Агенты умной
базы знаний в ФСК

1. Вводная задача от заказчика, проблематика, цели

В последние годы опыт внедрения ИИ в разных областях демонстрирует большой потенциал в решении бизнес-задач. В сфере строительства инструменты на основе искусственного интеллекта могут автоматизировать ряд операций — в том числе взаимодействие с клиентами и партнёрами. Девелоперу ГК ФСК было необходимо ускорить рабочие процессы и быстрее взаимодействовать с поставщиками:

• У компании большое количество объектов недвижимости — это сотни страниц презентаций и технических документов. Поиск ответов на вопросы покупателей мог занимать более суток.
• Тендерные и закупочные процедуры — сложный и длительный процесс, требующий внимательного отношения к регламентам. У девелоперов особенно высокая потребность в подрядчиках — они закупают от многотонных металлоконструкций до услуг по уборке мусора.

Чтобы закрыть эти потребности, было решено интегрировать смарт-систему для внешних и внутренних пользователей.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

оптимального решения

Для застройщика была создана смарт-платформа, которая позволяет сотрудникам строить ассистивные системы, например, для составления ответов на FAQ. Кроме того, платформа оптимизирует работу с внутренними документами, чтобы ускорить поиск по корпоративным базам знаний.

Чат для сотрудников. Мы интегрировали агента умной базы знаний в корпоративное мобильное приложение «Кнопка» для помощи отделам ФСК по быстрому поиску информации о действующих и строящихся ЖК.

Чат для подрядчиков. Мы интегрировали агента умной базы знаний на сайт компании для помощи подрядчикам по аккредитации и тендерным процедурам.

Мы разработали продвинутый пайплайн для чат-бота RPA на базе GenRPA, который сильно поднимает планку в области RAG-Агентов.

Задача стояла не просто сделать агента знаний на основе RAG, но и настроить умный роутинг к узким доменам знаний. Мы реализовали это на базе structured output: применили подход мультиагентной системы, где супервизор на входе определяет область знаний, к которой обращается пользователь.

Инновационность проекта заключается в использовании гибридного поискового подхода, системы автотестирования RAGAS и роутинг-агента.

Ключевая технология смарт-платформы — RAG-подход на базе большой языковой модели Llama 3. Сама модель при этом обучена и работает на собственной базе данных red_mad_robot. RAG (Retrieval Augmented Generation, генерация с дополненной выборкой) позволяет без дообучения модели использовать внутренние документы компании при генерации ответа для пользователя. В решении также применяется гибридный подход к поиску информации, который включает многоступенчатый процесс фильтрации, очистки и приоритезации, что повышает точность ответов до 95–100%.

Важной частью платформы является система защиты от галлюцинаций и ответов на вопросы (модуль Guardrails), а также механизм обратной связи для оценки качества работы на сгенерированных ответах (модуль RAGAS), что позволяет системе самообучаться и улучшаться в процессе использования.

Агент знаний с RAG работает по следующему принципу:

1. Сначала мы добавили structured output к локальным моделям — это когда модель выдаёт чёткий JSON и чтение логитов и замена маски токенов не галлюцинируют.

2. На входе и выходе поставили наш собственный агентский GuardRails на базе (Сhain of thought prompting). Его мы дополнительно дообучили на синтетическом датасете через LoRA.

3. Для аннотирования чанков применили хитрый подход, который существенно повышает контекстуальность нашего RAG. Агент на базе моделей 70b создал дополнительные структуры описания.

4. В поиске используем гибридную схему: re-ranking model + vector search с косинусным сходством. Это даёт нам максимально релевантные куски документов.

5. LLM генерирует финальные ответы, но перед этим Reranker ещё раз прогоняет лучшие результаты из векторного поиска.

6. Для автотестирования качества мы добавили агентский RAGAS также на базе structured output: теперь у нас есть возможность постоянно мониторить ответы системы.

