Поиск,
который понимает
смысл.
Neural Search от 8iAVATAR — семантический поиск на эмбеддингах и метаграфах Metagraf LLM. Находит релевантное даже когда слова не совпадают. Работает в изолированном контуре, соответствие 152-ФЗ и ГОСТ 34.12-2018.
Семантический поиск
в действии
Введите запрос естественным языком — Neural Search найдёт релевантные документы, даже если в них нет точных совпадений слов. Это не поиск по ключевым словам, это поиск по смыслу.
Ожидание запроса
Индекс готов. Введите запрос или выберите пример выше, чтобы увидеть семантический поиск в действии.
Пять стадий
нейропоиска
Каждый запрос проходит через каскад моделей. От токенизации до финального ранжирования — всё работает в изолированном контуре ведомства.
Токенизация
Запрос разбивается на токены, нормализуется и подготавливается для энкодера.
~ 2 msЭмбеддинг
Metagraf LLM строит 384-мерный вектор запроса, отражающий его смысл, а не слова.
~ 18 msANN-поиск
HNSW-индекс находит ближайшие векторы документов за сублинейное время.
~ 6 msРеранкинг
Cross-encoder пересчитывает релевантность топ-N кандидатов с учётом контекста.
~ 24 msГенерация
Опционально: LLM формирует ответ с цитированием источников и audit trail.
~ 340 msНейропоиск против
классического keyword-поиска
Классический keyword-поиск
- Ищет точные совпадения слов
- Пропускает синонимы и перефразы
- Не понимает опечатки и морфологию
- Результат зависит от формулировки запроса
- Нет учёта контекста документа
Neural Search (8iAVATAR)
- Ищет по смыслу, а не по словам
- Понимает синонимы и перефразирования
- Устойчив к опечаткам и морфологии
- Результат инвариантен к формулировке
- Учитывает контекст всего документа
Что умеет
Neural Search
Полный стек семантического поиска: от векторного индекса до генерации ответов с цитированием источников. Всё в одном контуре.
Векторы + граф + ключевые слова
Neural Search комбинирует dense-эмбеддинги, разреженный BM25 и связи метаграфа. Это даёт высокий recall даже на сложных, многосоставных запросах.
Ответы с цитированием источников
Найденные документы передаются в LLM для формирования ответа. Каждое утверждение сопровождается ссылкой на источник — полный audit trail.
Recall@10
Релевантные документы в топ-10 результатов
Latency p95
Полный цикл поиска на 1 млн документов
Размерность
Компактные эмбеддинги без потери качества
Метрики
в цифрах
Простой API
для вашей системы
REST и gRPC интерфейсы. SDK для Python, Go, Java. Развёртывание в вашем контуре за один день.
Один запрос — всё готово
Отправьте текст запроса — получите ранжированный список документов с оценками релевантности, подсветкой совпадений и цитатами.
- REST и gRPC —
POST /v1/search - Batch-режим для больших объёмов
- Фильтры по метаданным и ACL
- Гибридный поиск:
mode=dense|sparse|hybrid - RAG-генерация:
generate=true - Полный audit log каждого запроса
# Запрос curl -X POST https://api.8internet.ru/v1/search \ -H "Authorization: Bearer $TOKEN" \ -d '{ "query": "как записаться к врачу", "mode": "hybrid", "top_k": 5, "generate": true, "filters": {"region": "MSK"} }' # Ответ { "results": [ { "id": "doc_4821", "title": "Запись к врачу через ЕГИСЗ", "score": 0.984, "highlights": ["запись", "приём"] }, /* ... */ ], "answer": "Записаться можно через ...", "latency_ms": 28, "mode": "hybrid" }
Часто задаваемые вопросы
о Neural Search
Чем Neural Search отличается от обычного поиска по ключевым словам
Классический поиск ищет точные совпадения слов. Neural Search строит векторное представление смысла запроса и документа, поэтому находит релевантное даже когда формулировки различаются. Например, запрос «как оформить пенсию» найдёт документ «Порядок назначения страховых выплат по старости», хотя общих слов почти нет.
Какие модели используются для эмбеддингов
По умолчанию — собственная модель на архитектуре Metagraf LLM, оптимизированная под русскоязычные тексты государственной тематики. Также поддерживаются YandexGPT Embeddings, GigaChat Embeddings и любые другие модели из реестра Минцифры. Модель можно заменить через конфигурацию.
Какой объём индекса выдерживает система
Демо-индекс содержит 1,2 млн документов. Продакшн-развёртывания работают с индексами до 500 млн документов на кластере из 3–5 серверов. HNSW-индекс масштабируется горизонтально через шардирование, деградация latency при росте индекса — сублинейная.
Можно ли развернуть Neural Search в закрытом контуре
Да. Система разработана для работы в air-gapped среде. Все компоненты — модель эмбеддингов, ANN-индекс, reranker, генератор — разворачиваются на ваших серверах. Обновления поставляются через защищённый шлюз. Интернет для работы не требуется.
Как обеспечивается безопасность и разграничение доступа
Поддерживаются ACL-фильтры на уровне запроса: пользователь видит только те документы, к которым у него есть доступ. Индекс и метаданные шифруются по ГОСТ 34.12-2018. Все запросы и результаты логируются в неизменяемый audit log, доступный надзорным органам.
Как быстро можно внедрить систему
Базовая интеграция через REST API — 1–2 дня. Развёртывание в вашем контуре с обучением на ваших данных — 2–4 недели. Полный цикл с интеграцией в ведомственные ГИС, настройкой ACL и обучением сотрудников — 30–60 рабочих дней. Возможен пилот на ограниченном корпусе документов за 2 недели.
Что происходит с данными при индексации
Документы не покидают ваш контур. Эмбеддинги строятся локально, индекс хранится на ваших серверах. 8iAVATAR не имеет доступа к содержимому документов и результатам поиска. Все артефакты — индекс, модель, логи — остаются в собственности заказчика.
Можно ли использовать Neural Search для RAG-генерации ответов
Да, это одна из ключевых возможностей. Передайте параметр generate=true — система найдёт релевантные документы, передаст их в LLM и сформирует ответ с цитированием источников. Каждое утверждение сопровождается ссылкой на конкретный фрагмент документа, что обеспечивает полную проверяемость.
Готовы подключить
нейропоиск?
Свяжитесь удобным способом — подготовим КП, проведём демонстрацию на ваших данных, предоставим документы для тендера.