Открытые модели + RAG

Этот материал — не о конкретном решении и не о вендоре. Он о новом инженерном подходе к информационным системам предприятия, который за последние два-три года из исследовательской темы превратился в рабочую практику. Мы прошли этот путь на практике и делимся наблюдениями — как коллеги, а не как подрядчик.

Написан он для тех, кто принимает решения на нефтегазовых и сервисных предприятиях, и для их специалистов. Формат осознанно сделан для чтения в своём темпе: доклад на сцене задаёт направление, а здесь можно спокойно разобраться в деталях, вернуться к сложному месту и проверить логику.

Главную рамку стоит задать сразу. Для большинства отраслей выбор ИИ — это вопрос удобства и функций. Для нефтегаза это в первую очередь вопрос допуска. Прежде чем спрашивать, насколько ИИ умён, первое лицо задаёт другой вопрос: куда при этом уходят наши данные и кто получает к ним доступ. Из этого вопроса и следует всё остальное.

Дальше материал разворачивается последовательно: почему накопленное знание сегодня не работает; почему привычный облачный ИИ в этом контуре недопустим; какой сдвиг открыл возможность развернуть мощный ИИ внутри периметра; как это устроено технически; и — что принципиально важно — доказательство, что это не теория, а работающая система на живых данных отрасли.

Напрашивающийся ответ на проблему разрозненного знания — «давайте применим современный ИИ». Но для нефтегаза именно здесь стоит стоп-фактор, который в других отраслях просто отсутствует. Публичный облачный ИИ — внешние сервисы, куда запрос уходит через интернет, — в этом контуре по своей архитектуре недопустим. И причин этому три.

Первое — критическая информационная инфраструктура. Предприятия топливно-энергетического комплекса относятся к субъектам КИИ. По смыслу требований их значимые системы после категорирования нужно защищать особо и держать данные под контролем оператора. Когда сотрудник отправляет запрос в публичный облачный сервис, данные физически покидают защищаемый контур и уходят на чужие серверы, зачастую за пределами страны. Это противоречит самой логике защиты КИИ — вне зависимости от того, насколько удобен сам сервис.

Второе — геология. Детальные сведения о недрах, о запасах по ряду стратегических видов сырья, о месторождениях — это категория информации, которая может составлять государственную тайну. Такие данные в принципе не могут обрабатываться во внешнем облаке. Здесь даже не обсуждается удобство: это вопрос государственного режима секретности. Оговоримся честно — засекречены не все геоданные, категория зависит от вида сырья и детализации, и гриф определяет уполномоченное подразделение предприятия, а не докладчик. Но там, где режим есть, внешнее облако исключено полностью.

Третье — коммерческая тайна. Даже там, где нет гостайны, остаются условия договоров, себестоимость, данные по МТР, планы. Режим коммерческой тайны держится на контроле доступа. В тот момент, когда информация ушла в публичный облачный сервис, вы перестаёте контролировать, кто и как её видит, — а значит, по этим данным вы уже, по сути, не удерживаете режим тайны.

Стоит уточнить, чего этот тезис не означает. Речь не о законности конкретного сервиса. Проблема не в вендоре, а в самой архитектуре «данные наружу»: она несовместима с режимом, в котором работает нефтегаз. Отсюда и вывод, к которому мы перейдём дальше, — не «отказаться от ИИ», а «развернуть его единственно допустимым способом».

Технология, которая это делает, называется RAG. Если совсем просто: обычный ИИ отвечает из того, что он «вычитал в интернете». RAG — это ИИ, которому мы разрешили отвечать прежде всего по документам вашего предприятия и который на каждый ответ показывает, из какого именно документа он его взял. По сути — ваш эксперт, который прочитал все ваши архивы и отвечает строго по ним, со ссылкой на первоисточник.

Чтобы почувствовать разницу, сравните с привычным поиском по общим папкам. Поиск находит файл, в котором встретилось нужное слово, — дальше человек сам открывает десятки документов и сам сводит их в голове. Живая память работает иначе: она понимает смысл вопроса, сама проходит по сотням разрозненных источников — архивам, папкам, разным информационным системам — и выдаёт готовый ответ с обоснованием и ссылками.

Отсюда простая формула. Поиск отвечает на вопрос «где лежит документ». Живая память отвечает на вопрос «какой материал нужен для решения». Это разные уровни: первый экономит минуты на поиск файла, второй меняет саму работу специалиста.

