Інтелектуальна інформаційна система семантичного пошуку з використанням технології Retrieval-Augmented Generation (RAG)

Abstract

Метою роботи є розроблення вдосконаленої інтелектуальної інформаційної системи семантичного пошуку (RAG-системи) на основі методу контекстного пошуку для мінімізації фактологічних «галюцинацій» та збереження семантичної цілісності даних. Методи дослідження: технологія RAG, метод контекстного збагачення фрагментів (Contextual Retrieval) із використанням мовної моделі gpt-5-nano для синтезу описів, алгоритм «ковзного вікна» для збереження логічних зв'язків. Результатом роботи є вдосконалена архітектура та програмний модуль RAGсистеми, що усуває проблему семантичної фрагментації даних. Завдяки алгоритму ковзного вікна утримується зв'язок між суміжними фрагментами документа. Експериментальне тестування на наборі даних FinanceBench із використанням метрик RAGAS зафіксувало зростання повноти вилучення контексту на 35,46% і точності на 37,99%. Розроблений підхід гарантує повну трасованість кожної згенерованої відповіді до першоджерела при низьких обчислювальних витратах. Розроблена система може бути використана для автоматизації процесів фінансового аудиту, юридичного консалтингу та інтеграції в промислові інформаційні екосистеми.

The purpose of the work is to develop an advanced intelligent information system for semantic search (RAG system) based on the contextual retrieval method to minimize factual "hallucinations" and preserve the semantic integrity of data. Research methods: RAG technology, Contextual Retrieval method using the gpt-5-nano language model for description synthesis, and a sliding window algorithm to preserve logical connections. The result of the work is an advanced architecture and a software module of a RAG system that eliminates the problem of semantic data fragmentation. The sliding window algorithm maintains the connection between adjacent document fragments. Experimental testing on the FinanceBench dataset using RAGAS metrics confirmed an increase in context recall by 35.46% and context precision by 37.99%. The developed approach guarantees full traceability of each generated response to the original source at low computational costs. The developed system can be used to automate financial auditing processes, legal consulting, and integration into industrial information ecosystems.