RAG pentru cercetare și dezvoltare: brevete și literatură

Un director de cercetare îți spune că are „toată literatura din domeniu” într-un folder de rețea și vrea să o poată întreba în limbaj natural. Cererea sună identic cu celelalte cazuri de RAG pe corpusuri de companie. Un sistem RAG pentru cercetare și dezvoltare de produs nu este însă același lucru.

În cazurile de până acum — helpdesk, contracte, mentenanță, conformitate — răspunsul exista deja undeva în corpus, iar treaba sistemului era să-l scoată la suprafață și să-l citeze. În cercetare și dezvoltare de produs, întrebarea care contează are altă formă: ce lucrare publicată acum șase ani explică rezultatul ciudat obținut săptămâna trecută în laborator? Cele două documente nu se citează reciproc. Nu au autori comuni. Nimeni nu le-a pus vreodată alături.

Asta răstoarnă aproape toate deciziile de arhitectură pe care le-ai lua pentru un sistem de regăsire clasic. Dacă ai nevoie întâi de mecanica generală, ce este RAG acoperă fundamentele; articolul de față tratează strict ce se schimbă când obiectivul nu mai e răspunsul, ci conexiunea.

Descoperirea nu e regăsire: compromisul se inversează

Un sistem de regăsire bun taie agresiv. Filtrează pe identitatea echipamentului, pe versiunea contractului, pe perioada auditată, apoi întoarce trei fragmente și refuză dacă nu are suport. Precizia e valoarea, iar zgomotul e defectul.

Recall înainte de precizie

Într-un flux de descoperire, ierarhia se răstoarnă. Documentul care explică rezultatul tău e, prin definiție, unul la care nu te-ai gândit — altfel l-ai fi citit deja. Un sistem calibrat pe precizie îl elimină exact pentru că nu seamănă suficient cu întrebarea.

Consecința practică: k mai mare, prag de similaritate mai jos, mai multe formulări alternative ale aceleiași interogări, și un pas explicit de expansiune care caută și sinonimele de domeniu (denumirea comercială, denumirea chimică, codul intern de proiect). Compromisul dintre similaritate și relevanță e tratat pe larg în hybrid search și reranking — aici reranking-ul agresiv devine un risc, nu o îmbunătățire, pentru că taie tocmai coada lungă în care stă conexiunea.

Un rezultat aparent irelevant poate fi cel valoros

Într-un helpdesk, un rezultat off-topic e un defect măsurabil. Într-o căutare de literatură, un articol dintr-un domeniu vecin — o metodă de stabilizare folosită în industria alimentară, aplicată la o formulare cosmetică — e exact tipul de rezultat pentru care merită construit sistemul.

Asta schimbă și interfața: nu un răspuns sintetizat, ci o listă de candidați cu motivul pentru care fiecare a ieșit la suprafață. Cercetătorul filtrează, nu modelul. Un răspuns care ascunde candidații sub o sinteză fluentă distruge exact valoarea pe care o cauți.

Exact invers față de service-ul pe teren

Merită pusă comparația explicit, pentru că e cel mai apropiat frate ca tip de documentație. La RAG pentru mentenanță și service pe teren, filtrul dur pe identitatea echipamentului e mecanismul central: un manual pentru altă serie de utilaj e un răspuns greșit, indiferent cât de similar e textul. Aici, același filtru dur ar șterge din start rezultatul util.

Aceeași infrastructură, decizie de calibrare opusă. Dacă rulezi ambele cazuri peste același index, ai nevoie de două profiluri de retrieval distincte, nu de un compromis la mijloc.

Corpusul de cercetare și dezvoltare: trei straturi, trei regimuri

Un corpus de cercetare nu e un folder. Sunt trei populații de documente cu proveniență, drepturi de utilizare și risc diferite, iar tratarea lor unitară e cea mai frecventă eroare de proiect.

Brevetele: publice, structurate, cu o fereastră oarbă

Brevetele sunt cea mai bună parte a corpusului: public accesibile, puternic structurate, clasificate manual de examinatori. Espacenet, serviciul gratuit al Oficiului European de Brevete, e punctul de intrare pentru căutare interactivă; pentru ingestie programatică există API-ul public Open Patent Services, gratuit, dar cu cote de utilizare corectă și cu un plafon de rezultate pe interogare — deci ingestia se face pe loturi, pe intervale de dată sau pe clase, nu într-o singură căutare largă.

Există însă o capcană pe care nimeni nu ți-o semnalează la demo: o cerere de brevet se publică la aproximativ 18 luni de la data depozitului. În România, regimul e stabilit de Legea nr. 64/1991 privind brevetele de invenție, iar publicarea în Buletinul Oficial de Proprietate Industrială are loc după acel termen, cu opțiunea publicării anticipate contra taxă. Tot ce s-a depus în ultimul an și jumătate e invizibil în orice corpus de brevete, oricât de bine l-ai indexa. Pentru o analiză de libertate de operare, absența unui rezultat nu înseamnă absența unui drept.

