# RAG - Retrieval-Augmented Generation dla danych firmowych | SNOK

> Retrieval-Augmented Generation - asystenci AI na bazie wiedzy organizacji. SharePoint, Confluence, ERP, CRM. Klasyfikacja RODO i audit trail.

- Source: https://snok.ai/pl/oferta/automatyzacja-ai/rag-asystenci-ai/

---

# RAG - asystenci AI z kontekstem firmy

Retrieval-Augmented Generation na bazie wiedzy organizacji - SharePoint, Confluence, ERP, CRM, repozytoria dokumentów. Klasyfikacja danych pod RODO, source-aware access control, audit trail.

## Co zyskuje Państwa organizacja?

### Ograniczenie ryzyka halucynacji

Model odpowiada na podstawie pobranych dokumentów, a nie wyłącznie z pamięci. Każda odpowiedź ma wskazanie źródła.

### Kontrola dostępu zgodna ze źródłami danych

Asystent widzi tylko dokumenty, do których uprawnienia ma konkretny użytkownik. Ogranicza to ryzyko wycieku danych objętych klasyfikacją.

### Aktualność wiedzy bez ponownego trenowania modelu

Nowy dokument dodany do bazy jest dostępny od razu, bez kosztownego fine-tuningu modelu.

### Ścieżka audytu i zgodność

Każda odpowiedź jest zapisywana wraz z użytym kontekstem: kto pytał i jakie źródła zostały wykorzystane. To istotne z perspektywy AI Act i RODO.

## Co dokładnie realizujemy w tym projekcie

### Architektura RAG - design i wdrożenie

Wektorowa baza danych (pgvector, Qdrant, Weaviate), embedding model, retrieval strategy, reranking, prompt engineering.

### Integracja ze źródłami

SharePoint, Confluence, Notion, Google Drive, SAP, Salesforce, custom repozytoria. Synchronizacja przyrostowa, monitoring świeżości.

### Klasyfikacja danych pod RODO

Identyfikacja danych osobowych, klasyfikacja wrażliwości, polityki dostępu, masking dla danych ograniczonego dostępu.

### Source-aware access control

Integracja z Entra ID, AD, SAP IDM - asystent dziedziczy uprawnienia użytkownika. Bez ryzyka eskalacji dostępu.

### Quality monitoring

Pomiar jakości odpowiedzi - relevance, faithfulness, citation accuracy. Cykliczne tuning promptów i retrieval strategy.

### AI Security review

Test prompt injection przez kontekst, indirect injection przez dokumenty, EchoLeak, ShareLeak. OWASP LLM Top 10.

## Jak realizujemy projekty w tym obszarze

Zaczynamy od audytu danych: jakie dokumenty mają być dostępne dla asystenta, w jakich formatach występują, jak są klasyfikowane i jakie polityki dostępu obowiązują w organizacji. Na tej podstawie projektujemy architekturę RAG i zakres pierwszego wdrożenia.

Pierwszy use case wdrażamy dla jednego działu, zwykle w horyzoncie 6-10 tygodni. Sprawdzamy jakość odpowiedzi, poprawność cytowania źródeł, działanie kontroli dostępu oraz ryzyka związane z bezpieczeństwem danych.

Po pilotażu skalujemy rozwiązanie na kolejne źródła i grupy użytkowników. Standardowo pracujemy z Claude lub Azure OpenAI, a dla danych krytycznych rekomendujemy lokalne modele LLM.

Stack technologiczny

Doświadczenie zespołu w obszarze AI, integracji danych i systemów enterprise potwierdza gotowość SNOK do wdrażania rozwiązań RAG.

## Gdzie wdrażaliśmy podobne rozwiązania

Kancelaria prawna

RAG na 50 tys. dokumentów - asystent prawny z cytowaniem paragrafów

Producent FMCG

RAG na umowach handlowych - asystent dla działu sprzedaży, integracja z SAP

Spółka technologiczna

RAG na dokumentacji technicznej - asystent dla wsparcia klienta L1/L2

## FAQ - RAG - asystenci z kontekstem

Czym RAG różni się od fine-tuningu modelu?+

RAG dodaje wiedzę dynamicznie przez retrieval - aktualizacje są natychmiastowe, audit trail dostępny. Fine-tuning "uczy" model wiedzy - droższy, wolniejszy do aktualizacji, bez cytowania. W większości przypadków RAG jest lepszym wyborem.

Czy RAG eliminuje halucynacje?+

Drastycznie je redukuje - model odpowiada na podstawie pobranych dokumentów. Ale wciąż może źle zinterpretować lub źle scytować - dlatego ważny jest quality monitoring i citation grounding.

Jak chronicie przed prompt injection przez dokumenty?+

Sanityzacja dokumentów przed indeksacją, separation of concerns w promptach, output validation, sandboxing dla narzędzi które agent może wywołać. Pełen AI Security review.

Czy RAG działa z lokalnymi LLM?+

Tak - architektura RAG jest model-agnostic. Działamy z Claude, OpenAI, Gemini oraz lokalnymi LLM (Llama, Mistral, Qwen) w infrastrukturze klienta.