Свой контур
Открытая модель с LoRA-адаптером работает на ваших мощностях — данные не покидают периметр компании.
AI
Дообучение моделей под задачи компании
Дообучение моделей (fine-tuning, LoRA) в KT.Team: когда промпта и RAG мало, как готовим датасет и меряем качество до/после, где живёт модель — контур и 152-ФЗ.
Наши клиенты
Клиенты и партнеры
Как выбираем механизм: промпт → RAG → дообучение
Дешёвый механизм первым, дообучение — по доказанному пределу
Дешёвые механизмы
Промпт и правиладни
RAG на ваших документахбаза знаний со ссылкой на источник
Проверка
Evals на рабочих задачахметрики качества на контрольном наборе
Если предел доказан
LoRA-дообучение открытой моделидатасет из ваших данных
Когда дообучение оправдано — и когда нет
Когда оправдано
- Модель должна говорить терминологией и стилем вашего домена: юридические формулировки, техрегламенты, отраслевой жаргон.
- Классификация, извлечение и разметка на ваших данных, где промпт и RAG стабильно не дотягивают до нужной точности.
- Нужен стабильный формат ответа для интеграции: модель отвечает строго по схеме, а не «как получится».
- Модель работает локально в закрытом контуре, и важно выжать качество из компактной открытой модели.
Когда не нужно
- Знания меняются каждую неделю — свежие факты это задача RAG, а не весов модели.
- Рабочих примеров мало: на десятках пар «вход → ответ» дообучение не улучшит качество измеримо.
- Задача решается промптом или несколькими примерами в контексте — дешёвый механизм ещё не исчерпан.
- Нужен «чат обо всём» без измеримой метрики качества — не с чего фиксировать критерий приёмки.
Что делаем: датасет, LoRA-адаптеры, метрики
-
01
Разбор процесса и evals
Фиксируем задачу и собираем контрольный набор рабочих примеров. Меряем базовое качество промпта и RAG — это точка отсчёта.
-
02
Датасет из рабочих данных
Собираем и чистим пары «вход → эталонный ответ» из документов, диалогов и учётных систем. Персональные данные обезличиваются до передачи в модель.
-
03
LoRA-дообучение открытой модели
Адаптеры вместо полного дообучения: быстрее и дешевле, процесс воспроизводим, а датасет и веса остаются собственностью компании.
-
04
Замер до и после
Та же метрика на том же контрольном наборе. Улучшение на evals — критерий приёмки, а не субъективное «стало лучше».
-
05
Передача в эксплуатацию
Модель встаёт в ваш контур, команда получает процесс обновления датасета и повторного дообучения — без зависимости от нас.
Где живёт модель: ваш контур и 152-ФЗ
LLM-шлюз для 152-ФЗ
Если часть трафика идёт во внешние модели, LLM-шлюз обезличивает персональные данные до модели и возвращает реальные значения в ответ.
RAG рядом, а не вместо
Дообучение отвечает за стиль, формат и доменные навыки; свежие факты подтягивает RAG-база знаний со ссылкой на источник.
Кейсы
Кейсы внедрения ИИ
AI-распознавание составов по штрихкоду
- Обработка ускорилась с 30 минут до 2 на партию из 10 изображений
- Точность распознавания состава составляет 80–95%
OSNO-VA: ИИ-бухгалтер
- Собрали AI-платформу
AI SDLC-контур для Fix Price
ПодробнееИИзация по процессам
Один процесс — одна цена — оплата после результата
Дообучение — такой же процесс ИИзации: критерий приёмки фиксируем до старта в метриках качества на контрольном наборе, оплата — после принятого процесса. Ориентир цены — на странице цены и модели оплаты; экономику под ваши объёмы посчитайте в калькуляторе ИИзации.
- Критерий приёмки — до старта
- Оплата после принятия
- Датасет и веса — ваши
Обсудить решение: Дообучение моделей под задачи компании
Связанные решения
Статьи по теме
- Автоматизация ценообразования в e-commerce: как выбрать инструменты и не отдать цену черному ящику
- Линза Карпатого: понимание против исполнения
- Как мы снижаем стоимость токенов без потери результата
- DORA 2025, Часть 9. Как выбрать правильные метрики и фреймворки для измерения разработки и влияния ИИ в ИТ-организациях
- DORA 2025, Часть 6. Платформенная инженерия как стратегическая основа: влияние на эффективность, нестабильность и масштабирование AI в Software Development
