WEBVTT

00:00:00.260 --> 00:00:04.840
Индустрия продала нам миф. Нам говорили, что имбиддинги – это серебряная пуля для корпоративного

00:00:04.840 --> 00:00:09.040
интеллекта. Вы создали векторную базу данных, загрузили документы, потратили бюджет,

00:00:09.220 --> 00:00:13.560
но галлюцинации никуда не делись. В реальности математическая схожесть – это не то же самое,

00:00:13.780 --> 00:00:18.440
что бизнес-релевантность. Мы попали в ловушку ТОП-К. Это тот момент, когда ваш второй пилот

00:00:18.440 --> 00:00:23.020
извлекает самую похожую точку данных в многомерном пространстве, но она на 100% неверна для

00:00:23.020 --> 00:00:27.720
конкретной задачи, потому что в 2026 году близость – это лишь дешевый суррогат истины.

00:00:27.720 --> 00:00:32.800
Если ваш RAG-проект застрял на стадии пилота, дело не в глупости И. Дело в том,

00:00:33.000 --> 00:00:37.980
что ваша стратегия поиска построена на иллюзии. Это структурный провал чистых векторных моделей.

00:00:38.180 --> 00:00:42.700
Векторный поиск – это базовый, вспомогательный уровень в архитектуре современной ИИ-системы.

00:00:42.800 --> 00:00:46.580
Это подвал стека, а не пентхаус, но мы относились к нему как к мозгу.

00:00:46.880 --> 00:00:51.160
Фундаментальный недостаток многомерных имбиддингов в том, что они нечеткие по своей природе.

00:00:51.300 --> 00:00:56.480
Они представляют концепции в виде координат. Это отлично работает, когда вы ищете вайп или общие темы,

00:00:56.480 --> 00:01:00.600
но работа не делается в мире вайбов. Работа делается в мире конкретики. И именно здесь

00:01:00.600 --> 00:01:04.160
чистая векторная модель ломается. Векторы плохо справляются с точными терминами.

00:01:04.320 --> 00:01:08.900
Вспомните коды продуктов – SKU, юридическую терминологию, внутренние кодовые имена проектов.

00:01:09.020 --> 00:01:13.660
Для векторной модели Project Phoenix и Project Firebird могут выглядеть математически идентичными,

00:01:13.820 --> 00:01:17.440
так как они в одном семантическом кластере, но для вашего финансового отдела – это два

00:01:17.440 --> 00:01:21.020
совершенно разных бюджета. Когда вы полагаетесь исключительно на плотные имбиддинги,

00:01:21.020 --> 00:01:26.960
вы по сути просите и угадать ответ, основываясь на соседстве. Результат – 27% ошибок в бизнес-задачах.

00:01:27.080 --> 00:01:32.040
Это не просто техническая метрика. Этот уровень ошибок означает 1,8 часа рабочего времени,

00:01:32.240 --> 00:01:36.460
теряемого каждым сотрудником еженедельно. Люди не используют Copilot, чтобы работать быстрее.

00:01:36.600 --> 00:01:40.540
Они используют его для создания черновиков, на проверку фактов, в которых потом уходит 2 часа,

00:01:40.640 --> 00:01:44.820
потому что набор данных был зашумлен. У нас кризис точности, и это не проблема LLM.

00:01:44.940 --> 00:01:49.440
Это нельзя исправить переходом с GPT-4 на GPT-5 или увеличением контекстного окна.

00:01:49.440 --> 00:01:53.560
Это проблема инженерии поиска. Мы сделали масштабное допущение. Мы предположили,

00:01:53.740 --> 00:01:58.260
что математика справится с контекстом. Мы думали, что если превратим каждый документ в список чисел,

00:01:58.480 --> 00:02:03.300
связи проявятся сами, но контекст – это структура. Это не просто вероятность. В корпоративной

00:02:03.300 --> 00:02:08.340
среде смысл документа не только в словах, он в метадонных, в правах доступа, в специфических

00:02:08.340 --> 00:02:12.780
версиях, которые векторная модель полностью игнорирует. Когда вы ищите актуальные правила

00:02:12.780 --> 00:02:17.140
командировок, векторный поиск находит то, что больше всего похоже на правила командировок.

00:02:17.140 --> 00:02:21.940
Он не обязательно находит те, что были утверждены вчера. Он находит наиболее похожее. И если

00:02:21.940 --> 00:02:25.760
самый похожий вариант – это версия 2022 года, потому что в ней больше описательного текста,

00:02:25.940 --> 00:02:29.860
именно ее и получит ваш LLM. Тогда ей говорит сотруднику, что можно лететь бизнес-классом,

00:02:30.020 --> 00:02:34.400
хотя новые правила разрешают только эконом. Это галлюцинация, вызванная плохой опорой на данные.

