Bayer — глобальная медико-биологическая компания, работающая на стыке двух важнейших для человечества областей: здравоохранения и питания. Ее фармацевтическое подразделение занимается поиском лекарств и заботой о пациентах, а подразделение сельскохозяйственных наук поддерживает производство продуктов питания в планетарном масштабе. Руководящий принцип компании «Здоровье для всех, голод для никого» определяет ее подход к технологиям: ИИ — это не побочный проект, а рычаг, применяемый во всей организации, от повышения продуктивности сотрудников до ускорения прогнозирования урожайности и поиска новых лекарственных препаратов.
Превращение этого стремления в производственные системы для 116 000 сотрудников — сложная инфраструктурная задача. Она требует поиска, который остается быстрым при постоянной нагрузке, опирается на реальные данные для больших языковых моделей (LLM), чтобы подавлять галлюцинации, соответствует строгим требованиям к соблюдению нормативных актов в области медико-биологических наук и адаптируется по мере перехода рабочих нагрузок ИИ от простых чат-ботов к автономным агентам. Это история о том, как Bayer создала такой фундамент и почему Qdrant занимает центральное место в нем уже почти три года.
Раньше люди рассматривали векторные базы данных только для RAG-приложений. Теперь они решают задачи корпоративного поиска. Ни у кого не было омнимадальной поисковой системы, где можно было бы искать видео, аудио и любые активы, создаваемые компанией. Мы поняли, что Qdrant превращается именно в такую систему.
Раньше люди рассматривали векторные базы данных только для RAG-приложений. Теперь они решают задачи корпоративного поиска. Ни у кого не было омнимадальной поисковой системы, где можно было бы искать видео, аудио и любые активы, создаваемые компанией. Мы поняли, что Qdrant превращается именно в такую систему.
Платформа, появившаяся через несколько недель после ChatGPT
Хуман Седгамиз потратил около 15 лет на применение ИИ в здравоохранении, от медицинских устройств до исследований в области поиска лекарств. Большую часть этого времени ИИ был инструментом для специалистов, ведущих исследовательские проекты. В Bayer ситуация изменилась, как только чат-интерфейс ChatGPT сделал ИИ полезным практически для каждого сотрудника.
Bayer действовала быстро. В течение трех месяцев команда Седгамиза создала myGenAssist, внутреннюю платформу генеративного ИИ. В то время ландшафт векторного поиска был невелик: его предлагала лишь горстка компаний. myGenAssist начала работу с тысячи пользователей и узкого набора приложений для обработки естественного языка для поиска лекарств, используя такие источники данных, как FDA и PubMed.
С тех пор она превратилась в полноценный платформенный уровень. Сегодня myGenAssist обслуживает всю компанию, обрабатывает более 1,5 миллионов сообщений в месяц и приняла более 450 000 загруженных документов, при этом скрывая сложность RAG от конечного пользователя.
Весь стек RAG скрыт от пользователей. Для них это просто загрузка файла, но в итоге он проходит через несколько уровней генерации с дополнением поиска (RAG), частью которой является Qdrant. Это оказалось весьма успешным решением для обеспечения обоснованности ответов и уменьшения количества галлюцинаций в LLM-приложениях.
Весь стек RAG скрыт от пользователей. Для них это просто загрузка файла, но в итоге он проходит через несколько уровней генерации с дополнением поиска (RAG), частью которой является Qdrant. Это оказалось весьма успешным решением для обеспечения обоснованности ответов и уменьшения количества галлюцинаций в LLM-приложениях.
Выбор векторной поисковой системы три года назад
Три года назад Bayer оценивала возможности векторного поиска. Первый прототип компании, MVP1, работал на Redis. Но Redis оказался недостаточно масштабируемым для нужд Bayer, поэтому команда провела сравнительный анализ других провайдеров, включая Qdrant.
Команда оценивала решение по нескольким параметрам: соотношение цены и производительности, задержка и открытость. Qdrant был проектом с открытым исходным кодом, что означало, что команда могла быстро протестировать его без бюрократических проволочек при закупках. Задержка была низкой. Кроме того, он был написан на Rust, что сигнализировало о высокой эффективности использования памяти и предсказуемой производительности, которые позже потребовались для рабочих нагрузок в области медико-биологических наук.
Тогда было не так много вариантов. Мы провели сравнительный анализ по соотношению цены и производительности, задержке и другим аспектам. Первые моменты, которые нам действительно понравились: это был открытый исходный код, мы могли очень быстро его протестировать, задержка была хорошей, и он был написан на Rust. В итоге мы выбрали Qdrant.
