Опубликовано: 21.09.2026 | Источник: TechCrunch

AI legal tech Harvey в дипломе: архитектура RAG-сервиса и измеримые метрики

25 марта 2026 года стартап Harvey подтвердил оценку в $11 млрд — раунд снова возглавила Sequoia, к ней присоединились Andreessen Horowitz, Kleiner Perkins и бизнес-ангел Элад Гил. Для рынка это сигнал: связка «большая языковая модель + юридические документы» перестала быть экспериментом и превратилась в устойчивый продукт с корпоративными контрактами. Для выпускника ИТ-направления это не новость «про стартапы», а готовый каркас темы ВКР: те же задачи — поиск по базе знаний, генерация ответа со ссылкой на норму, разграничение доступа к конфиденциальным данным, контроль качества и стоимости инференса — встречаются в любой отрасли. Ниже разбираем, как превратить этот сюжет в защищаемую работу с расчётами, схемами и метриками.

Семантический разбор: что именно берём из статьи

Три темы ВКР, которые вырастают из новости

Тема 1. Проектирование сервиса вопрос-ответ по корпоративной базе документов

Актуальность. Раунд Harvey показывает, что заказчик готов платить за инструмент, который не «сочиняет», а находит норму и цитирует её. Значит, в работе важна не генерация ради генерации, а воспроизводимость ответа.

Цель: разработать архитектуру и прототип RAG-сервиса, выдающего ответ со ссылками на исходные фрагменты документов.

• проанализировать модели поиска (гибрид BM25 + векторное сходство);
• спроектировать схему индексации и версионирования документов;
• реализовать API и механизм цитирования источников;
• оценить качество на подготовленном наборе вопросов.

Структура: глава 1 — обзор подходов и аналогов, глава 2 — архитектура и схемы данных (C4, UML), глава 3 — экспериментальная оценка и расчёт затрат на инференс.

Тема 2. Оценка качества и стоимости LLM-конвейера в корпоративной среде

Актуальность. Инвесторы вкладывают в продукт, у которого есть измеримая ценность. В ВКР это превращается в блок метрик и экономики — то, что чаще всего вытягивает защиту.

Цель: построить методику оценки качества и совокупной стоимости владения сервисом на основе LLM.

• выбрать метрики по ISO/IEC 25010 (функциональная полнота, производительность, сопровождаемость);
• собрать тестовый набор вопросов и эталонных ответов;
• провести нагрузочное тестирование и замер p95-задержки;
• рассчитать стоимость 1000 запросов для двух-трёх конфигураций.

Тема 3. Защита конфиденциальных данных в AI-сервисе юридического назначения

Актуальность. Оценка в $11 млрд означает, что через такие сервисы проходят договоры и персональные данные. Требования к разграничению доступа и журналированию становятся частью продукта.

Цель: разработать модель угроз и механизм контроля доступа к документам и результатам генерации.

• построить модель угроз и определить границы доверия;
• описать ролевую модель и интеграцию с OIDC-провайдером;
• спроектировать аудит-лог запросов и ответов;
• проверить сценарии утечки через побочные каналы (кэш, логи, эмбеддинги).

Аналитическая глава: сравнение решений и обоснование стека

Здесь статья работает как источник для первого абзаца введения и как аргумент в пользу выбранного варианта. Не пишите «Harvey — молодая компания, поэтому…». Пишите по делу: рынок сформирован, значит, сравнивать нужно не «делать или не делать», а готовую платформу против собственной реализации.

Вывод в конце подраздела должен быть однозначным и привязанным к условиям задачи: например, «для организации с режимом коммерческой тайны выбираем гибрид — инференс в закрытом контуре, поиск на self-hosted векторной базе».

Проектная часть: схемы, интеграция, инфраструктура

Что рисовать, чтобы комиссия поверила

• Контекстная диаграмма — сервис, пользователь, хранилище документов, провайдер модели, система аудита.
• Диаграмма последовательности — путь запроса: аутентификация → поиск → сборка контекста → вызов модели → проверка цитат → ответ.
• Схема развёртывания — контейнеры в Kubernetes, отдельные пространства имён для API, очереди индексации и мониторинга.

Отдельно опишите конвейер CI/CD: сборка образа, прогон тестов на фиксированном наборе вопросов, публикация в кластер. Это снимает вопрос «а как вы гарантируете, что новая версия промпта не сломала выдачу».

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: rag-api
spec:
  scaleTargetRef:
    kind: Deployment
    name: rag-api
  minReplicas: 2
  maxReplicas: 10
  metrics:
    - type: Resource
      resource:
        name: cpu
        target:
          type: Utilization
          averageUtilization: 70

Тестирование и метрики: то, за что обычно снижают балл

Система, которая отвечает свободным текстом, тестируется иначе, чем обычный CRUD. Нужны два независимых контура: качество ответа и поведение под нагрузкой.

Соберите тестовый набор минимум из 50 вопросов с эталонными ответами — этого достаточно для защиты и не требует доступа к реальным данным клиента. Синтетические документы допустимы, если вы честно укажете это в ограничениях работы.

Чему вы научитесь на такой теме

• Обосновывать стек не вкусовщиной, а критериями ISO/IEC 25010 и ограничениями задачи.
• Проектировать конвейер обработки данных, а не отдельный скрипт: индексация, версионирование, инвалидация кэша.
• Строить наблюдаемость через OpenTelemetry: трассировка запроса от API до вызова модели.
• Оформлять ТЗ, руководство оператора и схемы по ГОСТ 34.602-89 и ГОСТ 19.701-90.
• Считать экономику: стоимость токенов, стоимость часа инженера, срок окупаемости.

Вопросы, которые задают чаще всего

Обязательно ли писать работающий код?

Зависит от требований кафедры, но прототип сильно упрощает защиту. Достаточно минимального сервиса: индексация набора документов, один эндпоинт поиска, вызов модели и вывод цитат. Полноценный интерфейс не нужен — хватит консольного клиента или простой страницы.

Где брать данные для экспериментов?

Открытые корпуса нормативных текстов, договоры из публичных репозиториев, собственные учебные документы. Если используете синтетику — опишите генерацию и ограничения. Главное, чтобы набор был зафиксирован и версионирован вместе с кодом.

Как оформить UML-диаграммы, чтобы их приняли?

Соблюдайте нотацию и единый стиль: одинаковые названия сущностей на всех схемах, подписи на русском, легенда. Диаграммы развёртывания и компонентов оформляйте по ГОСТ 19.701-90, если кафедра требует единую систему документации.

Насколько сложна тема, если я не изучал машинное обучение?

Обучение моделей здесь не нужно — вы работаете с готовым API или открытой моделью. Основная сложность в инженерии: поиск, кэширование, разграничение доступа, наблюдаемость. Это классический бэкенд-навык, просто с необычным потребителем.

Источник: Harvey confirms $11B valuation: Sequoia triples down (опубликовано 2026-03-25)