00:02:34.620 --> 00:02:39.520
Модель не солгала, она просто обобщила не тот массив чисел. Вот что бывает, когда используешь модель

00:02:39.520 --> 00:02:44.140
для поиска, пытаясь добиться от нее точности. Векторный поиск отлично находит иголку в стоге сена,

00:02:44.140 --> 00:02:48.180
если вам все равно, какую именно иголку вы получите. Но в бизнесе есть только одна правильная

00:02:48.180 --> 00:02:52.920
иголка. Остальные девять – это абуза. Мы достигли предела того, что может дать нам одна лишь

00:02:52.920 --> 00:02:58.900
схожесть. Чтобы достичь точности в 99%, необходимой в регулируемых отраслях, нужно перестать видеть

00:02:58.900 --> 00:03:03.400
в поиске математическую задачу и начать видеть редакционную. Мы должны отойти от мысли,

00:03:03.700 --> 00:03:08.860
что сойдет и так, приемлемо для системы, от которой зависит решение руководства. Потому что сейчас

00:03:08.860 --> 00:03:13.700
топка результатов, которые вы подаете в свой помощник, это лишь набор математически связанных шумов.

00:03:13.700 --> 00:03:18.160
Вы просите движок логических рассуждений построить дом на песчаном фундаменте. А потом удивляемся,

00:03:18.340 --> 00:03:23.880
почему крыша протекает. Переход с 2025 на 2026 год – это осознание того, что имбиддинги – лишь

00:03:23.880 --> 00:03:29.120
отправная точка. Эта стопка может быть. Чтобы попасть в стопку, да, нам нужна иная логика. Нам нужно

00:03:29.120 --> 00:03:33.720
вернуть те самые вещи, которые, как мы думали, заменят имбиддинги. Нам нужна структура, нам нужны

00:03:33.720 --> 00:03:38.620
лексические якоря. И самое главное – нам нужен надзиратель, который знает разницу между похожим

00:03:38.620 --> 00:03:42.680
ответом и правильным. Без этого ваш проект R.A.G. – не интеллектуальный инструмент,

00:03:42.680 --> 00:03:47.620
а просто очень дорогой и очень быстрый способ ошибиться. Но именно здесь модель дает сбой,

00:03:47.820 --> 00:03:53.220
потому что схожесть – дешевый суррогат истины. Это соседство – опасное место для жизни. Мы слишком

00:03:53.220 --> 00:03:57.200
долго полагались на эти плотные кластеры, полагая, что если два объекта близки в векторном

00:03:57.200 --> 00:04:01.160
пространстве, они должны быть связаны по смыслу в бизнесе. Но это не так. Схожесть – лишь

00:04:01.160 --> 00:04:06.640
отражение закономерности использования словарей. Это дешевый суррогат истины, и в 2026 году модель

00:04:06.640 --> 00:04:10.140
ломается, потому что мы перестали искать похожие и начали нуждаться в проверенном.

00:04:10.140 --> 00:04:14.600
Когда вы переходите от пилотного проекта к продуктовой среде, ставки меняются. Суррогата уже

00:04:14.600 --> 00:04:20.160
недостаточно. Вам нужно то, что вернет и к реальному языку вашей организации. Вам нужна та точность,

00:04:20.360 --> 00:04:23.340
которую мы случайно отбросили, полностью перейдя на имбиддинги.

00:04:23.480 --> 00:04:26.480
Гибридный стандарт. Почему BM25 все еще важен?

00:04:26.600 --> 00:04:30.400
Если посмотреть на производственные стандарты 2026 года, ландшафт изменился.

00:04:30.560 --> 00:04:34.760
Мы больше не говорим об экспериментальных векторных хранилищах. Мы говорим о гибридном стандарте.

00:04:34.760 --> 00:04:40.320
Данные очевидны. 72% успешных корпоративных RAG-систем отказались от чисто векторного

00:04:40.320 --> 00:04:45.300
поиска. Они внедрили двухканальную систему, объединяющую смысл векторов с точностью ключевых

00:04:45.300 --> 00:04:50.700
словарей. В частности, они вернули алгоритм BM25. Для тех, кто не посвятил 20 лет поисковым

00:04:50.700 --> 00:04:55.540
технологиям, BM25 — это классический метод разреженного поиска. Это логика, которая ищет точные

00:04:55.540 --> 00:04:59.820
совпадения словарей. Это старый подход, который, как мы думали, убьют имбиддинги, но оказалось,

00:04:59.960 --> 00:05:04.320
что он единственный держит новые методы в узде. Когда вы объединяете их, происходит нечто интересное.

00:05:04.320 --> 00:05:09.960
Вы получаете прирост полноты поиска на 17% по всему набору данных. Эти 17% — разница между тем,

00:05:10.140 --> 00:05:14.020
что сотрудник найдет ответ за 10 секунд или сдастся после трех неудачных запросов.

00:05:14.100 --> 00:05:18.820
Подумайте, что будет, если перестать игнорировать конкретные слова, которые вводят пользователи.

00:05:18.940 --> 00:05:24.520
В чисто векторной системе, если пользователь введет форму 10К и 2025, модель может отдать

00:05:24.520 --> 00:05:29.740
приоритет общей статье о финансовой отчетности из-за схожести контекста, но с BM25 система увидит

00:05:29.740 --> 00:05:36.780
конкретную строку 10К и 2025. Она распознает, что это не просто концепции, это лексические якоря.