Тогда было не так много вариантов. Мы провели сравнительный анализ по соотношению цены и производительности, задержке и другим аспектам. Первые моменты, которые нам действительно понравились: это был открытый исходный код, мы могли очень быстро его протестировать, задержка была хорошей, и он был написан на Rust. В итоге мы выбрали Qdrant.
От самостоятельного хостинга к гибридному облаку: соблюдение требований без утопания в операционных задачах
Bayer начала с самостоятельного хостинга Qdrant. Сначала это работало, но по мере того, как платформа масштабировалась с тысячи пользователей до всей компании из 116 000 человек, операционная нагрузка росла. Строгие требования усложняли картину. Как медико-биологическая компания, Bayer должна использовать системы, работающие в ее собственном сертифицированном облаке, с данными, которые не покидают ее периметр.
Чистый самостоятельный хостинг удовлетворял требованиям соответствия, но стал обременительным для команды, которая, по словам Седгамиза, невелика. Решением стало гибридное облако с использованием оператора Kubernetes. Такая организация позволяет хранить данные внутри среды Bayer для соблюдения требований безопасности, одновременно перекладывая тяжелую работу по управлению кластером на провайдера. Bayer использует эту гибридную модель уже более двух лет.
Компании в сфере медико-биологических наук хотят, чтобы данные оставались внутри, и по возможности используют платформу на собственном хостинге. Но самостоятельный хостинг был для нас довольно сложным. Наша команда не такая большая, поэтому мы решили использовать гибридное управление.
Компании в сфере медико-биологических наук хотят, чтобы данные оставались внутри, и по возможности используют платформу на собственном хостинге. Но самостоятельный хостинг был для нас довольно сложным. Наша команда не такая большая, поэтому мы решили использовать гибридное управление.
Масштабирование до миллионов сообщений и развивающаяся модель данных
Масштаб развертывания значителен. В его основе лежит четырех-узловой кластер Qdrant Hybrid Cloud, содержащий около 135 миллионов точек в семи коллекциях. Самая большая отдельная коллекция, хранилище пользовательских файлов, содержит 91 миллион точек в виде плотных и разреженных гибридных векторов.
Большая часть операционной нагрузки исходила не от самого Qdrant, а от окружающего конвейера. Пользователи относятся к платформе как к файловому диску, повторно загружая и пересматривая одни и те же документы, что означает, что векторы должны постоянно синхронизироваться с исходными документами. Парсинг документов, который выполняется перед векторизацией, является тяжелым процессом и стал постоянным источником нагрузки. Поддержание векторного хранилища в актуальном и согласованном состоянии по мере изменения документов стало одной из центральных инженерных задач.
Сама модель данных также расширяется. Bayer движется к омнимадальному подходу, обусловленному спецификой данных в медико-биологических науках: медицинские изображения, рентгеновские снимки, компьютерная томография и молекулярные базы данных соседствуют с текстом. Благодаря моделям эмбеддингов, которые обрабатывают несколько модальностей, команда теперь может рассматривать поиск как задачу, охватывающую все корпоративные активы, а не только документы.
Для любого предприятия крайне важно иметь возможность находить активы независимо от их формата: изображения, текст, молекулярные изображения или что-либо еще. Мы начали рассматривать их не только для простых RAG-приложений, но и для того, чтобы позволить людям осуществлять поиск по всем активам, с которыми они работают.
Для любого предприятия крайне важно иметь возможность находить активы независимо от их формата: изображения, текст, молекулярные изображения или что-либо еще. Мы начали рассматривать их не только для простых RAG-приложений, но и для того, чтобы позволить людям осуществлять поиск по всем активам, с которыми они работают.
Омнимодальный конвейер — это не абстракция, а конкретное решение. Когда научный PDF-файл попадает в систему, модель компьютерного зрения генерирует оптимизированные для поиска описания каждой фигуры (краткое содержание, распознанный текст меток, ключевые концепции) и внедряет их в поток текста перед его сегментацией.
Таким образом, поиск по запросу «кривая аффинности связывания рецептора» возвращает саму фигуру, а не просто абзацы, в которых она упоминается. Аудио- и видеозаписи сегментируются, транскрибируются с помощью Whisper и индексируются в векторном виде наряду с текстовыми документами. Запись совещания лаборатории, сделанная три месяца назад, становится доступной для поиска в Qdrant через несколько минут после загрузки.
