AI-systeem · publieke sector: normalisatie en metrologie
RAG-kennisbank en AI-strategieën
Rosstandart · 2025 · AI-systeem · Python 3.11, LangChain
Een RAG-demo op documenten van Rosstandart en het project “RST 2.0”, analyse van vijf ondergeschikte organisaties en een specificatie voor het extraheren van eisen uit GOST-normen
Twee samenhangende werkstromen. De eerste is een demonstratie-RAG-systeem op documenten van Rosstandart en het digitaliseringsproject “RST 2.0” (15 documenten, 954 chunks): antwoorden in natuurlijke taal met links naar bronnen; het doorliep drie iteraties (lokaal FAISS, daarna incrementeel beheer van de vectordatabase, daarna migratie naar Milvus) en een code review. De tweede is een analysepakket over vijf ondergeschikte organisaties (30+ documenten, ongeveer 600 pagina’s) met strategieën voor optimalisatie met AI, plus een beoordeling van de technische specificatie van een normalisatie-instituut voor een systeem dat machineleesbare eisen uit GOST-normen haalt en doorgeeft aan de systemen van de klant.
De opdracht
Versnipperde informatie over de instantie en haar ondergeschikte organisaties en de behoefte aan een strategie voor de invoering van AI; voor het normalisatie-instituut: regelgevende documenten omzetten in eisen die geschikt zijn voor machinale verwerking en integratie in AI-, MDM- en MES-systemen.
Wat erin zit
- RAG op Claude 4.5 Sonnet (via OpenRouter) met meertalige embeddings paraphrase-multilingual-MiniLM-L12-v2; bronvermelding in elk antwoord
- Edition A: incrementeel toevoegen en verwijderen van bestanden in de vectordatabase zonder volledige herindexering, beheer via CLI en integriteitsvalidatie
- Edition B: Milvus in plaats van FAISS, bescherming tegen prompt injection en DoS, een time-out van 60 seconden op alle modelverzoeken
- Analysepakket voor elk van de 5 organisaties: een uitgebreid rapport, een AI-strategie (8 richtingen, een roadmap 2026–2028), een beknopte review met SWOT, een werkverslag
- De specificatie van het normalisatie-instituut: een ontologisch model (OWL 2, SHACL, Apache Jena), extractie van entiteiten en relaties (ruRoBERTa-large), een REST API in Java Spring Boot, converters naar AI/MDM/MES, een fase “autonome start”
Machinevertaling — wordt nagekeken.