К содержимому
Дайджест

Как Bridgewater превратил 100 млн документов в преимущество

AI Engineer·24 октября 2026·16:45
можно прочитать можно повторить промо
Открыть на YouTube
Доклад сотрудников Bridgewater Associates о внутренней платформе Vault для инженеров данных и ИИ, которые строят поиск и агентов на неструктурированных данных.

Что в ролике

Если вы строите поиск по корпоративным документам, который должен работать и для людей, и для ИИ-агентов, опыт Bridgewater показывает, что требования к точности и масштабу у них противоположны. Они построили Vault — платформу, где уже больше 100 миллионов документов из 135 внешних источников плюс внутренние мемо и транскрипты, каждый документ размечен по странам, концепциям, рынкам и обсуждаемому периоду. На примере вопроса о влиянии инвестиций в AI-инфраструктуру на корейскую вону обычный веб-поиск агента нашёл 15 ресурсов, использовал 1–2 и признал, что данных мало, а Vault за тот же запрос предложил 52 кандидата за нужный период и ответил на основе 7. Затем они перечислили технические решения: для оценки поиска собрали 200 примеров за неделю, исходная precision at 10 была около 60%, после доработок Agentic Search поднялась до 90–95%. Для фильтрации выбрали векторную базу Turbo Puffer с нативной фильтрацией, которая работает быстро как пост-фильтрация, но сохраняет полноту как пре-фильтрация, и она же выдерживает 100+ запросов в секунду от агентов против 100 запросов в час от 300 пользователей-людей. Отдельный урок — нельзя просто дать инвесторам новый инструмент: пришлось перенести привычные сценарии из почты (подписки, папки) в Vault как сохранённые поиски и коллекции, после чего пользователи захотели доступ в чате, телефоне, Slack, IDE и CLI. Сейчас на основе Vault работают Pocket Analyst, который делает часы исследований за минуты и несколько долларов, Researcher для задач на дни и недели, а также кастомные модели для прогнозов и торговых сигналов. Наконец, investor workbench делает агента проактивным: он отслеживает темы, предлагает карточки с выводами и доказательствами, а результаты обсуждения автоматически попадают обратно в Vault, замыкая цикл обучения.

Практика

Что получишь
Понимание, как крупная инвестиционная фирма превратила разрозненные документы в единый источник для людей и агентов, включая метрики качества поиска, выбор векторной базы и подход к удержанию пользователей.
Первый шаг
Если вы хотите повторить подход, начните с бенчмарка своего текущего поиска: соберите 100–200 типичных запросов, вручную отметьте релевантные документы и замерьте precision at 10.
Цифры
  • —100 млн документов — текущий объём Vault, с тысячами новых документов ежедневно из 135 внешних источников
  • —52 документа-кандидата нашёл Vault по тестовому запросу за период 1–8 октября, тогда как веб-поиск дал 15, а использовал 1–2
  • —60% → 90-95% — рост precision at 10 после доработок поиска (бенчмарк на 200 примерах)
  • —30 000 слов в минуту — скорость чтения агентов, в 100 раз выше человеческих 300 слов в минуту
Честно
Это доклад с конференции, а не инструкция: конкретные настройки Vault, онтология, энтайтлменты и код не показаны, поэтому повторить систему нельзя. Открытой рекламы или партнёрских ссылок нет, но компания называет Turbo Puffer как выбранного поставщика векторной базы; это может быть просто технический выбор, а не промо. Часть цифр и графиков (например, примеры карточек, интерфейс) видна только на слайдах, в тексте их нет.
Если слова незнакомы — 4 терминов

Связки из этого ролика

3 шт.

Компоненты

2 шт.

Формат: разбор кейса · для продвинутых · уверенность разметки 0.85 · источник