И сразу — важная граница. Опора на первоисточник заметно снижает риск выдумок: система не отвечает «из головы», а показывает, откуда взяла вывод. Но она не отменяет проверку. Финальную сверку с первоисточником и само решение делает человек. ИИ готовит более глубокий материал — решение остаётся за специалистом.

Чтобы сказанное не осталось концепцией, приведу главное доказательство. За последние 10 месяцев мы разработали и готовим к запуску Ресток.про — маркетплейс промышленных неликвидов, где открытые модели, развёрнутые в российском контуре, вместе с RAG наводят порядок в большом массиве разнородных промышленных данных — по номенклатуре, характеристикам, остаткам ресурсов из множества несводимых между собой источников.

Это именно «грязные» промышленные данные: разные поставщики, разные форматы выгрузок, разные написания одного и того же. И ключевое — движок уверенно понимает, что «кран шаровой Ду50» и «шаровый кран 2″» — одно изделие, а «задвижка чугунная DN100» и «шибер Ду100» — взаимозаменяемая позиция. Обычный текстовый поиск считает их разными; смысловой движок с многоуровневым сопоставлением — от точного совпадения к функциональному аналогу и семантической близости — находит соответствие.

Это не прототип и не демонстрация: десятки тысяч строк рабочего кода, тысячи проходящих тестов, гибридный поиск (смысл плюс точное совпадение), переранжирование результатов и рабочий чат поверх корпоративного знания. Сейчас платформа проходит предэксплуатационную стадию — идёт подготовка к запуску. И принципиально — всё на открытых моделях под свободной лицензией на своих серверах, а не на облачном ИИ.

Ключевой акцент: внутри проекта созданы и работают четыре типа ИИ. Консультант на витрине — отвечает покупателю по каталогу и помогает подобрать позицию. Помощник покупателей и продавцов — автоматизированно сводит спрос с предложением, помогая сторонам находить друг друга. Внутренний ИИ-наблюдатель — контролирует процессы платформы. И RAG-система с самохостящимся ИИ, которая постоянно работает внутри платформы, — та самая «живая память», о которой весь этот доклад.

Именно там мы отработали самое трудное: как заставить ИИ понимать «грязные» промышленные данные и находить в них смысл. Путь пройден на живых данных отрасли — это инженерная практика, а не иллюстрация к докладу. И то же самое ядро мы прикладываем к геологии, договорам, МТР и бюджетам — об этом дальше.

Самый показательный пример — геология. Первичная информация по месторождениям и ловушкам — это огромные, годами копившиеся массивы, часто на бумаге и в разнородных форматах. Ровно тот тип «тяжёлого» разнородного знания, на котором подход уже отработан.

Когда этот массив оцифрован и помещён в живую память, меняется сама работа специалиста. Он перестаёт тратить недели на подготовку и сведение документов — рутина сбора уходит. Система за минуты сводит релевантные материалы из сотен источников и подсказывает связи между объектами: где похожая геология, где сопоставимые условия, что уже встречалось раньше.

Дальше — важная граница. Система находит закономерности, гипотезы и неочевидные связи, но какие из них значимы, проверяет и интерпретирует геолог. ИИ подаёт на вход уже более глубокий аналитический материал; профессиональное суждение остаётся за человеком. Эффект складывается из трёх вещей: снимается рутина подготовки документов, специалист получает аналитику для решений, а совместные разборы и совещания идут быстрее, потому что материал сведён заранее.

Показательно и то, как здесь работает секретность. То, что часть данных засекречена и живёт в закрытом контуре, — не ограничение кейса, а ровно то, ради чего нужен свой периметр. Засекреченные данные обрабатываются только в аттестованном закрытом контуре; это усиливает подход, а не ослабляет его.

Договоры. Живая память над единой базой договоров позволяет за секунды подобрать аналоги под новую сделку, увидеть рисковые формулировки, с которыми предприятие уже сталкивалось, и предложить оптимальные условия с учётом всего накопленного опыта. По сути, весь договорной опыт компании начинает работать на каждого юриста и каждого закупщика одновременно. Это не замена юриста, а его поддержка: подсказка и контекст, финальное решение — за человеком.

МТР. Когда данные по потреблению материально-технических ресурсов сведены в единую память, становится виден реальный характер потребления по всему предприятию: где дублируются закупки, где лежат неликвиды, где потребность можно закрыть иначе. Формирование потребности поднимается на другой уровень — от разрозненных заявок к осмысленному планированию, опирающемуся на всю картину, а не на отдельный участок.