Что на самом деле важно для пользователей: задержка и обоснованность ответов
Для людей, работающих с платформой, важнее всего две вещи. Первая — это задержка. Пользователи ожидают получения ответов менее чем за 10 секунд, поэтому исследовательский запрос, требующий больше времени для простого ответа, ухудшает пользовательский опыт. Быстрый поиск является ключевой частью этого бюджета, и Qdrant играет в нем важную роль.
Вторая — это качество поиска. Обоснованные и качественные ответы — это то, что поддерживает удовлетворенность пользователей и обеспечивает измеримый рост производительности. Галлюцинации приводят к обратному результату. Именно здесь гибридный поиск стал решающим фактором. Два года назад одного семантического поиска было недостаточно. Сочетание ключевых слов и семантического поиска в рамках одного запроса оказалось гораздо более эффективным, и теперь это является основой того, как агенты Bayer находят релевантный контекст.
Вы хотите, чтобы поиск был очень быстрым. Платформа с низкой задержкой значительно улучшает пользовательский опыт. И второй момент — это качество поиска при такой задержке. Важно, чтобы ваш векторный поиск поддерживал, например, гибридный поиск. Это замечательно.
Вы хотите, чтобы поиск был очень быстрым. Платформа с низкой задержкой значительно улучшает пользовательский опыт. И второй момент — это качество поиска при такой задержке. Важно, чтобы ваш векторный поиск поддерживал, например, гибридный поиск. Это замечательно.
Компонуемый поиск для агентов: предоставление прямого доступа к Qdrant для модели
Самым значительным сдвигом в архитектуре Bayer стал переход от взаимодействия в стиле чат-ботов к глубоким агентам. Теперь Bayer запускает агентные приложения на базе LangGraph, сравнимые с глубокими исследовательскими и кодовыми агентами, которые стали обычным явлением, и эти агенты гораздо более требовательны к поиску, чем более простые системы, существовавшие ранее. Один цикл глубокого исследования разворачивает длинную цепочку вызовов инструментов, состоящую из сотен шагов, и может выполнять тысячи поисковых запросов до завершения работы, что делает задержку на один запрос еще более важной, чем раньше. Каждый из этих инструментов, от веб-поиска до PubMed и коннектора FDA, опирается на коллекцию Qdrant.
Если у вас нет векторного хранилища Qdrant в фоновом режиме, очень сложно привязать LLM к реальности. Если убрать поиск из агента, результаты вернутся к уровню двухлетней давности.
Если у вас нет векторного хранилища Qdrant в фоновом режиме, очень сложно привязать LLM к реальности. Если убрать поиск из агента, результаты вернутся к уровню двухлетней давности.
Критически важно, что Bayer предоставляет модели прямой доступ к API Qdrant. Независимо от того, является ли запрашивающий человеком или агентом, интерфейс остается тем же, и агент может выбирать способ поиска в зависимости от задачи. Это именно та компонуемая модель, для которой был разработан Qdrant: примитивы поиска, которые вызывающая сторона комбинирует во время выполнения запроса, а не фиксированный конвейер, скрытый за непрозрачным API. Внутри гибридный путь выполняет плотные и разреженные запросы параллельно и объединяет их с помощью Reciprocal Rank Fusion, прежде чем переранжировщик BGE уточнит окончательный порядок. Агент видит набор чистых инструментов, а не этот механизм.
Функция, которую Bayer называет базами знаний, делает это конкретным. Пользователи начинают проект, перетаскивают папки с данными в любом формате, и агент работает с этими данными так же, как агент по написанию кода работает с файловой системой. Bayer расширила набор команд агента, чтобы при неудаче поиска по ключевым словам он мог перейти к семантическому или гибридному поиску через API Qdrant. Он также может развернуть один вопрос в несколько переформулировок (ключевые слова, вопросительная форма, гипотетический ответ) и выполнить поиск по всем ним одновременно. Агент сам решает, какая стратегия поиска подходит для данного момента.
Это очень мощный инструмент, потому что теперь агент решает: я ничего не нашел с помощью поиска по ключевым словам, поэтому я могу переключиться на семантический поиск или использовать гибридный поиск, который предоставляет мне API. Два года назад одного семантического поиска было недостаточно. Теперь, с гибридным поиском, это гораздо эффективнее.
Это очень мощный инструмент, потому что теперь агент решает: я ничего не нашел с помощью поиска по ключевым словам, поэтому я могу переключиться на семантический поиск или использовать гибридный поиск, который предоставляет мне API. Два года назад одного семантического поиска было недостаточно. Теперь, с гибридным поиском, это гораздо эффективнее.
