Предыстория проекта
Крупная китайская страховая компания Pacific Insurance имеет огромный массив бизнес-документов — страховые условия, правила урегулирования убытков, информацию о продуктах и другие материалы, общим объемом свыше 30 000 единиц. Сотрудники отдела урегулирования, продавцы-консультанты и новые работники ежедневно вынуждены часто обращаться к этим документам. Традиционный поиск по ключевым словам не позволял точно находить информацию: в среднем на поиск нужного содержания уходило 15 минут, а точность не превышала 40%.
Основные проблемы
Решение
Развертывание частной RAG-архитектуры
Во внутренней сети развернута RAG-система (Retrieval-Augmented Generation) на базе Qwen2.5-72B. Более 30 000 документов прошли структурированную фрагментацию и векторизацию, после чего построен корпоративный граф знаний. Вся обработка данных и логические выводы выполняются внутри сети, что соответствует требованиям финансовой отрасли о невыходе данных за пределы защищенного периметра.
Интеллектуальные вопросы-ответы и рекомендация знаний
Реализован интерфейс на естественном языке с поддержкой многозвенных диалогов и понимания контекста. Система не только выдает точные ответы, но и предоставляет цитаты из соответствующих пунктов правил, а также связанные рекомендации, помогая пользователям всесторонне понять бизнес-правила.
Автоматическое обновление базы знаний
Интеграция с корпоративной системой управления контентом: при изменении условий или правил автоматически запускается инкрементное обновление индекса, благодаря чему база знаний всегда синхронизирована с актуальными бизнес-правилами.
Данные об эффективности
| Показатель | До оптимизации | После оптимизации | Улучшение |
|---|---|---|---|
| Время поиска знаний | 15 минут | 10 секунд | ↓99% |
| Точность ответов | 40% | 92% | ↑130% |
| Период обучения новичков | 3–6 месяцев | 1–2 месяца | ↓67% |
| Задержка обновления знаний | 7 дней | В реальном времени | ↓100% |
> Количественное резюме: время поиска знаний сократилось на 99% до 10 секунд, точность ответов повысилась на 130% до 92%, период обучения новичков уменьшился на 67% до 1–2 месяцев, задержка обновления знаний снизилась с 7 дней до обновления в реальном времени.
Технологический стек
Qwen2.5-72B, Milvus (векторная база данных), LangChain, FastAPI, Vue.js, развертывание во внутренней сети Nginx
Часто задаваемые вопросы
Какой уровень полноты (recall) обычно достигается в RAG-базе знаний?
После настройки стратегии фрагментации и модели векторизации полнота в корпоративных системах RAG обычно составляет 85–95%. В данном проекте точность ответов повысилась с 40% до 92% благодаря высокому качеству структурированной фрагментации и векторизации более 30 000 документов.
Как база знаний страховой компании соответствует требованиям о невыходе данных за пределы локальной сети?
Вся обработка данных и вычисления выполняются во внутренней сети с использованием частного развертывания модели Qwen2.5-72B, данные не передаются вовне. Система полностью удовлетворяет требованиям финансовой отрасли о невыходе данных за пределы защищенного периметра и прошла внутренний аудит безопасности.
Высоки ли затраты на обслуживание RAG-базы знаний?
Нет. База знаний интегрирована с корпоративной системой управления контентом, при изменениях условий или правил автоматически запускается инкрементное обновление индекса, ручное вмешательство не требуется. Повседневное обслуживание ограничивается небольшой настройкой модели и диагностикой нештатных ситуаций — с этим справляется один специалист.
