Технологический фундамент: как мы строим интеллектуальное формирование результатов встреч и коммуникаций на базе 1С и ИИ

Мы автоматизируем эти процессы на платформе «1С:Предприятие 8», дополняя ее современными инструментами искусственного интеллекта. Наша задача - не просто записать, кто что сказал, а превратить устные коммуникации в структурированные управленческие данные: протоколы, поручения, решения, базы знаний. И сделать это так, чтобы ИИ работал вместе с вашими сотрудниками, а не вместо них. Подробнее задачи и как их реализация выглядит для пользователей описаны в другой нашей статье.

За каждой из решаемых задач стоит продуманный стек инструментов. Мы не используем «чёрные ящики» - каждое решение выбрано исходя из баланса скорости, точности, стоимости и возможности интеграции с существующей инфраструктурой 1С.

1. Распознавание речи и диаризация: WhisperX

Первая и критическая задача - превратить аудиозапись встречи в структурированный текст с разделением по участникам. Здесь мы используем WhisperX.

Почему WhisperX, а не стандартный Whisper или другие решения?

Базовый Whisper (от OpenAI) - мощная модель распознавания, но у неё есть два ограничения: она не разделяет реплики по говорящим (диаризация) и дает лишь приблизительную привязку к таймингу. WhisperX устраняет эти недостатки:

• Диаризация - автоматическое разделение текста по голосам, с определением, кто и когда говорил. Это критически важно для наших протоколов: мы должны понимать, кому принадлежит каждая реплика.
• Помеховая временная привязка (forced alignment) - каждое слово получает точную временную метку. Это позволяет в протоколе давать прямые ссылки на фрагмент записи: «обсуждалось на 1:23:45».
• Скорость - WhisperX работает до 70 раз быстрее реального времени на GPU и в 23 раза быстрее оригинального Whisper. Для компании с тысячами часов встреч в месяц это вопрос не удобства, а экономической целесообразности.
• Поддержка русского языка - модель оптимизирована для русской речи, включая специальные модели выравнивания.

Альтернативы - платные облачные API (Яндекс, Сбер, Google) - дают высокое качество, но требуют отправки данных на внешние сервера, что для многих компаний неприемлемо с точки зрения безопасности и законодательства. WhisperX работает локально, в контуре заказчика.

2. Поиск по историческим данным: Elasticsearch

Когда у нас накоплены сотни расшифрованных встреч, возникает вторая задача: быстро находить нужную информацию. «Когда поднимался вопрос о смете по объекту N? Кто обещал согласовать чертежи?» - на эти вопросы должен отвечать секундный поиск.

Здесь мы используем Elasticsearch.

Почему Elasticsearch?

Это не просто «поисковая система». Elasticsearch - это распределенный движок, который одновременно поддерживает:

• Полнотекстовый поиск - классический поиск по ключевым словам, с учетом морфологии русского языка.
• Векторный поиск - семантический поиск по смыслу, а не по точному совпадению слов. Вы ищете «обсуждали задержки поставки», а находите фрагменты, где говорили про «сроки отгрузки» и «перенос графика».
• Гибридный поиск - комбинация обоих подходов для максимальной релевантности.
• Масштабируемость - Elasticsearch построен для работы с терабайтами данных в реальном времени.

Альтернативы, такие как PostgreSQL с расширением pgvector, подходят для небольших объемов, но на масштабе тысяч сотрудников и тысячах встреч в год они начинают «тормозить». Elasticsearch изначально спроектирован для таких нагрузок.

3. Интеллектуальный доступ к данным: RAG (Retrieval-Augmented Generation)

Сам по себе поиск - это хорошо. Но мы хотим, чтобы ИИ не просто находил фрагменты, а давал осмысленные ответы: «Вот что обсуждалось по этой теме за последний год, вот какие решения были приняты, а вот какие поручения до сих пор не закрыты».

Для этого мы используем RAG - генерацию ответов с дополненной выборкой.

Как это работает и почему это важно:

Большая языковая модель (LLM) сама по себе не знает ваших внутренних данных - она обучена на общем интернете. Чтобы она могла отвечать на вопросы по вашим встречам, нужно либо дообучать её (дорого, долго, риск переобучения), либо давать ей доступ к актуальным данным в момент запроса.