00:05:36.960 --> 00:05:41.160
Гибридный поиск позволяет системе сказать «Я знаю, что вы интересуетесь финансовыми отчетами,

00:05:41.320 --> 00:05:45.720
но также вижу, что вы запросили именно этот документ». Это решает проблему запросов вне доменной

00:05:45.720 --> 00:05:49.380
области. Это самое большое препятствие для любой предобученной модели имбиддингов.

00:05:49.560 --> 00:05:53.240
Ваша векторная модель, скорее всего, обучалась на общем корпусе текстов из интернета.

00:05:53.240 --> 00:05:57.640
Она знает, что такое контракт, но не знает специфического жаргона вашей отрасли. Она не

00:05:57.640 --> 00:06:01.480
понимает проприетарные аббревиатуры, используемые в вашем инженерном отделе. Она не видела

00:06:01.480 --> 00:06:04.200
внутреннего сокращенного языка, который ваша логистическая команда использует для

00:06:04.200 --> 00:06:08.340
описания задержек поставок. Для общей модели имбиддингов эти слова – просто шум. Они вне

00:06:08.340 --> 00:06:14.220
доменной области. Но для BM25 эти слова – сигналы. Запуская поиск по ключевым словам параллельно с

00:06:14.220 --> 00:06:19.300
векторным, вы создаете систему защиты. Вы гарантируете, что если пользователь введет специфический

00:06:19.300 --> 00:06:23.140
термин, который модель имбиддингов не поймет, система все равно найдет документ,

00:06:23.240 --> 00:06:29.060
по буквальному тексту. Именно так достигается порог точности 0.8. В 2025 году мы были рады,

00:06:29.180 --> 00:06:33.940
если и был прав в целом. В 2026 году точность 80% – это необходимый минимум для входа.

00:06:34.040 --> 00:06:37.960
Гибридный подход – первый шаг к этой цели. Речь идет о привязке и к реальности. Представьте

00:06:37.960 --> 00:06:41.860
это как систему двойной проверки. Векторный путь отвечает за намерения. То есть, что именно они

00:06:41.860 --> 00:06:46.500
пытаются сделать. Путь по ключевым словам отвечает за факты. То есть, что именно они сказали на самом деле.

00:06:46.500 --> 00:06:50.560
Когда оба пути указывают на один документ, это кандидат с высокой степенью уверенности. Когда они

00:06:50.560 --> 00:06:54.240
не совпадают, это сигнал, что требуется дополнительная обработка. Но даже с таким гибридным

00:06:54.240 --> 00:06:59.440
подходом у нас остается проблема. Вы улучшили список? Возможно. Вы повысили полноту поиска с 78%

00:06:59.440 --> 00:07:05.260
до 91%. Вы находите больше нужного, но все равно передаете ЛЛМ кучу кандидатов. И если вы хоть раз

00:07:05.260 --> 00:07:10.000
видели результаты поиска, то знаете, что топ-10 часто представляют собой хаос. Идеальный ответ может

00:07:10.000 --> 00:07:14.940
оказаться на четвертой позиции. Но на первом месте – документ, в котором просто случайно 20 раз

00:07:14.940 --> 00:07:19.660
повторено ключевое слово. Или документ, который математически похож, но совершенно не актуален

00:07:19.660 --> 00:07:24.360
для текущего года. Гибридный поиск дает вам кусочки пазла. Но он не обязательно собирает пазл

00:07:24.360 --> 00:07:29.260
воедино. Мы полагаем, что если дать ЛЛМ топ-5 результатов, она будет достаточно умна, чтобы выбрать

00:07:29.260 --> 00:07:34.540
нужный. Но ЛЛМ подвержены влиянию отвлекающих документов. Если первый результат – это очень длинный

00:07:34.540 --> 00:07:39.480
и уверенно звучащий документ, который на самом деле не верен, ЛЛМ часто предпочтет его правильному,

00:07:39.640 --> 00:07:43.640
но более короткому ответу на третьей позиции. Это явление – потери в середине.

00:07:43.640 --> 00:07:48.400
Порядок информации определяет качество ответа. Итак, хотя гибридный поиск – это база,

00:07:48.500 --> 00:07:53.280
это не окончательное решение. Это система фильтрации. Она сокращает миллион документов до 50.

00:07:53.640 --> 00:07:57.340
Но 50 документов – все еще слишком много шума для принятия важных бизнес-решений.

00:07:57.500 --> 00:08:01.100
Вы по-прежнему просто смотрите на стопку кандидатов. Вы сдвинулись с мертвой точки,

00:08:01.360 --> 00:08:05.940
но не устранили разрыв. Чтобы достичь точности 0,9, необходимой в здравоохранении и финансах,

00:08:06.140 --> 00:08:09.660
нельзя останавливаться на этапе поиска. Нужно добавить уровень рассуждения до того,

00:08:09.660 --> 00:08:13.480
как данные попадут в ЛЛМ. Нужен супервайзер, который изучит эти 50

00:08:13.480 --> 00:08:17.260
кандидатов и ранжирует их на основе логики, а не только частоты слов или координат.

