Понад 10 років ми створюємо фінансові проєкти на блокчейні: централізовані та децентралізовані криптобіржі, криптоботи, платіжні шлюзи, токенізацію нерухомості, DeFi та NFT-проєкти.
Не знаєте, яка послуга підходить?Опишіть задачу, і ми запропонуємо підхід.Отримати оцінку
AI & ML
З 2023 року ми створюємо AI-рішення для бізнесу: розробка AI та LLM, AI-агенти, чат-боти й корпоративний AI, інтегрований з вашими даними, продуктами та процесами.
Merehead створює системи retrieval-augmented generation для ваших співробітників і клієнтів: внутрішній пошук по знаннях, асистентів служби підтримки та AI-функції всередині наявного продукту.
Більшість проєктів починається з обмеженого пілота або аудиту вже наявної системи. Якість відповідей перевіряємо на ваших реальних запитаннях, перш ніж щось піде в продакшн.
«Тепер більшість таких запитань закриває RAG-асистент. Після пілота команда сама попросила додати матеріали по інших наших продуктах.»
JC
James CarterКерівник служби підтримки, США
RAG-консалтинг і оцінка готовності даних
Чи дадуть наші документи надійні відповіді?
Розробка RAG-пайплайна
Потрібен пошук по наших джерелах, синхронізований з ними.
LLM-застосунок та інтеграція
Відповіді мають бути в Slack, нашій CRM або нашому продукті.
Оцінка та оптимізація якості
Ніхто не може сказати, як часто наш прототип відповідає правильно.
Розгортання та подальша підтримка
Система має працювати в нашому середовищі, на даних, що змінюються щотижня.
Внутрішній асистент знаньПідтримка клієнтів через AI-чатботQ&A для юристів і комплаєнсуПідтримка продажівПошук по технічній документації
Кейс
Кейс: RAG-асистент для страхової компанії
Умови полісів, інструкції та процедури врегулювання збитків у відділах, які не мають доступу до файлів одне одного.
92%
відповідей підтверджено як правильніЕксперти перевірили 500 тестових запитань
Час на пошук інформації
До15 хв
Після3 хв
Гібридний пошук: ключові слова + семантикаПеревірка релевантності перед відповіддюДоступ на рівні відділівПосилання на документи-джерелаПовідомлення «Недостатньо інформації»
Кожен етап завершується результатом, який можна відкрити, перевірити й прийняти.
Звіт про готовність даних
Ваші власники даних підтверджують джерела, прогалини та правила доступу
Робоча RAG-система
Ваші користувачі тестують її на практиці реальними запитаннями
Звіт про оцінку якості
Ваш рецензент затверджує його за погодженими критеріями
Вихідний код і конфігурація розгортання
Ваші інженери його перевіряють; право власності визначає договір
Документація та передача
Ваша команда перевіряє її та бере на себе погоджені задачі
«Якість передачі проєкту окремо порадувала. Ми отримали тести, документацію та зрозумілий процес оновлення бази знань. Наші інженери швидко розібралися в системі й невдовзі взяли її підтримку на себе.»
Oliver BennettCTO, Велика Британія
Бюджет
Від чого залежить бюджет розробки RAG
Дві RAG-системи з однаковим набором функцій можуть потребувати зовсім різного обсягу роботи, бо більша частина зусиль припадає на дані. Тому ми оцінюємо кожен проєкт за його вхідними даними, а не за прайс-листом.
1
Ви надаєте вхідні дані
Які джерела, скільки користувачів, правила доступу, де працюватиме система, які інструменти та чого вам коштує неправильна відповідь.
2
Розбивка годин по модулях
Щойно ви надасте ці вимоги, наш Solutions Architect надішле розбивку годин по модулях.
3
Оновлення після аудиту даних
Після аудиту даних оцінку оновлюємо з урахуванням того, що аудит виявив у ваших джерелах.
Що впливає на вартість
01
Кількість і формати джерел
Чистий текст в одній вікі легко індексувати. Скановані PDF, таблиці та складні таблиці потребують додаткового парсингу й перевірки.
02
Якість даних
Дублікати, застарілі версії та суперечливі документи треба прибрати або ранжувати, інакше система відповідатиме не з того документа.