Здесь также окупается омнимодальное направление. Пользователи загружают транскрипты встреч, изображения, аудио и видео, а агент обнаруживает и связывает их. Qdrant все чаще служит памятью агента, позволяя ему вспоминать, над чем работал пользователь, и соответствующим образом адаптировать ответы. Команды в других подразделениях компании могут направлять свои собственные приложения на общую коллекцию, чтобы создавать свои собственные поисковые возможности, от поиска молекул до внутреннего корпоративного поиска.
Качество поиска выигрывает от стратегии параллельного расширения запросов. Один вопрос пользователя генерирует четыре одновременных поиска в Qdrant: дословный запрос, переписанный в форме вопроса, извлеченные ключевые слова и гипотетический ответ HYDE. Результаты объединяются, дедуплицируются с ограничением разнообразия в три фрагмента на документ и при необходимости переранжируются. Этот подход особенно эффективен для фармацевтической литературы, где одна и та же концепция встречается под разными названиями в нормативных документах, клинических протоколах и маркетинговых материалах.
Разбор документов сам по себе является агентным процессом. Вместо предварительной обработки каждого загружаемого файла с помощью дорогостоящего OCR, платформа откладывает извлечение данных до тех пор, пока агенту действительно не понадобится содержимое документа. Легковесный локальный парсер в «песочнице» мгновенно обрабатывает простые форматы; сложные PDF-файлы с таблицами и графиками по запросу передаются на серверный OCR Docling. Результаты кэшируются и индексируются в Qdrant при первом использовании. При 450 000 загруженных документов, большинство из которых никогда не читаются дальше метаданных, такая стратегия «ленивого» парсинга сокращает затраты на вычисления примерно на 80 процентов по сравнению с немедленной обработкой. Этот агентный конвейер парсинга (многоуровневое извлечение, «ленивый» OCR по запросу и путь, превращающий «сырую» загрузку в проиндексированный в Qdrant контент в тот момент, когда он нужен агенту) был создан Балкрушном Хирани, ведущим бэкенд-разработчиком myGenAssist.
Метафора файловой системы здесь глубже, чем просто обертка API. myGenAssist монтирует каждую базу знаний как виртуальный каталог /kb/{id}/ и предоставляет стандартные операции Unix: ls, read_file, grep, glob. Ключевая инновация заключается в том, что семантический grep:drug interaction прозрачно перенаправляется в гибридный поиск Qdrant. Агент во время выполнения решает, что лучше ответит на вопрос — буквальный grep или семантический поиск, переключая стратегии прямо в процессе выполнения задачи без участия человека. Исследователи взаимодействуют со своими коллекциями документов так же, как разработчик взаимодействует с кодовой базой. Большая часть этой архитектуры поиска (бэкенд базы знаний, стратегия сегментирования, определяющая, как документы разбиваются и векторизуются, а также механизм семантического grep-поиска в Qdrant) — работа Виктора Собански, одного из старших бэкенд-инженеров myGenAssist, который отвечает за весь путь документа от загрузки до поиска по векторам.
AI Hub: единая поисковая среда для людей и агентов
Философия компонуемости не ограничивается документами. По мере роста платформы ценными для поиска стали не только файлы. Это были вещи, которые люди создавали поверх myGenAssist: ассистенты, инструменты, серверы MCP и их инструменты, рабочие процессы, базы знаний, навыки и артефакты.
Bayer объединила их все в единый каталог, который назвала AI Hub. Сейчас более 83 000 таких повторно используемых строительных блоков доступны через одну поисковую строку: среди них около 28 000 ассистентов, 22 000 артефактов, 20 000 баз знаний и почти 10 000 рабочих процессов.
Hub использует ту же схему гибридного поиска, которую Bayer успешно применила в своей векторной инфраструктуре: каждое решение снабжено 1024-мерным эмбеддингом BGE-M3, а единая функция поиска объединяет плотное векторное сходство с полнотекстовым поиском по ключевым словам с использованием алгоритма Reciprocal Rank Fusion. Объединенные результаты затем переранжируются на основе сигналов качества в реальном времени (популярность, оценки, надежность и актуальность), поэтому самые востребованные и надежные инструменты оказываются в топе. Сотрудники активно пользуются этим: Hub обрабатывает около 49 000 поисковых запросов в месяц от более чем 7 500 уникальных пользователей.
