2025 жылдың басында Сбер корпоративтік құжаттар негізіндегі RAG-жүйелерді өнеркәсіптік деңгейде іске қосқанын ашық жариялады. Сол жылдың ортасына қарай осындай мәлімдемелерді ВТБ мен Яндекс жасап, технологияның өнеркәсіптік енгізу кезеңіне өткенін көрсетті. Салалық зерттеулердің деректері бойынша, корпоративтік жобаларда RAG-ты қолдану 2024 жылы 2023 жылмен салыстырғанда екі есе өсті, ал 2025 жылы өсу жалғасты. Onyx жасаған 2026 жылғы алғашқы бенчмарк мынаны көрсетті: дұрыс бапталған RAG-жүйе жұмыс сұрақтарына ChatGPT, Claude және Notion AI-дан жағдайлардың 64–76%-ында жақсырақ жауап береді. Сандар әсерлі, бірақ олардың артында енгізбес бұрын түсініп алуға тұрарлық нақты архитектуралық идея тұр.
West Star Ltd-дағы тәжірибемізде біз әдеттегі сұранысқа тап болдық: «AI біздің регламенттеріміз бен білім базамыз бойынша сұрақтарға жауап бергенін қалаймыз, бірақ деректер компания периметрінен шықпауы тиіс». Бұл дәл RAG-қа сұраныс. Оның қалай жұмыс істейтінін, не беретінін және қай жерде жұмыс істемейтінін айтып берейік.
RAG ДЕГЕНІМІЗ НЕ ЖӘНЕ НЕЛІКТЕН БҰЛ ЖАЙ ҒАНА «ҚҰЖАТТАРДЫ CHATGPT-ГЕ ЖҮКТЕУ» ЕМЕС
RAG — Retrieval-Augmented Generation, яғни кеңейтілген іздеумен генерациялау дегенді білдіреді. Идеясы қарапайым: пайдаланушы сұрақ қойғанда жүйе алдымен сіздің құжаттарыңыздан ең өзекті үзінділерді іздейді, содан кейін оларды тілдік модельге контекст ретінде береді. Модель өзінің оқытылуына да, интернетке де емес, тек іздеу жүйесі тапқан нәрсеге сүйеніп жауап береді.
Бұл құжаттарды бұлттық чатқа жүктеуден түбегейлі ерекшеленеді. Бұлттық чатта файл провайдерге (OpenAI, Anthropic, Google) толығымен түседі. RAG кезінде деректер сізде қалады, ал сыртқа нақты сұраққа жауап беру үшін дәл қазір қажет болатын шағын үзінді ғана кетеді.
Техникалық тұрғыдан тізбек былай көрінеді. Құжаттар векторлық көріністерге — әр үзінді мағынасының сандық іздеріне түрлендіріледі. Бұл векторлар арнайы дерекқорда сақталады. Сұрақ қойылғанда ол да векторға айналады, жүйе базадан мағынасы бойынша ең жақын үзінділерді тауып, оларды тілдік модельге береді. Модель осы үзінділер негізінде жауап құрап, дереккөзді — нақты құжат пен бөлімді көрсетеді.
АРХИТЕКТУРА ІС ЖҮЗІНДЕ ҚАЛАЙ КӨРІНЕДІ
Типтік корпоративтік RAG-жүйеде үш деңгей бар.
Біріншісі — жүктеу және индекстеу. Құжаттар (PDF, Word, Excel, білім базалары, сайттар, есептер) пайплайнға түседі, 200–500 сөзден тұратын үзінділерге бөлінеді, әр үзінді арнайы модельдің көмегімен векторға айналып, метадеректермен бірге векторлық базаға жазылады: файл атауы, күні, бөлім, қолжетімділік деңгейі.
Екіншісі — іздеу. Пайдаланушының сұрауы сол модельмен өңделеді, векторлық база ең ұқсас 5 немесе 10 үзіндіні қайтарады. Қосымша классикалық кілт сөздер бойынша іздеуді (BM25) қолданып, нәтижелерді араластыруға болады — мұны гибридті іздеу деп атайды. Ол нақты терминдер, сандар немесе есімдер бар сұрауларда дәлірек.