03
Вимоги до контролю доступу
Перенесення прав доступу із SharePoint чи CRM у пошук — це окрема інженерна робота.
04
Глибина тестування якості
Асистент підтримки по публічній документації потребує менше експертної перевірки, ніж інструмент, на який покладається ваша юридична команда.
05
Інтеграції
Кожна цільова система додає роботу з автентифікацією, інтерфейсом і підтримкою.
06
Модель розгортання
Керований хмарний сетап зазвичай розгортається швидше, ніж приватна хмара чи on-premises із власною моделлю.
07
Обсяг запитів
Він більше впливає на розмір інфраструктури та витрати на модель, ніж на обсяг розробки.
Для орієнтиру
Асистент для страхової компанії охопив 12 000 документів з доступом на рівні відділів; команда з чотирьох людей зробила його за 10 тижнів.
Витрати на роботу після запуску
Найбільше на цю суму впливають обсяг запитів і вибір моделі, тому ми моделюємо її з вашого очікуваного навантаження в межах оцінки.
Після запуску ви платите за використання LLM (за токени через API або за GPU-хостинг, якщо модель працює у вашому середовищі), хостинг векторної бази даних, обчислення для завантаження й синхронізації, а також моніторинг і логи. Додайте час підтримки на виправлення проблем пошуку та повторні тести, коли змінюється контент.
Нові проєкти зазвичай проходять чотири фази. Кожна завершується вашим рішенням, перш ніж почнеться наступна. Якщо у вас уже є RAG-система, робота починається з її аудиту, а фази підлаштовуються під те, що треба виправити.
1
Дослідження та аудит даних
Що потрібно від вас
Доступ до зразків джерел, власник для кожного джерела, контактна особа з безпеки
Точка рішенняОбсяг пілота: який сценарій, які джерела, які користувачі
2
Пілот
Що потрібно від вас
Профільні експерти, які складають тестові запитання й оцінюють відповіді
Точка рішенняРішення про запуск у продакшн на основі узгоджених критеріїв якості
3
Продакшн-розробка
Що потрібно від вас
Вимоги до безпеки та інфраструктури, доступ до систем, з якими інтегруємося
Точка рішенняПриймання продакшн-системи після фінального тестування
4
Розгортання та підтримка
Що потрібно від вас
Власник для кожного джерела та канал для відгуків користувачів
Точка рішенняЯкі джерела чи сценарії підключати далі
Терміни фіксуються після аудиту даних. На той момент ми вже знаємо, скільки документів треба почистити, як зберігаються права доступу та які інтеграції задіяні, а саме ці фактори впливають на графік більше, ніж перелік функцій.
Дані та безпека
Дані, інтеграції та безпека
Погоджується до початку розробки: звідки беруться дані, як вони оновлюються, хто їх бачить і де працює система.
Ваші джерела підключені
PDF, Confluence, SharePoint, Notion, Drive, SQL, CRM, helpdesk. Відповіді з’являються в чаті, Slack або вашому продукті. Див. як інтегрувати AI у застосунок.
Завжди актуально
Зміни переіндексуються за розкладом, а видалені документи зникають з відповідей.
Тільки потрібним людям
Права доступу перевіряються під час запиту через ваш SSO, що закриває ризик, описаний в OWASP LLM08:2025.
Працює там, де ви вирішите
Публічна хмара, VPC або on-premises, з комерційною чи self-hosted моделлю. Prompt injection і витоки даних враховано згідно з OWASP Top 10 for LLM Applications.
Тестування якості
Як ми тестуємо якість відповідей перед запуском
Ваші експерти визначають, що таке правильна відповідь. Нічого не йде в продакшн, доки ваш представник не затвердить результати.
01
Збір
Реальні запитання з тікетів, чатів і пошукових логів з очікуваними відповідями, затвердженими вашими експертами.
02
Тест
Зокрема випадки, де RAG ламається: немає відповіді в джерелах, застарілі документи, файли з обмеженим доступом.
03
Рішення за вами
Запуск у продакшн, доопрацювання, звуження обсягу або зупинка. Після пілота це набагато дешевше, ніж після повної розробки.
«Пілот показав прогалини, тож ми впорядкували документи й доналаштували пошук. Тепер нові співробітники швидше знаходять потрібне, а керівники менше часу витрачають на пояснення одного й того самого.»