Агенты используют тот же самый поиск для самооснащения. Когда сессия требует использования более чем нескольких инструментов, слой обнаружения инструментов векторизует запрос пользователя, выполняет поиск в Hub и передает модели только те 12 или около того инструментов, которые подходят для текущего шага. Агент может вызвать команду discover_tools, чтобы на лету найти дополнительные инструменты, или найти специализированного ассистента и делегировать ему задачу в качестве субагента.
Тот же поиск определяет, какие из 430 инструментов следует подготовить заранее, а какие — отложить, что сокращает время запуска агента с более чем пяти секунд до менее чем двух. Лента персональных рекомендаций замыкает цикл, предлагая решения, которые пользователь еще не нашел. Создайте что-то один раз, и это станет доступным везде, для каждого коллеги и каждого агента на платформе.
Масштаб экосистемы инструментов создает собственную проблему поиска. При наличии более 100 корпоративных инструментов — от баз данных FDA и химических движков до внутренних коннекторов ServiceNow — отправка всех описаний инструментов в каждом вызове LLM поглотила бы большую часть контекстного окна.
Вместо этого промежуточное ПО для обнаружения прогоняет сообщение пользователя через поиск AI Hub на базе Qdrant при каждом обращении, выводит только 12 наиболее релевантных инструментов и сохраняет «липкую» память о ранее обнаруженных инструментах с помощью контрольных точек LangGraph. Результат — сокращение количества токенов в промпте на 70 процентов при сохранении доступности каждого инструмента.
Кэширование поиска для контроля затрат на агентов
Сложные агенты создают нагрузку не только на задержку, но и на стоимость. Агенты Bayer иногда выполняют тысячи онлайн-запросов, и многократный вызов внешних API для одних и тех же больших статей обходится дорого. Чтобы контролировать это, коннектор веб-скрейпинга агента записывает извлеченные фрагменты обратно в выделенную коллекцию Qdrant. При следующем похожем вопросе агент проверяет векторное хранилище на наличие чего-то близкого к тому, что он уже читал, вместо того чтобы снова платить за вызов внешнего API.
Это превращает Qdrant в слой семантического кэширования для агентных нагрузок, снижая как стоимость, так и задержку при повторных запросах. Это также обнажает сложную нерешенную проблему: поддержание актуальности кэшированного контента при изменении исходного источника. Если статья, прочитанная на прошлой неделе, была отредактирована на этой, кэшированная версия устаревает. Управление этой синхронизацией, наряду с улучшением полноты поиска, является постоянной областью работы. Слой семантического кэширования — часть той же работы бэкенд-команды под руководством Собански, который сосредоточен на том, чтобы сделать агентный поиск дешевым и актуальным по мере масштабирования платформы.
Qdrant также обеспечивает работу долговременной памяти агента. Выделенная коллекция хранит пары сообщений «пользователь-ассистент» в виде гибридных векторов, сгруппированных по учетной записи и личности ассистента. Когда пользователь возвращается через несколько дней или недель, агент проактивно ищет в этой коллекции, используя Reciprocal Rank Fusion с временным взвешиванием: недавние взаимодействия ранжируются выше, но ничего не забывается. Ежедневное фоновое задание заполняет любые пробелы. Теперь исследователь может сказать: «продолжи анализ, который мы начали в прошлый вторник», и агент продолжит ровно с того места, где остановился, опираясь на фактический предыдущий обмен информацией, а не на краткое содержание.
Масштабирование поиска: уроки на пути к 116 тысячам сотрудников
Когда myGenAssist обслуживал тысячу пользователей, одной коллекции Qdrant с настройками по умолчанию было достаточно. Документы поступали, векторы выходили, и поиск просто работал. Масштабирование до 116 000 сотрудников означало переход от экспериментального прототипа к полномасштабной производственной системе, которая проверяет на прочность пределы всей окружающей архитектуры.
Вместо сложной миграции команда применила стратегию двойной коллекции. Они развернули новую коллекцию параллельно с устаревшей и направили туда все новые загрузки. Во время выполнения запроса поисковый механизм обращается к обеим коллекциям, объединяет результаты и удаляет дубликаты. Устаревшая коллекция «не знает» о новом эмбеддере, а новая коллекция ничего не знает об устаревших документах. Со временем, по мере удаления старых файлов в соответствии с политиками хранения данных, устаревшая коллекция естественным образом исчерпала себя и в конечном итоге была полностью отключена. Это означало, что дорогостоящее перевычисление исторических векторов не потребовалось: единственными накладными расходами стал один дополнительный вызов эмбеддинга для запроса пользователя — незначительная цена за бесшовную миграцию без простоев.
