RAG-поиск по внутренним документам
Команде нужно, чтобы сотрудники могли задавать вопросы на естественном языке по внутренним документам, а модель отвечала со ссылкой на источник, а не «галлюцинировала».
Как обычно решают такую задачу
Документы разбивают на фрагменты и превращают в эмбеддинги — векторные представления для поиска по смыслу, а не по ключевым словам.
При вопросе система сначала находит релевантные фрагменты (retrieval), затем LLM формулирует ответ на их основе (generation) — отсюда название RAG.
Модель эмбеддингов и языковая модель для генерации ответа обычно разворачиваются на одной GPU, если корпус документов не очень большой.
Частые вопросы
Как быстро запускается GPU?
Срок запуска зависит от модели GPU, их количества и наличия мощностей. Мы называем его при заявке вместе с ценой и конфигурацией.
Что входит в инстанс?
Состав зависит от выбранного предложения. До запуска согласуем GPU, CPU, RAM, диски, сеть, окружение, способ доступа и границы технической поддержки.
Как проходит оплата?
Безналичная оплата по договору: счёт, закрывающие документы. Порядок расчётов и стоимость фиксируем в коммерческом предложении.
Нужно ли описывать задачу?
Нет. Если конфигурация известна, достаточно указать оборудование, количество, срок аренды и желаемую дату запуска. Замену параметров согласуем отдельно.
Кто представляет VikiCloud?
Проект представляет ООО «Кьюбиэс». Контрагента, порядок оплаты и обязанности сторон фиксируем в документах до заказа.
Можно протестировать GPU перед арендой?
Пробный доступ обсуждаем индивидуально под задачу — уточните это в заявке, и мы предложим формат теста вместе с расчётом.
Заявка
Обсудить похожую задачу
Укажите конфигурацию и срок аренды. Если нужна помощь с выбором, добавьте описание нагрузки — это необязательно.