Iryna KovalОпераційна директорка, Україна
Кастомне чи кероване рішення
Чи потрібне вам кастомне RAG-рішення?
Кастомна розробка має сенс, коли ваші джерела складні чи чутливі, коли користувачам потрібні різні права доступу або коли система має працювати у вашому середовищі чи всередині вашого продукту. Для простіших випадків керована RAG-платформа швидше дає робочий результат.
vs
Створено під ваш випадок
Кастомна реалізація
Найкраще, колиБагато чи нестандартних джерел, суворі правила доступу, інтеграція у ваш продукт
Контроль над даними й розгортаннямВи обираєте хмару, приватну хмару чи on-premises, а також моделі
Глибина інтеграціїКонектори, створені під ваші системи, у межах того, що відкривають їхні API
КастомізаціяПошук, ранжування, промпти та інтерфейс під ваш випадок
Час до першого результатуДовше, бо потрібні дослідження й розробка
Модель поточних витратІнфраструктура й використання моделей під вашим контролем плюс підтримка
RAG як сервіс
Керована платформа
Найкраще, колиСтандартні запитання й відповіді по документах поширених форматів і підтримуваних конекторах
Контроль над даними й розгортаннямОбмежено варіантами хостингу й моделей вендора
Глибина інтеграціїКонектори та віджети платформи
КастомізаціяНалаштування в межах параметрів платформи
Час до першого результатуКоротше для підтримуваних джерел
Модель поточних витратПідписка або оплата за використання за тарифами вендора
Одне не виключає іншого
Кастомна система часто використовує керовані компоненти, наприклад хостовану векторну базу чи комерційний LLM API; страховий асистент вище працює на OpenAI API та AWS.
Fine-tuning — це інший інструмент
Він змінює поведінку моделі — тон, формат відповіді чи роботу з доменними термінами, — але не дає моделі доступу до ваших актуальних документів. Його можна поєднати з RAG, коли потрібні і свіжі знання, і певний стиль відповідей.
Якщо ваш проєкт виходить за межі пошуку, наприклад потрібен вибір моделі чи fine-tuning, перегляньте наші послуги з розробки LLM.
Запитання та відповіді
FAQ
Право власності, готовність даних, інтеграція, вибір стеку та підтримка після запуску.
Ваші дані залишаються вашими, а права на код, конфігурацію та індекс фіксуються в договорі до початку робіт.
Ні. Більшість команд починає з неупорядкованих джерел. На старті важливо знати, які документи є авторитетними і хто ними володіє. Аудит даних показує, що треба почистити, і чистка, яка впливає на якість відповідей, стає частиною обсягу проєкту.
Так. Пошук і генерацію відповідей можна надати як API, який викликає ваш продукт. Головні питання проєктування — як ваш застосунок передає ідентичність користувача, щоб діяли права доступу, і як відповіді показують джерела у вашому інтерфейсі.
Обираємо після аудиту даних, з огляду на те, де можна обробляти ваші дані, очікуваний обсяг запитів і результати на вашому тестовому наборі. Страховий асистент, описаний вище, використовував Python, FastAPI, LangChain, PostgreSQL з pgvector і OpenAI API на AWS. Якщо дані не можуть залишати ваше середовище, зовнішній API замінює open-source модель, розміщена на вашій інфраструктурі.
Підтримка охоплює моніторинг, виправлення проблем синхронізації та пошуку, а також повторний прогін тестового набору після змін джерел чи моделі. Додавання нових джерел чи сценаріїв — це робота з розробки, і її обсяг оцінюється окремо. Обсяг і терміни реакції підтримки фіксуються в окремій угоді.
Контакти
Розкажіть про ваш RAG-проєкт
Щоб отримати оцінку, надішліть нам перелік джерел, які має використовувати система, очікувану кількість користувачів і вимоги до безпеки чи розгортання, якщо вони є.
Корисно вказати
Джерела, які має використовувати система
Очікувану кількість користувачів
Вимоги до безпеки чи розгортання
RAG-систему, яка у вас уже працює, якщо вона є
Файли cookie на Merehead
Ми використовуємо cookie, щоб аналізувати трафік і покращувати маркетинг. Необхідні cookie забезпечують роботу сайту й завжди увімкнені. Політика cookie