A doua capcană e teritorială. La iulie 2026, brevetul unitar european acoperă 18 state membre UE care au ratificat Acordul privind Curtea Unificată în materie de Brevete — România intră în această listă începând cu 1 septembrie 2024 — în timp ce restul statelor semnatare nu au ratificat încă, iar Spania, Polonia și Croația rămân complet în afara sistemului. Un sistem care răspunde „brevetul acoperă Europa” fără să distingă între validare națională, brevet unitar și state neparticipante produce o afirmație care sună competent și e greșită operațional.

Literatura științifică: metadate deschise, text integral condiționat

Aici distincția care contează e între metadate și text. Crossref, infrastructura care atribuie și întreține identificatorii DOI, conținea peste 180 de milioane de înregistrări de metadate la 14 martie 2026 — titluri, autori, afilieri, relații de citare, legături spre finanțatori. Toate acestea sunt deschise și interogabile prin API.

Textul integral e altă discuție și depinde de licență. Publicațiile finanțate prin Horizon Europe intră sub obligația de acces deschis din articolul 17 al acordului de grant: depunere într-un depozit de încredere, acces deschis imediat, fără embargo, sub licență Creative Commons Attribution sau echivalent. Acelea le poți indexa liniștit. Pentru restul, verifică licența înainte de ingestie — un PDF descărcat legal de un cercetător nu vine automat cu dreptul de a-l reindexa într-un sistem intern.

Regula practică: construiește indexul pe ce ai voie să stochezi, și păstrează DOI-ul ca ancoră pentru tot restul. Un rezultat care spune „această lucrare pare relevantă, iat-o” e util chiar dacă sistemul nu are textul.

Stratul intern: cel mai valoros și cel mai sensibil

Rapoartele de laborator, formulările, parametrii de proces, rezultatele de stabilitate. E singura parte a corpusului pe care concurența nu o are, deci singura care produce un avantaj real — și, simultan, partea a cărei scurgere costă cel mai mult.

Nu amesteca straturile într-un singur index doar pentru că e mai simplu. Modelul de permisiuni și motivele pentru care separarea la nivel de index bate filtrarea la nivel de răspuns sunt detaliate în controlul accesului în RAG.

Brevetele: revendicarea e unitatea, nu paragraful

Un chunking pe paragrafe de 800 de tokeni funcționează rezonabil pe documentație tehnică. Pe brevete, rupe documentul exact acolo unde se află informația juridică.

Independente și dependente

Un brevet are o structură fixă: titlu, domeniu, stadiul tehnicii, descrierea invenției, exemple de realizare și — la final — revendicările. Revendicările nu sunt un rezumat. Ele sunt textul care definește întinderea protecției; restul descrierii servește la interpretarea lor.

Structura lor e ierarhică. O revendicare independentă enunță invenția în forma cea mai largă. Fiecare revendicare dependentă adaugă o limitare și încorporează implicit tot ce spune revendicarea la care se referă. O revendicare dependentă citită izolat e literalmente incompletă: „Procedeul conform revendicării 1, în care temperatura este cuprinsă între 60 și 80 de grade” nu spune nimic despre ce procedeu e vorba.

Ce rupe segmentarea pe paragrafe

Trei lucruri, toate tăcute:

• Lanțul de dependență se pierde. Chunk-ul cu revendicarea 7 ajunge în index fără revendicarea 1, deci fără obiectul invenției. Regăsit și pus în context, produce o afirmație trunchiată despre ce e protejat.
• Granița dintre descriere și revendicări dispare. Un exemplu de realizare descris în corpul brevetului nu e protejat prin el însuși. Un sistem care nu distinge cele două zone va cita un exemplu ca și cum ar fi domeniul de protecție.
• Familia de brevete se fragmentează. Aceeași invenție apare ca zece publicații în zece jurisdicții, cu revendicări diferite de la o țară la alta. Indexate ca zece documente independente, produc zece răspunsuri contradictorii la aceeași întrebare.

Soluția e aceeași ca la chunking-ul pe clauze de contract, aplicată altei structuri: segmentează pe unitatea pe care autorii au marcat-o deja. Revendicarea devine chunk-ul, cu lanțul de dependență rezolvat la ingestie și cu identificatorul familiei de brevete ca metadată. Compromisurile generale de dimensionare rămân cele din strategiile de chunking.

Clasificarea CPC: un filtru bun, nu un răspuns

Fiecare publicație primește de la examinator unul sau mai multe coduri din schema Cooperative Patent Classification, întreținută în comun de EPO și USPTO, cu peste 250.000 de subdiviziuni organizate pe nouă secțiuni. E o adnotare manuală, făcută de un specialist, gratuită pentru tine — un filtru de metadate mult mai bun decât orice clasificator pe care l-ai antrena.

Folosește-l ca filtru și ca semnal de vecinătate: două documente clasificate în aceeași subgrupă, fără citare comună, sunt exact tipul de pereche pe care o cauți. Nu-l folosi ca răspuns — un cod CPC spune despre ce e documentul, nu ce revendică.