Үшіншісі — генерация және шығару. Тілдік модель сұрақты және табылған үзінділерді алып, жауап қалыптастырады. Жақсы жүйе әрқашан дереккөзді көрсетеді: «ИОТ-14 регламентінің 3.2-бөліміне сәйкес». Бұл пайдаланушыға ақпаратты өз бетінше қайта тексеруге мүмкіндік береді.
Инфрақұрылым жағынан мұның бәрі 32–64 ГБ RAM және 16 ГБ-тан бастап бейнекартасы бар бір серверде жұмыс істей алады (немесе бейнекартасыз — баяуырақ, бірақ мүмкін). Rust тілінде жазылған Qdrant векторлық дерекқоры 2026 жылы айына 30–50 доллар тұратын VPS-те 10 миллион векторды өңдейді. Егер компанияның білім базасы бірнеше мың құжаттан тұрса, ешқандай қымбат жабдық қажет емес.
ДЕРЕКТЕР КОМПАНИЯ ІШІНДЕ ҚАЛАЙ ҚАЛАДЫ
RAG-ты енгізудегі негізгі сұрақ — тілдік модель қай жерде орналасқан. Егер бұлттық провайдердің API-ы пайдаланылса, құжат үзінділері әр сұрау сайын сыртқы серверлерге кетеді. Бұл қауіпсіздік саясатына, реттеуші талаптарына немесе клиенттік шарттардың талаптарына сәйкес келмеуі мүмкін.
Баламасы — жергілікті ашық тілдік модельдер. 2026 жылы олардың корпоративтік мәтіндермен жұмыс істеу міндеттеріндегі сапасы коммерциялық шешімдерге айтарлықтай жақындады. Мұндай модельдер корпоративтік серверде орналастырылады және деректерді ешқайда бермейді. Сұрау толығымен компания инфрақұрылымының ішінде өңделеді.
Қосымша векторлық база деңгейінде қолжетімділікті саралау бапталады. Контекстік қолжетімділікті бақылау мынаны көрсетуге мүмкіндік береді: HR бөлімінің құжаттарын тек HR көреді, қауіпсіздік жөніндегі регламенттерді — тек рұқсаты бар қызметкерлер. Іздеу жүйесі жауап қалыптастыру кезінде сұраушының құқығы жоқ үзінділерді сүзіп тастайды. Пайдаланушы тікелей сұрақ қойса да, жабық ақпаратты алмайды.
2024 жылы пайда болған Microsoft GraphRAG тағы бір тәсілді ұсынды: жалпақ векторлық индекстің орнына білім графы құрылады, онда нысандар — адамдар, өнімдер, процестер — айқын қатынастар арқылы байланысады. Бұл көптеген дереккөздерден агрегациялауды талап ететін сұрақтарға берілетін жауаптарды айтарлықтай жақсартады: «X процесіне кім жауап береді» немесе «Y қағидалары өткен жылдан бері қалай өзгерді». Іс жүзінде GraphRAG құжаттарда айқас сілтемелер көп болған жерде пайдалы; регламенттер бойынша қарапайым іздеу үшін стандартты векторлық RAG тиімдірек.
RAG ЖҰМЫС ІСТЕЙТІН СЦЕНАРИЙЛЕР
Мынаны түсіну маңызды: RAG құжаттармен байланысты барлық міндеттің әмбебап шешімі емес. Ол мәтіндердің үлкен корпусынан ақпаратты тауып, түсіндіру керек жерде жақсы жұмыс істейді. Төменде технология нақты нәтиже беретін төрт сценарий берілген.
Ішкі білім базасы және регламенттер. Қызметкерлер «іссапар шығындарын қалай рәсімдеуге болады» немесе «наразылыққа жауап беру мерзімі қандай» деп сұрап, құжатқа сілтемесі бар нақты жауап алады. Папкалар бойынша іздеп, қырық беттік регламентті оқудың орнына — бір сұрақ.
