Цель: Создать надёжную систему поиска ответов внутри корпоративных документов с гарантией точности. Боль клиента: Компания тратила часы на поиск информации по внутренним регламентам. Использование стандартных чат-ботов приводило к рискам из-за «галлюцинаций» нейросетей — ИИ выдавал недостоверные ответы вместо реальных инструкций компании. Наше решение: Мы разработали гибридную архитектуру Retrieval-Augmented Generation (RAG). Система сначала находит релевантные фрагменты текста среди загруженных клиентом документов (FAISS + BM25), а затем формирует ответ с помощью адаптированной модели LoRA. Если основной AI-сервис недоступен, система честно сообщает об отсутствии ответа или выдаёт ссылку на документ (режим деградации). Это обеспечивает 100% доступность сервиса. Технологии: Python, FastAPI, RAG, FAISS, BM25, MMR, Docker. (Ключевые теги для биржи) Результат: Клиент получил инструмент, который исключает риски принятия решений на основе ложной информации. Время сотрудников на поиск данных сократилось в десятки раз. Технология легла в основу зарегистрированного ПО (№2026616042). Сроки реализации: MVP за 3 недели, полная интеграция — ещё 2 недели.