Бюджеты. Живая память видит историю исполнения бюджетов, отклонения и их причины сразу по всему массиву данных. Планирование из работы с таблицами превращается в анализ, опирающийся на весь опыт предприятия: ИИ помнит то, что отдельные специалисты уже забыли или никогда не видели. При этом бюджет не формируется «сам» — это инструмент повышения качества планирования, а решение принимает руководитель.

Во всех трёх областях логика одна и та же, что и в геологии, и в промышленной номенклатуре, с которой всё начиналось. Разрозненное знание сводится в единое смысловое пространство, а специалист получает на вход глубокий, обоснованный материал. Ядро не меняется — меняется только предметная область, на которую оно направлено.

Когда данные и модель остаются внутри контура, безопасность перестаёт быть отдельной опцией «сверху» и становится свойством самой конструкции. Разберём, из чего она складывается на практике.

Первое и базовое — данные не покидают периметр. Модель работает на вашем оборудовании без выхода в интернет; запросы и документы не уходят на чужие серверы. Именно это делает подход совместимым с требованиями к КИИ и с режимом коммерческой тайны, которые несовместимы с архитектурой «данные наружу».

Второе — разграничение доступа по ролям и грифам. Живая память не отменяет модель доступа, которая уже есть на предприятии, а наследует её: специалист видит через систему ровно то, к чему и так допущен по своей роли и уровню секретности. Не «все видят всё», а прежние правила доступа, только теперь работающие поверх сведённого знания.

Третье — аудит запросов. Кто что спрашивал и что было показано в ответ — фиксируется. Для режима тайны это не помеха, а опора: появляется прослеживаемость обращений к чувствительному знанию, которой при ручном сборе документов по папкам не было в принципе.

Четвёртое — защита от утечки через саму модель. Веса локальны, модель не «дообучается на лету» на ваших запросах в чью-то пользу, данные не уходят на сторону для тренировки третьих лиц. Риск, характерный для публичных облачных сервисов, здесь снят по конструкции.

И пятое — согласование с режимом КИИ и тайн. Собственный периметр — обязательная основа. Но там, где данные засекречены, он не заменяет режим гостайны: такие данные обрабатываются только в аттестованном закрытом контуре — со специальными допусками и разрешениями, сертифицированной защитой и допуском персонала. Это отдельный, более строгий слой поверх собственного периметра.

Без обещания «это дёшево». Свой контур требует вложений на старте: серверный узел с ускорителями — это капитальные затраты. Дальше — эксплуатация: энергия, охлаждение, обслуживание, обновление оборудования и ПО. Нужна и экспертиза для сопровождения. Эти затраты стоит учитывать сразу.

Но после этого экономика разворачивается в другую сторону. Вы не платите за каждый запрос и за каждый токен. У вас нет ежемесячного счёта, который растёт вместе с нагрузкой. Вы не зависите от тарифов чужого вендора, которые он вправе поменять в любой момент. Вы получаете предсказуемую стоимость владения на годы вперёд и полный контроль над данными и моделью.

Сюда же ложатся два аргумента, понятных любому руководителю. Первый — отсутствие вендор-лока: облачный поставщик может поднять цену, изменить условия или уйти, а в своём контуре модель остаётся вашим работающим активом. Второй — импортозамещение: вложения остаются в отечественной инфраструктуре, а отечественная программная обвязка ложится в регуляторный тренд, а не борется с ним.

И принципиальная оговорка: конкретных цифр окупаемости мы не называем и «быстро окупится» не обещаем — это зависит от ваших данных и профиля нагрузки. Выгоду против облачной подписки корректно считать под конкретное предприятие, а не выдавать как универсальное обещание.

Если убрать всю технику, суть одна. У каждого предприятия уже накоплен колоссальный актив — знание в архивах, папках и системах. Сегодня он лежит без движения и уходит вместе с людьми. Живая память превращает его в работающий актив, доступный каждому решению здесь и сейчас, — внутри периметра и без аренды чужого интеллекта. Это не автоматизация отдельной задачи, а новая инфраструктура знаний предприятия.

Этот материал — развёрнутая версия доклада: с ним можно разобраться самостоятельно и в своём темпе. Дальше мы открыты к предметному разговору — на языке ваших задач, а не общих обещаний.

Если тема легла на ваш контур и хочется понять, как именно она в него встраивается, — давайте обсудим это предметно: какие источники, какая область, какие ограничения по режиму. Это и есть самый полезный следующий шаг — разговор двух инженерных команд по существу.