Техникалық құжаттама. Инженерлер жабдық параметрлерін, қызмет көрсету нұсқаулықтарын, ақаулар журналдарын табады. Жүйе ақылды іздеу ретінде жұмыс істейді. Нұсқаулық жаңартылғанда жаңа нұсқа ескісін индекстен автоматты түрде ығыстырады — инженер ескірген сызба бойынша жұмыс істеу қаупіне ұшырамайды.
Клиенттерді қолдау. Операторлар интерфейске сұрақ енгізеді, ал жүйе шарттың қажетті тармағын, тарифтік жоспарды немесе қайтару рәсімін лезде табады. Өтінішті өңдеу уақыты қысқарады, жауаптардың сапасы тұрақтана түседі.
Жаңа қызметкерлерді бейімдеу. Тәжірибелі әріптесті біртектес сұрақтармен жүктеудің орнына жаңадан келген қызметкер оларды жүйеге тікелей қояды. Жауаптар лезде және дереккөзге сілтемемен бірге шығады.
Келісімшарттар мен заңдық құжаттарды талдау. Заңгер шарттар пакеті бойынша сұрақ қояды — жүйе әр файлды қолмен қайта оқымай-ақ, нақты бір талаптың немесе мерзімнің барлық аталған жерлерін табады.
ШЕКТЕУЛЕР МЕН ӘЛСІЗ ТҰСТАР
Сапа құжаттардың сапасына байланысты. RAG қайшылықты немесе ескірген регламенттерді түзетпейді — ол оларды қайталайды. Егер білім базасында бір құжаттың үш нұсқасы болса, жүйе ескірген нұсқасы бойынша жауап беруі мүмкін. Құжаттарды индекстеуге дайындау — жоспарлау кезеңінде әдетте бағаланбай қалатын жеке жұмыс.
Галлюцинациялар толығымен жойылмайды. Тілдік модель табылған үзінділерде жоқ бөлшектерді ойдан қосуы мүмкін — әсіресе базада өзекті құжат мүлдем болмаса. Пайдаланушыларды жүйе жауаптың жанында көрсететін дереккөзді тексеруге үйрету маңызды.
Стандартты емес форматтар нашар талданады. Мәтіндік қабаты жоқ сканерленген PDF, күрделі құрылымды кестелер, сызбалар мен схемалар жеке құралдарды талап етеді. OCR мен түрлендіргіштер кейін жауаптарда пайда болатын қателерді қосады.
Өзектілікті сақтау процесті талап етеді. RAG — бір реттік енгізу емес. Регламенттер жаңартылғанда ескі векторларды өшіріп, жаңаларын қосу керек. Автоматтандырусыз білім базасы бірте-бірте ескіреді, ал жүйеге деген сенім төмендейді.
Құжаттар базасы үлкен болғанда баяу бастау. Мыңдаған құжатты алғашқы индекстеу бірнеше сағатқа созылуы мүмкін. Инкременттік жаңарту басынан бастап ойластырылған іске асыруды талап етеді.
Шағын компаниялар күрделілікті асыра бағалап, бастамайды. Ашық компоненттерден құрылған RAG — бірнеше аптаға арналған шынайы жоба. Бірақ ол бюджеті түсініксіз «AI-жоба» ретінде қабылданып, кейінге қалдырылады.
КОМПАНИЯНЫҢ RAG-ҚА ДАЙЫНДЫҒЫН ҚАЛАЙ БАҒАЛАУҒА БОЛАДЫ
Шешім қабылдауға көмектесетін үш сұрақ. Біріншісі: қызметкерлер шынымен іздейтін кемінде 200–300 құжат — регламенттер, нұсқаулықтар, шарттар — бар ма? Екіншісі: жауабын іздеуге 10–15 минуттан артық уақыт кететін қайталанатын сұрақтар бар ма? Үшіншісі: деректер компания периметрінен шықпауы тиіс деген талап бар ма?