00:08:17.340 --> 00:08:21.720
Ведь прямо сейчас, даже с гибридным поиском, ваш второй пилот все еще гадает. Просто его догадки

00:08:21.720 --> 00:08:25.980
стали намного более обоснованными, чем раньше. Мы решили проблему поиска. Теперь нам нужно

00:08:25.980 --> 00:08:30.260
решить проблему ранжирования. А для этого требуется совершенно иной архитектурный уровень.

00:08:30.340 --> 00:08:33.560
Даже при гибридном поиске вы все равно видите лишь груду кандидатов.

00:08:33.760 --> 00:08:34.640
Вам нужен Курата.

00:08:35.140 --> 00:08:38.220
Проблема гибридной модели в том, что у нее нет своего мнения.

00:08:38.220 --> 00:08:43.160
Она создает список на основе двух разных систем оценки, которые, по сути, говорят на разных языках.

00:08:43.300 --> 00:08:46.940
Вы объединяете координаты векторного пространства с частотными показателями из индекса

00:08:46.940 --> 00:08:51.520
ключевых словарей. В результате получается сводный топ-50, который технически лучше прежнего,

00:08:51.720 --> 00:08:55.740
но фундаментально не проверен. Это как если бы кадровое агентство прислало вам 50 резюме,

00:08:55.900 --> 00:08:59.900
даже не прочитав их. Они отфильтровали их по ключевым словам и общему опыту, но не проверили,

00:09:00.080 --> 00:09:01.220
справится ли человек с работой.

00:09:01.380 --> 00:09:06.300
WarAge Convary LLM выступает в роли менеджера по найму. Если вы дадите этому менеджеру 50 резюме,

00:09:06.300 --> 00:09:10.800
он будет перегружен. Он взглянет на первые три, отвлечется на красиво оформленную ложь и сделает

00:09:10.800 --> 00:09:14.640
плохой выбор. Чтобы исправить это, нужно перестать считать поиск одноэтапным процессом.

00:09:14.800 --> 00:09:18.640
Нам нужно внедрить вторичный уровень, который будет выступать в роли привратника. Потому что

00:09:18.640 --> 00:09:23.600
сейчас вы не даете ответ. Вы даете домашнее задание. А ваш и не создан для выполнения домашней работы.

00:09:23.760 --> 00:09:28.020
Он создан для рассуждений. Чтобы он рассуждал правильно, нужно дать ему верную отправную точку.

00:09:28.180 --> 00:09:32.960
Вам нужен куратор, который изучит топ-50 кандидатов и решит, кто из них действительно владеет истиной.

00:09:32.960 --> 00:09:37.220
Семантическое ранжирование – финальный фильтр для проверки фактов. Именно здесь мы внедряем

00:09:37.220 --> 00:09:41.660
L2-переранжировщик. В архитектуре 2026 года это обязательный, не подлежащий обсуждению

00:09:41.660 --> 00:09:45.520
вторичный уровень. Он работает как редактор ваших результатов поиска. Подумайте о рабочем

00:09:45.520 --> 00:09:49.900
процессе, который мы выстроили. Сначала гибридный поиск извлекает широкий набор кандидатов.

00:09:50.020 --> 00:09:54.100
Он быстрый и эффективный. Сканирует миллионы документов за миллисекунды, но он поверхностный.

00:09:54.240 --> 00:09:59.060
L2-переранжировщик – полная противоположность. Он не просматривает миллионы документов. Он изучает

00:09:59.060 --> 00:10:03.300
только топ-50, но делает это с такой глубиной, которая никогда не достигнет первый уровень

00:10:03.300 --> 00:10:07.760
поиска. В частности, в экосистеме Microsoft речь идет о моделях, созданных на базе Bing.

00:10:07.920 --> 00:10:12.120
Это трансформеры с перекрестным вниманием, cross-attention. В отличие от первичного векторного

00:10:12.120 --> 00:10:15.760
поиска, который сравнивает запрос с предварительно вычисленным имбидингом документа,

00:10:15.960 --> 00:10:19.480
переранжировщик анализирует запрос и документ одновременно. Он выполняет глубокое

00:10:19.480 --> 00:10:24.360
семантическое сравнение фактического текста. Это уже не просто сопоставление координат в многомерном

00:10:24.360 --> 00:10:29.460
пространстве. Он проводит глубокий анализ, чтобы понять, действительно ли в документе есть ответ

00:10:29.460 --> 00:10:34.260
на заданный вопрос. Именно здесь в дело вступает оценка переранжировщика рекламного поиска.

00:10:34.600 --> 00:10:38.460
Этот показатель отличается от оценок сходства, которые вы видите на первом уровне.

00:10:38.640 --> 00:10:42.880
Оценка сходства говорит вам, этот документ математически близок. Оценка переранжирования

00:10:42.880 --> 00:10:46.920
говорит, этот документ соответствует намерению пользователя. Она переносит фокус с вопроса,

00:10:46.920 --> 00:10:51.380
это близко по смыслу. На вопрос, отвечает ли это на поставленный вопрос. Это различие – единственный

00:10:51.380 --> 00:10:55.060
способ выжить в регулируемых отраслях. В финансах, здравоохранении или юриспруденции

00:10:55.060 --> 00:11:01.640
точность 0,8 – это провал. Вам нужно 0,9 или выше. Этого уровня точности невозможно достичь с помощью

00:11:01.640 --> 00:11:06.280
одноэтапного процесса поиска. Переранжирование позволяет перейти от, в основном верно,

00:11:06.520 --> 00:11:11.700
корпоративному уровню. Оно решает самую частую проблему в ARG – проблему неверного порядка.

