Suwerenna baza wiedzy RAG i audyt zgodności technicznej na 4 500+ dokumentach

01. Punkt wyjścia i wyzwanie operacyjne (Baseline)

Wiodąca firma doradczo-inżynieryjna obsługująca kontrakty przemysłowe i certyfikacje infrastrukturalne zarządza bazą ponad 4 500 skomplikowanych dokumentów: norm międzynarodowych (ISO 9001, ISO 13485, ISO 27001), norm zharmonizowanych PN-EN, wewnętrznych wytycznych zakładowych, aneksów technicznych oraz wielostronicowych umów regulacyjnych.

Przed wdrożeniem dedykowanej architektury RAG wiedza w organizacji pozostawała rozproszona w odizolowanych silosach:

• Silosy danych: Pliki PDF na dyskach sieciowych NAS, przestrzenie robocze Confluence, bazy Sharepoint oraz skany papierowych protokołów odbiorczych.
• Czasochłonność: Wyszukanie odpowiedzi na pytanie inżynierskie, zestawienie rozbieżności w aneksach lub weryfikacja dopuszczalnych tolerancji materiałowych zajmowało starszemu audytorowi średnio 240 minut (4 godziny) na pojedyncze zagadnienie.
• Ryzyko prawne i Shadow AI: Z powodu frustracji powolnym przeszukiwaniem dysków pracownicy nieoficjalnie wklejali fragmenty poufnych specyfikacji klientów do publicznych, konsumenckich czatów AI, stwarzając bezpośrednie zagrożenie naruszenia umów NDA i przepisów NIS2.
• Niska dokładność retrieval: Tradycyjne przeszukiwanie słowami kluczowymi w systemach plików dawało zaledwie 64,0% dokładności, regularnie pomijając nowsze aneksy i wycofane normy.

02. Architektura Hybrydowa i Warstwa Bezpieczeństwa

Zaprojektowałem i wdrożyłem suwerenny potok RAG pracujący w izolowanym środowisku on-premise. Architektura łączy wyszukiwanie słownikowe BM25 z gęstą przestrzenią wektorową, a przed przekazaniem kontekstu do modelu LLM wymusza przejście przez warstwę sanityzacji Cleanroom DLP.

graph TD
    A[Silosy dokumentacji: PDF / NAS / Confluence] --> B[Ingestion Pipeline & Tika / Layout Parser]
    B --> C[Cleanroom DLP Gateway: Anonimizacja PII & NDA]
    C --> D[Hybrydowy Indeks: SQLite FTS5 BM25 + Qdrant Wektory]
    D --> E[Multi-Stage Retrieval & Cross-Encoder Reranker]
    E --> F[Kompilator Kontekstu z Cytatami: Strona & Akapit]
    F --> G[LLM On-Premise / ZDR Endpoint: Claude 3.5 & Llama 3]
    G --> H{Telemetria Langfuse & Detektor Halucynacji}
    H -->|Confidence >= 0.85| I[Odpowiedź z linkami do akapitów źródłowych]
    H -->|Confidence < 0.85| J[Yellow Flag: Ekspert Dziedzinowy Human-in-the-Loop]
        

Kluczowe komponenty architektury:

• Cleanroom DLP Gateway: Warstwa ochronna oparta na regułach deterministycznych i modelach Named Entity Recognition (NER), która usuwa dane osobowe, numery umów poufnych i dane wrażliwe przed wysłaniem zapytania do modelu.
• Hybrid Search (BM25 + Dense Vectors): Kody norm technicznych (np. „PN-EN 60601-1-2:2015-11 rozdz. 4.2”) wymagają idealnej dokładności leksykalnej, w której wektory gęste zawodzą. Połączenie SQLite FTS5 (BM25) z bazą wektorową Qdrant za pomocą algorytmu Reciprocal Rank Fusion (RRF) gwarantuje bezbłędny retrieval.
• Dwustopniowy Cross-Encoder Reranking: Z puli 50 wstępnie odnalezionych fragmentów dedykowany model rerankera wybiera 5 najbardziej relewantnych semantycznie akapitów, eliminując szum informacyjny.
• Deterministyczny Grounding: Model LLM otrzymuje instrukcję systemową nakazującą bezwzględne cytowanie numeru strony, sekcji i sygnatury dokumentu. Jeśli w kontekście brakuje jednoznacznego dowodu, system ma zakaz domyślania się odpowiedzi.
• Telemetria Langfuse: Rejestracja każdego promptu, tokenów, czasu odpowiedzi i wskaźników groundedness w audytowalnym rejestrze.

03. Stack Technologiczny

04. Deterministyczne KPI: Przed vs Po Wdrożeniu

Dane zarejestrowane w audycie operacyjnym. Zestawienie porównuje średnie wyniki z pierwszego kwartału 2026 roku (praca manualna) z okresem po wdrożeniu suwerennej platformy RAG (drugi i trzeci kwartał 2026 roku):

05. Human-in-the-Loop: Podział Odpowiedzialności

System inżynieryjny RAG nie zastępuje uprawnień audytora, lecz dostarcza mu bezbłędnie przefiltrowany materiał dowodowy w ułamku minuty:

06. Trudny Przypadek Brzegowy: Kolizja Zaktualizowanych Norm

07. Rezultaty Biznesowe i Suwerenność Danych

Wdrożenie wywarło bezpośredni wpływ na rentowność i bezpieczeństwo operacji inżynieryjnych:

• Odzyskanie 320+ roboczogodzin miesięcznie: Najwyżej wykwalifikowani inżynierowie przestali tracić czas na przeszukiwanie folderów, skupiając się na inspekcjach i doradztwie strategicznym.
• Skrócenie ofertowania z 3 tygodni do 48 godzin: Dział handlowy zyskał możliwość błyskawicznej weryfikacji wymogów technicznych w przetargach publicznych.
• Zero wycieku danych (100% On-Premise): Ani jeden bajt poufnej dokumentacji klientów nie trafia do chmur publicznych, gwarantując zgodność z normą ISO 27001 i dyrektywą NIS2.