Стратегия индексации команды также эволюционировала в соответствии с шаблонами доступа. Для коллекций базы знаний глобальный индекс HNSW полностью отключен (m=0). Поскольку каждый запрос ограничен рамками одного арендатора, построение глобального графа, связывающего документы, которые никогда не будут искаться вместе, является пустой тратой вычислительных ресурсов. Вместо этого Qdrant полагается на индексы полезной нагрузки (payload indexes) для построения подграфов для каждого арендатора, гарантируя, что 50 000 документов одной команды не замедлят работу 500 документов другой. И наоборот, курируемые глобальные наборы данных, такие как PubMed, сохраняют глобальный индекс, поскольку поиск по ним выполняется без фильтров арендаторов.
Чтобы управлять объемом памяти этого растущего набора данных, Bayer использует бинарное квантование. Квантованные векторы остаются в оперативной памяти для быстрого первичного поиска, в то время как полноточные оригиналы хранятся на диске. Поиск сначала обращается к компактному индексу, а затем переранжирует лучшие кандидаты по оригиналам, используя 3-кратную избыточную выборку для поддержания высокой полноты поиска (recall). Такая архитектура позволяет кластеру укладываться в лимиты памяти без удвоения затрат на инфраструктуру.
Эти решения были приняты не в погоне за последними алгоритмическими трендами; это были практические, проверенные в боях реалии масштабирования системы для корпоративных сотрудников. Решая вопросы состояния, согласованности и памяти в масштабе, Bayer превратила многообещающий эксперимент в надежный поисковый движок корпоративного уровня, способный поддерживать переход компании к автономным агентам и обеспечивать измеримый бизнес-результат.
Сама схема коллекции отражает корпоративные реалии. Именованные векторные пространства, плотные и разреженные, сосуществуют в одной коллекции. Индекс полнотекстовой полезной нагрузки с токенизацией слов обеспечивает фильтрацию MatchText для точных регуляторных идентификаторов. А встроенный в Qdrant флаг is_tenant в knowledge_base_id разделяет выполнение запросов так, что одна общая коллекция обслуживает более 10 000 баз знаний с изоляцией для каждого арендатора. Никакого перекрестного загрязнения, никаких накладных расходов на инфраструктуру для каждого арендатора.
Операционная устойчивость в таком масштабе требует координации между подами. Распределенный автоматический выключатель (circuit breaker), реализованный с помощью атомарных операций Redis Lua для переходов состояний, защищает все операции Qdrant. Если воркеры индексации обнаруживают скачки задержки, API-поды быстро завершают работу в течение миллисекунд, вместо того чтобы ставить запросы в очередь за зависшим соединением. Полуоткрытое зондирование цепи обеспечивает автоматическое восстановление без вмешательства человека.
Измеренные результаты: 20% эффективности и движущаяся цель
Bayer измеряет влияние с помощью опросов KPI, проводимых каждые шесть месяцев среди двух групп пользователей: обычных пользователей, стремящихся сэкономить время, и исследователей, выполняющих более глубокие и дорогостоящие агентные рабочие процессы. Главный результат на данный момент — примерно 20% прироста эффективности от использования ИИ-платформы.
Команда старается не приписывать заслуги чему-то одному. Она не выделяет, какой именно компонент обеспечивает ту или иную долю прироста. Но связь с поиском прямая: большая часть эффективности достигается за счет получения обоснованных ответов, а обоснование невозможно без векторного хранилища в основе. Галлюцинирующие ответы снижают оценки в опросах; обоснованные ответы их повышают.
Мы увидели 20% эффективности при использовании ИИ-платформ. Большая часть этого прироста заключается в том, что вы должны получать от ИИ результаты, которые имеют под собой основу. Если вы получаете галлюцинации, люди не удовлетворены. Это было бы невозможно без этих компонентов.
Мы увидели 20% эффективности при использовании ИИ-платформ. Большая часть этого прироста заключается в том, что вы должны получать от ИИ результаты, которые имеют под собой основу. Если вы получаете галлюцинации, люди не удовлетворены. Это было бы невозможно без этих компонентов.
Эта «последняя миля», встреча с людьми там, где они уже работают, проходит через myGenAssist Claw — интеграцию с Microsoft Teams, созданную Хендриком Хогерцем (старшим разработчиком myGenAssist), которая позволяет сотруднику упомянуть помощника через @-mention в канале Teams и передать ему задачу, не прерывая разговор.