00:11:11.700 --> 00:11:16.420
При стандартном поиске идеальный ответ может находиться на восьмой позиции, но из-за неверной

00:11:16.420 --> 00:11:21.320
плотности ключевых слов или нечеткого имбединга он не попал в топ. ЛЛМ, будучи ленивый,

00:11:21.500 --> 00:11:25.660
фокусируется на первых трех результатах. Она упускает истину на восьмой позиции и генерирует

00:11:25.660 --> 00:11:30.360
галлюцинацию, основываясь на «шуме» с первой позиции. Переранжировщик предотвращает это. Он берет

00:11:30.360 --> 00:11:34.700
тот самый идеальный ответ с восьмой позиции и переносит его на первую. Он определяет, что хотя в

00:11:34.700 --> 00:11:38.320
первом документе больше ключевых слов, в восьмом содержится именно та смысловая суть,

00:11:38.320 --> 00:11:42.020
которая требуется для запроса. Этот переход от поиска к ранжированию – самое важное

00:11:42.020 --> 00:11:46.500
архитектурное изменение, которое можно внедрить в этом году. Мы должны перестать зацикливаться на том,

00:11:46.500 --> 00:11:51.360
как много информации мы можем найти. Нам нужно сосредоточиться на порядке представления этой

00:11:51.360 --> 00:11:56.460
информации, ведь порядок важнее количества. Если правильный ответ лежит в самом низу стопки,

00:11:56.700 --> 00:12:01.160
считайте, что его не существует. Переранжировщик гарантирует, что истина всегда будет на вершине.

00:12:01.160 --> 00:12:05.560
Но дело не только в перемещении документов. Уровень L2 также предоставляет семантические

00:12:05.560 --> 00:12:10.420
заголовки и выделения. Он определяет конкретные предложения в документе, которые наиболее

00:12:10.420 --> 00:12:15.520
релевантны. Это дает LLM своего рода «шпаргалку». Вместо того, чтобы просить модель читать

00:12:15.520 --> 00:12:20.400
десятистраничный PDF в поисках иголки, переранжировщик указывает на нее напрямую «прочти

00:12:20.400 --> 00:12:25.660
конкретно эти три предложения». Это снижает когнитивную нагрузку на LLM. Это минимизирует риск того,

00:12:25.880 --> 00:12:30.100
что модель отвлечется на нерелевантный контекст в других частях документа. Это как разница между тем,

00:12:30.100 --> 00:12:34.340
чтобы дать кому-то целую книгу или один выделенный абзац. Как вы думаете, что приведет к более

00:12:34.340 --> 00:12:39.300
быстрому и точному ответу? В 2026 году именно так мы преодолеем разрыв в доверии. Пользователи

00:12:39.300 --> 00:12:43.400
перестают доверять копайлот, когда он дает три невнятных ответа и пропускает тот самый единственный

00:12:43.400 --> 00:12:47.140
верный. Реренкер – это инструмент, гарантирующий, что правильный ответ всегда будет первым,

00:12:47.260 --> 00:12:51.160
что увидит пользователь. Он выступает в роли финального фильтра истины. Он преодолевает разрыв

00:12:51.160 --> 00:12:55.180
между необработанными данными и практическими знаниями. Однако мы должны честно говорить о

00:12:55.180 --> 00:12:59.440
компромиссах. Такой уровень точности не дается даром. Когда вы переходите от простого математического

00:12:59.440 --> 00:13:03.360
поиска к ранжированию на основе рассуждений, экономика вашей системы меняется. Вы увеличиваете

00:13:03.360 --> 00:13:07.680
вычислительные затраты. Вы увеличиваете задержку. А в облачной среде, такой как Азур,

00:13:07.880 --> 00:13:12.560
вы увеличиваете прямые расходы. Если не управлять этим слоем правильно, полученная точность

00:13:12.560 --> 00:13:17.020
будет аннулирована счетом за инфраструктуру в конце месяца. Нам нужно понимать экономику

00:13:17.020 --> 00:13:21.440
точности, потому что в корпоративном секторе идеальный ответ стоимостью 10 долларов зачастую

00:13:21.440 --> 00:13:27.660
менее ценен, чем достаточно хороший ответ за 10 центов. Задача 2026 года – найти баланс между

00:13:27.660 --> 00:13:32.260
необходимостью точности 0,9 и реальностью ограниченного бюджета. Вам нужен супервизор,

00:13:32.440 --> 00:13:36.920
но вы также должны убедиться, что он не самый дорогой сотрудник в компании. Но эта точность

00:13:36.920 --> 00:13:41.340
стоит денег, и если не управлять инфраструктурой, окупаемость инвестиций исчезнет.