Егер үшеуіне де жауап «иә» болса — RAG пилоттың өзінде өлшенетін нәтиже береді. Егер білім базасы нашар құрылымдалған болса немесе соңғы бір-екі жылда өзектендірілмесе — алдымен құжаттармен жұмыс істеу қажет.
Пилот үшін бір бөлім, құжаттардың бір санаты және ашық стек жеткілікті: оркестратор ретінде LangChain немесе LlamaIndex, векторлық база ретінде Qdrant немесе Chroma, жергілікті тілдік модель үшін Ollama. Бөлінген әзірлеуші болса, алғашқы прототип бір-екі аптада дайын болады. Бизнестен талап етілетін басты нәрсе — құжаттардың нақты тізімі және кері байланыс беруге дайын бір бөлім.
АУДИТОРИЯЛАР БОЙЫНША ҚОРЫТЫНДЫ
Маманға. RAG — ашық стегі бар жетілген технология. Qdrant, LlamaIndex, Ollama бірнеше сағатта жергілікті түрде орнатылады. Негізгі күрделілік кодта емес, құжаттарды өңдеу пайплайнының сапасында және қолжетімділікті саралауды баптауда. Үзінділерге бөлу стратегиясына уақыт бөліңіз — тым қысқа немесе тым ұзын бөліктер іздеу дәлдігіне тікелей әсер етеді. Құжаттардың бір түрінен бастап, итерациямен жетілдіріңіз.
Басшыға. Негізгі метрика — қызметкердің ақпарат іздеуге жұмсайтын уақыты. Қазіргі орташа көрсеткішті өлшеп, бір бөлімде пилот енгізіп, қайта өлшеңіз. Іздеу уақыты 30% және одан көп қысқарса, жоба өзін ақтайды. Құжаттарды жаңарту процесін қамтамасыз ету маңызды — онсыз жүйе нашарлай бастайды.
Меншік иесіне. RAG компанияның білімі жинақталған, бірақ оған қол жеткізу қиын жерде бәсекелестік артықшылық береді. Бұл жаңа қызметкерлердің бейімделуін жеделдетеді, кетіп қалуы мүмкін сараптама иелеріне тәуелділікті азайтады және келесі қадамға — жай ғана іздеп қоймай, әрекет ететін AI-агенттерге негіз қалайды. Дұрыс архитектура болғанда деректер толығымен компания ішінде қалады.
ЖИІ ҚОЙЫЛАТЫН СҰРАҚТАР
— Қымбат жабдық сатып алу қажет пе?
Бірнеше мың құжаттан тұратын типтік корпоративтік білім базасы үшін 32–64 ГБ RAM-ы бар сервер жеткілікті. Жылдамдық үшін GPU болғаны жөн, бірақ бастапқы кезеңде міндетті емес. Бұлттық VPS құны көлеміне қарай айына 30-дан 150 долларға дейін.
— RAG-ты бұрыннан бар есеп жүйелерімен бірге пайдалануға бола ма?
Иә, бірақ интеграциялық қабат қажет болады. Деректер экспортталады, тазартылады және индекстеледі. Өзгерістер кесте бойынша немесе нақты уақытта синхрондалады. Бұл стандартты міндет, бірақ жеке жоспарлауды талап етеді.
— Қайсысы жақсы — бұлттық RAG па, әлде өз серверіңіздегі (self-hosted) RAG па?
Бұлттықты іске қосу жылдамырақ. Өз серверіңіздегі (self-hosted) нұсқа деректерге толық бақылау береді және көлем өскен сайын операциялық шығындары төмен болады. Деректерді оқшаулау талаптары бар компаниялар үшін өз серверіндегі нұсқа қолайлырақ.
— Жүйенің ескірген жауап бермейтініне қалай көз жеткізуге болады?
Әр жауапта дереккөзді міндетті түрде көрсетуді баптаңыз — қызметкер құжатқа сілтемені және жаңартылған күнін көреді. Қосымша — өзгерістер мониторингі: егер файл жаңартылса, жүйе онымен байланысты үзінділерді қайта индекстеуді қажет етеді деп белгілейді.