Пять прикладных сценариев
Похожие тендеры
Поиск закупок с близким смыслом даже при разной терминологии и формулировках.
Товарные и контрактные аналоги
Сопоставление позиций, описаний, КТРУ и ОКПД2 для оценки цен и конкуренции.
Многоязычный RFQ‑поиск
Общий embedding‑пространство для запросов и объявлений на разных языках.
Поиск по документации
Семантический retrieval по OCR‑текстам, требованиям, приложениям и техническим заданиям.
Рекомендации поставщикам
Подбор релевантных возможностей по профилю компании, истории участия и товарам.
Рабочая архитектура
Метаданные закупки остаются отдельными фильтруемыми полями: дата, регион, заказчик, отрасль, диапазон цены и классификаторы. Вектор не должен заменять точные ограничения доступа или бизнес‑фильтры.
Что индексировать
| Объект | Текст для embedding | Метаданные |
|---|---|---|
| Тендер | название, предмет, описание, требования | дата, регион, цена, закон, заказчик |
| Позиция | наименование, характеристики, единица измерения | ОКПД2, КТРУ, количество, цена |
| Документ | чанки распознанного текста | тип файла, страница, тендер, права |
| Организация | профиль, направления деятельности, товары | ИНН, регион, роли, риск‑события |
Контроль качества
- соберите golden set из реальных поисковых задач пользователей
- проверьте Recall@K и nDCG отдельно по коротким и длинным запросам
- сравните dense, sparse и hybrid retrieval с одинаковым reranker
- оцените влияние OCR, chunking, дублей и смены embedding‑модели
- контролируйте ACL и фильтры до выдачи кандидатов
Пилот без самообмана
Начните с одного измеримого сценария и репрезентативного среза данных. Зафиксируйте baseline ключевого или SQL‑поиска, бюджет задержки и минимально допустимое качество. После этого сравнивайте модели и индексы на одном наборе запросов, а не на демонстрационных примерах.
Источник данных и условия доступа: tenderdatahub.ru ↗