00:13:41.560 --> 00:13:45.960
Переход к многоэтапной архитектуре поиска создает фундаментальное противоречие между

00:13:45.960 --> 00:13:51.280
качеством ответа и бюджетной устойчивостью. Мы достигли точки, где техническая возможность точности 0,

00:13:51.280 --> 00:13:56.180
9 реально, но финансовая целесообразность часто игнорируется. На ранних этапах ARG мы были

00:13:56.180 --> 00:13:59.840
сосредоточены на доказательстве работоспособности концепции. Нас не волновала стоимость одного

00:13:59.840 --> 00:14:03.880
запроса, потому что объемы были низкими. Но когда вы масштабируетесь с 10 пользователей до

00:14:03.880 --> 00:14:08.620
10 тысяч, расчеты меняются. Вторичный уровень логических рассуждений, делающий систему

00:14:08.620 --> 00:14:14.100
надежной, также может сделать ее непомерно дорогой. Ведь в бизнесе точность – это предмет роскоши,

00:14:14.300 --> 00:14:19.720
и если ваша инфраструктура не рассчитана на вес этой роскоши, проект съест свою окупаемость раньше,

00:14:19.720 --> 00:14:25.680
чем принесет хоть один доллар ощутимой выгоды. Экономика точности, производительность против

00:14:25.680 --> 00:14:30.540
стоимости. Реальность стандартного уровня в Азура и Айсёч такова, что семантическое ранжирование – это

00:14:30.540 --> 00:14:34.880
игра с оплатой за участие. Вы не можете просто щелкнуть переключателем и ожидать, что ваш бюджет

00:14:34.880 --> 00:14:39.980
останется прежним. Активируя функцию оценки реренкера, вы уходите от мира фиксированной стоимости

00:14:39.980 --> 00:14:45.160
поисковых единиц в мир переменной оплаты за время выполнения запросов. Давайте взглянем на цифры.

00:14:45.280 --> 00:14:49.660
При умеренном объеме, скажем, 50 тысяч поисковых запросов в месяц для набора данных в 20 гигабайтов,

00:14:49.720 --> 00:14:53.840
ваши ежемесячные дополнительные расходы составят от 300 до 800 долларов. Это может показаться

00:14:53.840 --> 00:14:58.480
приемлемым для одного отдела, но если учесть, что это лишь уровень поиска, а вам еще нужно платить

00:14:58.480 --> 00:15:02.840
за токены LLM и генерацию имбиддингов, общая стоимость владения начинает резко расти.

00:15:03.020 --> 00:15:07.140
Мы видели организации, которые запускали пилотный проект второго пилота, добивались огромного успеха

00:15:07.140 --> 00:15:10.560
в удовлетворенности пользователей, а затем сразу же сворачивали его при получении первого

00:15:10.560 --> 00:15:14.780
полноценного счета. Они были настолько сосредоточены на производительности, что забыли проверить

00:15:14.780 --> 00:15:18.840
ее цену. Это главная причина, по которой Ара и Джи проекты умирают при переходе от лаборатории

00:15:18.840 --> 00:15:22.300
к эксплуатации. Стоимость правоты оказывается выше, чем стоимость ошибки.

00:15:22.480 --> 00:15:26.300
Итак, как нам это решить? Как сохранить точность, не разоряя IT-отдел?

00:15:26.460 --> 00:15:31.060
Ответ кроется в семантическом кэшировании. В 2026 году семантическое кэширование – это

00:15:31.060 --> 00:15:35.840
спаситель ROI для бизнеса. Вот проблема, которую мы решаем. Сотрудники склонны задавать одни и те же

00:15:35.840 --> 00:15:39.300
вопросы немного разными способами. Какова политика в отношении праздничных дней?

00:15:39.520 --> 00:15:43.280
Можете показать мне правила предоставления отгулов? Сколько дней отпуском не положено?

00:15:43.280 --> 00:15:46.600
В стандартном конвейере Ара и Джи каждый из этих вопросов запускает полный поиск,

00:15:46.600 --> 00:15:50.480
семантическое переранжирование и вызов LLM. Вы трижды платите за один и тот же ответ.

00:15:50.660 --> 00:15:54.520
Семантическое кэширование устраняет эти потери. Оно использует облегченную модель имбиддингов,

00:15:54.720 --> 00:15:58.200
чтобы определить, что эти три вопроса имеют одинаковое намерение. Вместо обращения к

00:15:58.200 --> 00:16:02.120
дорогостоящему движку рассуждений, система извлекает проверенный ответ из высокоскоростного кэша.

00:16:02.300 --> 00:16:07.020
Это может сократить количество ваших вызовов LLM на 60-80%. А трансформация пользовательского

00:16:07.020 --> 00:16:11.400
опыта еще более впечатляющая. Вы переходите от трехсекундного ожидания вывода GPT-4 к попаданию

00:16:11.400 --> 00:16:16.640
в кэш менее чем за 50 миллисекунд. Это ускорение в 250-й год раз. Внезапно второй пилот начинает

00:16:16.640 --> 00:16:20.700
работать мгновенно. Он превращается из медленного инструмента, который люди терпят, в отзывчивого

00:16:20.700 --> 00:16:24.700
помощника, которым действительно приятно пользоваться. Но кэширование – это лишь половина дела.

