Мнение Программного комитета о докладе
Практическая история эволюции RAG-системы в MedTech через три итерации: от наивной реализации, дорогой GraphRAG к оптимальному LightRAG. С реальными цифрами, архитектурными решениями и ценой ошибок.
RAG → GraphRAG → LightRAG: как мы трижды переписывали медицинский AI и кратно снизили издержки
Доклад принят в программу конференции
Целевая аудитория
Senior/Lead-разработчики, архитекторы и ML-инженеры, которые создают или планируют создавать сложные системы на базе LLM. Доклад будет особенно полезен тем, кто работает в доменных областях с высокими требованиями к точности и связности данных (MedTech, FinTech, LegalTech) и ищет практические, готовые к продакшену архитектурные решения.
Тезисы
Когда внедряешь LLM в медицину, цена ошибки измеряется не только деньгами. Расскажу историю трех итераций одного проекта, которая поможет вам избежать наших граблей.
Три попытки, три архитектуры:
* RAG v1.0: быстрый старт за неделю → провал в проде. Система не могла связать симптом из одного документа с протоколом лечения из другого.
* GraphRAG: качество ответов взлетело → бюджет тоже. $6–7 за индексацию одной карточки, тысячи долларов на весь корпус медицинских статей.
* LightRAG: оптимальный баланс. Сохранили преимущества графов, снизили затраты в 10 раз.
Что разберем детально:
* Архитектура LightRAG: инкрементальная индексация, дедупликация сущностей, двухуровневый поиск.
* Реальные расчеты стоимости для каждого подхода с конкретными цифрами.
* Специфика MedTech: работа с регуляторами (HIPAA, GDPR), цитируемость источников.
Сравнительная таблица: когда какой подход выбирать.
Практическая ценность: готовый фреймворк выбора RAG-архитектуры + экономическое обоснование для защиты решения перед бизнесом.
NLP Lead.
Архитектор ИИ.
CTO.
Видео
Другие доклады секции
Архитектура и масштабируемость
