Как обучить нейросеть на своих данных: гайд по RAG для малого бизнеса

Фраза «обучить нейросеть на своих данных» в 2026 году звучит во всех маркетинговых текстах. Чаще всего за ней стоит не обучение, а другая технология — RAG. И это хорошо: настоящее обучение модели для малого бизнеса избыточно дорого и почти всегда не нужно.

В этой статье — что такое RAG, почему он подходит салону, клинике или магазину лучше, чем «дообучение», и как загрузить свои документы за 15 минут.

Fine-tuning vs RAG: что чем отличается

Fine-tuning — это процесс, при котором веса нейросети частично переучиваются на ваших примерах. Стоит десятки и сотни тысяч рублей, требует датасета из 1 000+ пар «вопрос-ответ» и каждый раз должен повторяться при изменении данных.

RAG (Retrieval-Augmented Generation) — это поиск по вашим документам перед генерацией ответа. Модель остаётся общей, но в момент ответа подтягивает релевантные куски из вашей базы. Обновление — это просто загрузить новый файл.

Как работает RAG в простых словах

Когда вы загружаете документ, система разрезает его на короткие фрагменты по 200–500 слов и переводит каждый в вектор — числовое представление смысла. Векторы хранятся в специальной базе (например, Qdrant).

Когда клиент пишет вопрос, его тоже переводят в вектор и ищут ближайшие фрагменты по смыслу. Найденные 3–5 кусков подкладываются модели как контекст: «Вот тебе вопрос клиента, вот выдержки из документации компании, ответь на их основе».

Какие документы реально работают как KB

Не каждый файл из вашего гугл-диска полезен боту. Полезное и проверенное на практике:

• Прайс с описанием услуг — клиент чаще всего спрашивает «сколько стоит X».
• FAQ с ответами на вопросы, которые задают чаще всего (10–30 пунктов).
• Регламент работы — часы, адреса, парковка, документы, оплата.
• Скрипты продаж — как отвечаем на возражения, как описываем популярные услуги.
• Описание команды — кто что делает, к кому какой вопрос.

Чего НЕ нужно загружать

• Личную переписку с клиентами — нарушение ФЗ-152, плюс лишний шум в выдаче.
• Внутренние финансовые отчёты, ставки сотрудников, маржу — AI может процитировать.
• Большие PDF без структуры (отсканированные книги, старые регламенты на 200 страниц) — качество поиска падает.
• Дубликаты одного документа в разных версиях — модель начнёт путаться, какая актуальна.

Качество ответов = качество источников

Если в прайсе написано «маникюр — от 1500 ₽», бот так и ответит. Если в FAQ нет ответа на «можно ли с собакой» — бот честно скажет «уточню у администратора».

Типичная ошибка: «загрузили всё что было, бот несёт чепуху». Решение — почистить источники до состояния, в котором их прочитал бы новый сотрудник в первый день. Чем понятнее формулировка человеку — тем точнее ответ AI.

Что делать, когда AI всё равно «придумывает»

Даже с хорошим RAG модель иногда даёт уверенный ответ на вопрос, на который ответа в базе нет. Это называется галлюцинация — и её лечат двумя приёмами.

• Guardrail в системном промпте: «Если ответа нет в источниках — скажи «уточню у администратора», а не придумывай».
• Эскалация на оператора по сигнальным словам — «гарантия», «возврат», «скидка», «договор».
• Логирование: смотрите топ-20 диалогов в неделю, где AI отвечал без источника — обычно это пробелы в базе, которые быстро закрываются.

Что читать дальше

Если вы разбираетесь в теме глубже, продолжите с материалами: Knowledge Base для LLM-агента, RAG vs простой бот, Как написать промпт для AI-ассистента.