00:16:24.880 --> 00:16:29.420
Вторая половина – это выборочная активация. Одна из самых больших ошибок архитекторов – применение

00:16:29.420 --> 00:16:33.300
семантического ранжирования к каждому запросу. Вам не нужен глубокий трансформер рассуждений,

00:16:33.440 --> 00:16:38.460
чтобы найти документ под названием «Шаблон отчета о расходах за 2025 год». Для этого вполне достаточно базового

00:16:38.460 --> 00:16:43.100
поиска по ключевым словам. Стратегия на 2026 год – оставить простые попадания на дешевом уровне.

00:16:43.240 --> 00:16:46.680
Вам следует запускать переранжировщик второго уровня только для сложных запросов на естественном

00:16:46.680 --> 00:16:50.520
языке, где намерение неоднозначно. Внедрив логический вентиль в начале вашего конвейера,

00:16:50.640 --> 00:16:54.120
вы сможете сберечь бюджет для запросов, которым действительно нужна дополнительная точность.

00:16:54.320 --> 00:16:58.860
Рассматривайте это как систему медицинской сортировки. Дешевый уровень обрабатывает 70% рутинных

00:16:58.860 --> 00:17:02.760
запросов. Дорогостоящий семантический слой обрабатывает 30%, которые действительно приносят

00:17:02.760 --> 00:17:06.880
бизнес-ценность. Именно так вы балансируете бюджет. Вы следите за тем, чтобы стоимость поиска не

00:17:06.880 --> 00:17:11.220
превышала ценность полученного ответа. Если запрос приносит 10 центов прибыли, не тратьте доллар на

00:17:11.220 --> 00:17:15.100
его вычислительную обработку. Нам также следует учитывать уровневую структуру самих данных.

00:17:15.240 --> 00:17:20.240
Не все документы требуют точности в 0,9. Вашему меню в столовой не нужен переранжировщик уровня

00:17:20.240 --> 00:17:25.500
BING, а вот документы по нормативному соответствию требуют. Разделяя индексы поиска и применяя к каждому

00:17:25.500 --> 00:17:30.620
разные стратегии ранжирования, можно оптимизировать расходы в зависимости от критичности информации.

00:17:30.620 --> 00:17:35.740
Это то, что мы называем поиском на основе ценности. Это понимание того, что точность – не

00:17:35.740 --> 00:17:40.560
двоичный выбор. Это скользящая шкала. И задача архитектора – передвигать этот ползунок в зависимости

00:17:40.560 --> 00:17:44.240
от конкретных потребностей бизнес-подразделения. Цель состоит не в том, чтобы построить

00:17:44.240 --> 00:17:48.180
максимально точную систему. Цель – построить максимально точную систему, которую бизнес

00:17:48.180 --> 00:17:52.240
действительно может себе позволить. Ведь идеальный И, который слишком дорого использовать – это

00:17:52.240 --> 00:17:56.940
просто очень сложный пресс-папье. В 2026 году победителями станут не те, у кого самые высокие

00:17:56.940 --> 00:18:02.380
показатели в тестах. А те, кто научился обеспечивать 0,85 при стоимости, которая масштабируется

00:18:02.380 --> 00:18:06.140
линейно вместе с их ростом – это те, кто рассматривал инфраструктуру как ограничение,

00:18:06.320 --> 00:18:10.360
а не как второстепенную задачу. Управление расходами – это техническая сторона уравнения.

00:18:10.520 --> 00:18:14.800
Но даже если вы разобрались с экономикой, у вас остается человеческий фактор. Вам нужно устранить

00:18:14.800 --> 00:18:19.060
разрыв между купленными лицензиями и реальным доверием пользователей к системе. Ведь если они не

00:18:19.060 --> 00:18:23.720
доверяют ответу, неважно, сколько стоило его получение, они просто вернутся к старому способу поиска.

00:18:23.720 --> 00:18:27.780
И это подводит нас к пробелу в управлении. Потому что доверие – это не только техническая

00:18:27.780 --> 00:18:32.440
точность. Это структура, которая окружает эту точность. Это уверенность в том, что и не просто

00:18:32.440 --> 00:18:36.960
прав, а в том, что ему вообще позволено быть правым. Управление расходами – это техническая

00:18:36.960 --> 00:18:41.660
сторона, а управленческая сторона касается пробела в регулировании. Оптимизация инфраструктуры

00:18:41.660 --> 00:18:46.040
решает лишь часть уравнения. Можно создать самый экономичный механизм точности в мире,

00:18:46.240 --> 00:18:50.620
но если руководство боится того, что он может выявить, проект никогда не выйдет из песочницы.

00:18:50.620 --> 00:18:54.940
Мы достигли точки, где узким местом является небюджет на вычисление и незадержка

00:18:54.940 --> 00:18:59.840
переранжировщика. Настоящее препятствие – это разрыв между предоставленными лицензиями и

00:18:59.840 --> 00:19:04.600
реальными полномочиями и пробел в управлении. Почему политики препятствуют использованию?