7. Поставили защиту от нежелательного контента на разных этапах: и на вход GuardRails, и на выход.

Получилась действительно мощная и безопасная система благодаря множеству этапов проверок и балансов.

Алексей Жданов

CPO, NDT by red_mad_robot

В работе с данными самое ценное — время. Наша платформа показывает, как AI-агенты могут за часы выполнять задачи, на которые раньше уходили недели. Встроенная система тестирования RAGAS гарантирует качество результатов. Мы автоматизировали не отдельные операции, а целые процессы работы с корпоративными знаниями

3. Результаты сотрудничества

ГК ФСК интегрировала смарт-систему для внешних и внутренних пользователей, чтобы ускорить рабочие процессы и быстрее взаимодействовать с поставщиками.

AI-платформа от red_mad_robot представляет собой смарт-базу знаний, которая позволяет быстро и эффективно искать информацию по внутренним документам компании. Решение включает набор инструментов, среди которых AI-ассистент для сотрудников ФСК и еще один — для внешних поставщиков.

Основные результаты проекта:

1. ГК ФСК внедрила ИИ для управления коммуникацией 
с контрагентами и знаниями внутри компании.

2. Создана смарт-платформа с двумя ИИ-агентами
для автоматизации FAQ и работы с документами.

3. Снижение нагрузки на поддержку и коммерческий департамент на 30–40% благодаря искусственному интеллекту.

4. Достигнута точность ответов до 90-98% с помощью RAG-технологии.

5. Система развёрнута локально для полной безопасности данных.

В планах ФСК масштабировать ИИ-платформу вместе с red_mad_robot и внедрить её в бэк-офис, фронт-офис, строительство и другие подразделения. Предполагается, что цифровой ассистент позволит ФСК сделать процесс заключения сделок купли-продажи более прозрачным и быстрым, а также увеличит эффективность сотрудников и персональных менеджеров.

Семён Зуев

руководитель управления цифровизации, ГК ФСК

В девелопменте огромное количество баз знаний и документов — от проектной документации до юридических нюансов. Разобраться в этом потоке информации отнимает много ресурсов и, как следствие, замедляет бизнес-процессы. Мы решили эту проблему с помощью ИИ-платформы, которая в корне упрощает взаимодействие с информацией в компании на всех уровнях: для клиентов, сотрудников, партнеров. Система позволяет находить нужные ответы быстрее, чем когда-либо. Это особенно полезно в нашей сфере, где скорость и точность принятия решений имеют решающее значение.

Илья Филиппов

CEO, red_mad_robot AI

Внедрение генеративного ИИ во внутренние процессы за последний год стало must-have для бизнеса: LLM достигли высокого уровня точности для решения многих бизнес-задач. Проект удалось реализовать за один месяц, что значительно быстрее обычного темпа внедрения инноваций. Скорость — ключевой фактор успеха в условиях технологической гонки между компаниями

Валерий Ковальский

CEO, NDT by red_mad_robot

Одна из главных проблем использования и интеграции GenAI — галлюцинации моделей, не позволяющие раскрыть их полный потенциал. Поэтому мы внедрили защиту от ошибок и механизм обратной связи для оценки качества работы платформы. Так система будет самообучаться и улучшаться в процессе использования.

ФСК внедрил в работу ИИ-платформу от red_mad_robot

4. Заключение

Внедрение генеративного ИИ во внутренние процессы за последний год стало must-have для бизнеса: LLM достигли высокого уровня точности для решения многих бизнес-задач. Проект удалось реализовать за один месяц, что значительно быстрее обычного темпа внедрения инноваций. Сегодня скорость — ключевой фактор успеха в условиях технологической гонки между компаниями.

Кроме того, удалось решить одну из важных проблем использования и интеграции GenAI — галлюцинации моделей, не позволяющие раскрыть их полный потенциал. Защита от ошибок и механизм обратной связи для оценки качества работы платформы позволяют системе самообучаться и улучшаться в процессе использования.