Добавление новых источников или сценариев — это работа по разработке, и её объём оценивается отдельно. Объём и сроки реакции поддержки фиксируются в отдельном соглашении.
Чтобы получить оценку, пришлите нам список источников, которые должна использовать система, ожидаемое количество пользователей и требования к безопасности или развёртыванию, если они есть.