00:19:04.780 --> 00:19:09.460
На данный момент в нашей экосистеме 15 миллионов платных аккаунтов. И все же уровень внедрения в

00:19:09.460 --> 00:19:14.760
рабочий процесс застрял на отметке в 35%. Это означает, что двое из трех лицензированных пользователей

00:19:14.760 --> 00:19:18.800
фактически игнорируют инструмент. Они перестают пользоваться им после третьей галлюцинации.

00:19:18.800 --> 00:19:23.980
Доверие хрупко, и плохой поиск разрушает его быстрее, чем любые тренинги могут его выстроить.

00:19:24.240 --> 00:19:29.740
Управление – это не просто документ. Это технический контроль. Без него в Ashar AG проект умрет на

00:19:29.740 --> 00:19:35.080
12 неделе. Итак, как же выглядит новая модель на практике? Это движение в сторону управляемых

00:19:35.080 --> 00:19:40.140
агентов. Эра чат-ботов подходит к концу. Мы уходим от мира, где вы задаете вопрос и надеетесь,

00:19:40.380 --> 00:19:45.100
что алгоритмы найдут нужный документ. Новая модель основана на делегировании. Речь идет о переходе

00:19:45.100 --> 00:19:49.100
от системы, которая просто ищет, к той, что реально осмысляет сам процесс поиска.

00:19:49.240 --> 00:19:53.520
Мы вступаем в эпоху управляемых агентов. Система, которая не просто ищет данные,

00:19:53.780 --> 00:19:56.780
а понимает правила организации, прежде чем запустить движок.

00:19:56.940 --> 00:20:02.040
Дорожная карта 2026 от поиска к рассуждению. Если вы хотите оставаться актуальными в ближайшие

00:20:02.040 --> 00:20:06.160
24 месяца, ваша стратегия должна сдвинуться в сторону агентного ARG. Это новый рубеж.

00:20:06.340 --> 00:20:10.200
В стандартной настройке система принимает ваш запрос и выполняет один поиск. В агентной

00:20:10.200 --> 00:20:14.620
настройке и планирует поиск самостоятельно. Он анализирует ваш запрос и решает, нужно ли обратиться

00:20:14.620 --> 00:20:18.960
к векторному хранилищу SQL-базе или, возможно, проверить API в реальном времени. Он продумывает

00:20:18.960 --> 00:20:23.580
шаги, необходимые для нахождения истины. Именно здесь графовый ARG становится золотым стандартом.

00:20:23.720 --> 00:20:28.600
Для критически важных сред, где требуется 99% точности, нельзя полагаться на плоские фрагменты

00:20:28.600 --> 00:20:34.080
документов. Вам нужен граф знаний, который отображает связи между объектами, людьми, проектами и политиками.

00:20:34.240 --> 00:20:39.160
Это позволяет и понять, когда вы спрашиваете о бюджете ведущего инженера, нужно найти человека,

00:20:39.160 --> 00:20:44.080
затем проект, который он ведет и уже после финансовый отчет по этому проекту. Это цепочка

00:20:44.080 --> 00:20:47.900
многоходовых рассуждений, которую обычный векторный поиск просто не может выполнить.

00:20:48.040 --> 00:20:53.120
Но вот суровая правда. Ваш и ограничен метадонами, а не количеством лицензий. Если ваш

00:20:53.120 --> 00:20:58.400
SharePoint – это кладбище файлов «Документ 1», «Док» и «Финал В2», точно последний точка PDF,

00:20:58.660 --> 00:21:03.140
никакие агентные рассуждения вас не спасут. Подготовка фундамента данных – единственный способ

00:21:03.140 --> 00:21:08.120
избежать грядущего отставания от конкурентов. Организации, которые медлят с исправлением уровня

00:21:08.120 --> 00:21:14.200
поиска, застрянут на 35% внедрения, пока их конкуренты будут автоматизировать целые процессы.

00:21:14.300 --> 00:21:18.120
Мы переходим от векторного поиска как инструмента к семантической стратегии,

00:21:18.200 --> 00:21:22.600
как ключевой бизнес-компетенции. Ваша трансформация начинается с аудита поиска.

00:21:22.780 --> 00:21:27.260
Хватит измерять скорость ответа и… начните измерять, как часто он действительно прав.

00:21:27.400 --> 00:21:32.720
Определите 10% ваших самых сложных задач, где точность, требования, а не пожелания,

00:21:32.720 --> 00:21:37.920
и внедрите L2-ранжировщик в эти пайплайны уже сегодня. Если этот сдвиг в модели изменил ваш взгляд

00:21:37.920 --> 00:21:42.280
на архитектуру, подписывайтесь на меня, Мирко Петерса, в LinkedIn для более глубоких разборов.

00:21:42.420 --> 00:21:46.620
Если это помогло вам понять, почему ваш R&G-проект сейчас не работает, оставьте отзыв.

00:21:46.760 --> 00:21:50.360
Это поможет подкасту найти архитекторов, которые все еще застряли в ловушке топ-кей.

00:21:50.480 --> 00:21:53.980
Ваш следующий шаг – ознакомиться с нашим глубоким разбором агентных рабочих процессов,

00:21:54.080 --> 00:21:56.220
чтобы увидеть, к чему именно приведет такая точность.

00:21:56.220 --> 00:22:26.200
Продолжение следует...