RAG решает это элегантно:

1. Пользователь задаёт вопрос.
2. Система ищет в Elasticsearch релевантные фрагменты из расшифровок встреч.
3. Эти фрагменты подставляются в промпт к LLM как контекст.
4. Модель генерирует ответ, опираясь исключительно на найденные данные.

Почему RAG, а не дообучение модели?

• Актуальность - данные обновляются ежедневно. Дообучать модель каждый день невозможно, а RAG работает с текущим состоянием базы.
• Проверяемость - RAG может цитировать источники: «согласно протоколу от 15.03, на 42-й минуте...». Это критично для управленческих решений.
• Стоимость - дообучение большой модели стоит сотни тысяч долларов. RAG - это вопрос правильно настроенной инфраструктуры.
• Безопасность - ваши данные никогда не попадают в модель, они лишь подставляются в контекст запроса.

4. Управление всем пайплайном: RAGFlow

RAG - это архитектурный подход. Но чтобы он работал в промышленной среде, нужна платформа, которая управляет всем процессом: от загрузки документа до выдачи ответа.

Здесь мы используем RAGFlow.

Почему RAGFlow?

RAGFlow - это open-source RAG-движок, который решает проблемы, возникающие при работе с реальными, «грязными» документами:

• Глубокое понимание структуры документа - RAGFlow анализирует не просто текст, а структуру: заголовки, таблицы, разделы. Для строительных протоколов с множеством вложенных таблиц это критично.
• Гибкий пайплайн обработки - можно настроить цепочку действий: загрузили расшифровку → разбили на смысловые фрагменты → извлекли сущности (даты, ответственные) → проиндексировали.
• Готовые интеграции - RAGFlow поставляется как Docker-образ с API, веб-интерфейсом и движком индексации. Это значит, мы разворачиваем его рядом с вашей 1С за дни, а не за месяцы.
• Поддержка агентов - можно строить цепочки обработки: от простого поиска до сложных сценариев с несколькими шагами.
• Работа с разными типами файлов - PDF, Word, аудио (через WhisperX) - всё в одном пайплайне.

Альтернативы - такие как LangChain или LlamaIndex - это библиотеки для разработчиков. Они дают гибкость, но требуют написания сотен строк кода для каждого нового сценария. RAGFlow - это готовая платформа с веб-интерфейсом, которая сокращает время внедрения в разы.

5. Дополнительно: что ещё мы используем

• Pyannote.audio - для более точной диаризации в сложных акустических условиях (шумные стройплощадки, встречи в кафе). WhisperX использует Pyannote под капотом, но мы можем вынести этот модуль отдельно для тонкой настройки.
• Faster-Whisper - оптимизированная версия Whisper, которую WhisperX использует для базовой транскрипции. Это дает дополнительный прирост скорости без потери качества.
• Qdrant или Milvus - как альтернатива Elasticsearch для векторного поиска, если у заказчика специфические требования к производительности или уже есть парк этих систем. Они дают ещё более высокую скорость на миллиардных масштабах векторов, но Elasticsearch выигрывает за счёт универсальности (один движок - и текст, и векторы).

Как это всё собирается в единое решение

Технологический стек выглядит так:

1. WhisperX - распознает аудио, разделяет по голосам, даёт тайминг.
2. RAGFlow - управляет пайплайном: загружает расшифровки, разбивает на фрагменты, извлекает сущности (поручения, сроки, ответственных).
3. Elasticsearch - индексирует всё для быстрого гибридного поиска.
4. RAG + LLM - отвечает на вопросы пользователей, опираясь на данные из Elasticsearch.
5. Интеграция с 1С - поручения и протоколы попадают в 1С:Документооборот и 1С:ERP через стандартные API.

На выходе простым запросом получаем все упоминания заданного вопроса во встречах, с временными метками, по которым можно посмотреть контекст обсуждения и задачи, которые возникали по результатам этих встреч.

Все компоненты работают локально, в контуре заказчика - никакой передачи данных вовне. Это соответствует и требованиям информационной безопасности, и законодательным ограничениям по биометрии.

Мы не просто «используем ИИ». Мы собираем промышленное решение из проверенных, масштабируемых компонентов, каждый из которых выбран за конкретные преимущества. И мы готовы показать, как это работает, на ваших реальных данных. Подробнее можно узнать у наших специалистов по телефону +7(495) 989-22-16 или написать на почту sales@rg-spc.ru.