Riscul dominant: scurgerea internului într-o interogare externă

În celelalte cazuri de utilizare, riscul principal era răspunsul greșit. Aici e altul, și e mai puțin vizibil: o formulare internă care ajunge, prin însuși textul interogării, la un serviciu extern.

Două indexuri, un singur punct de trecere

Separă fizic indexul intern de cel extern și tratează trecerea dintre ele ca pe o graniță, cu un singur punct controlat. Un flux tipic de descoperire vrea să facă exact ce nu trebuie: ia rezultatul intern, îl reformulează într-o interogare și îl trimite la o sursă publică ca să caute literatura care îl explică.

Interogarea aceea conține, în clar, informația internă. Nu documentul — dar adesea partea care contează: combinația de compus, parametru și efect observat.

Reformularea automată e vectorul principal

Expansiunea de interogare, generarea de sinonime și pașii de tip multi-hop sunt exact ce ai nevoie pentru recall. Mecanica lor e descrisă în agentic RAG și multi-hop. Aplicate peste un corpus mixt, ele preiau formulări din documentele interne regăsite la primul pas și le împing în pasul următor, care poate fi o căutare externă sau un apel către un model găzduit de terț.

Trei măsuri, în ordinea raportului cost-beneficiu:

1. Marchează proveniența la nivel de chunk și interzice pe cod ca text provenit din stratul intern să intre într-o interogare care iese din perimetru.
2. Cere aprobare umană pentru trecerea de la o căutare internă la una externă, cu textul interogării vizibil înainte de trimitere.
3. Rulează local inferența pentru fluxurile care ating stratul intern, dacă politica de clasificare a datelor o impune. Partea de protecție a datelor personale e tratată separat în RAG și GDPR.

Jurnalul de interogări devine un activ sensibil

Un lucru care surprinde echipele: istoricul interogărilor unui departament de cercetare e, în sine, informație despre direcția de dezvoltare. Cine ce a căutat, în ce ordine, în ce săptămână. Tratează-l cu aceeași clasificare ca documentele pe care le interoghează — inclusiv la retenție și la accesul administratorilor. Aceeași logică de trasabilitate a dovezii, aplicată altui scop, apare în RAG pentru conformitate și audit intern.

Rezultatele negative: corpusul pe care nimeni nu-l scrie

Cea mai valoroasă parte a memoriei tehnice a unei companii e lista lucrurilor care nu au funcționat. E și singura care aproape nu există în formă scrisă.

Problema e de incitativ, nu de tehnică

Un cercetător documentează atent experimentul reușit, pentru că e baza unui raport, a unui brevet sau a unei publicații. Experimentul eșuat rămâne în caiet, într-un fișier local, sau nicăieri. Nimeni nu e evaluat pentru el, iar în multe organizații a-l scrie e perceput ca a-ți documenta propriul eșec.

Rezultatul e o companie care repetă, la doi-trei ani, aceeași încercare nereușită, de obicei după plecarea persoanei care o făcuse prima dată. Niciun sistem de regăsire nu rezolvă asta, pentru că nu ai ce regăsi.

Formatul minim care merită cerut

Nu cere un raport. Cere cinci câmpuri, într-un formular care se completează în zece minute: ce ai încercat, cu ce parametri, ce te așteptai, ce s-a întâmplat, ce ipoteză ai despre cauză. Fără concluzii, fără justificări.

Două condiții fac diferența între un formular completat și unul ignorat: intră în fluxul existent, nu într-un sistem separat, și e explicit că nu se folosește în evaluarea individuală. Dacă a doua condiție nu e credibilă în cultura organizației, nu porni proiectul — vei obține text scris pentru a fi citit de un evaluator, ceea ce e mai rău decât nimic.

De ce merită efortul

Un corpus de rezultate negative are o proprietate rară: e mic, dens și complet inaccesibil concurenței. Câteva sute de intrări de câte cinci propoziții acoperă mai mult teren util decât mii de pagini de literatură publică, tocmai pentru că descriu spațiul pe care l-ai explorat deja. Regăsirea peste el nu are nevoie de arhitectură complicată — are nevoie ca textul să existe.

Aceeași asimetrie apare, în altă formă, la RAG peste codul sursă: implementarea e completă și verificabilă mecanic, dar motivul pentru care arată așa stă în mesajele de commit și în discuțiile de review, nu în fișier.

Cum evaluezi un sistem de descoperire

Metricile obișnuite se aplică, dar cu greutăți schimbate. Cadrul complet e în cum evaluezi un sistem RAG; mai jos, doar ce e specific.

Recall@k și setul retrospectiv de conexiuni

Metrica dominantă e recall@k, nu precizia și nu fidelitatea răspunsului. Setul de referință se construiește retrospectiv, și e mai ușor decât pare: ia zece conexiuni pe care echipa le-a descoperit în ultimii ani — momentul în care cineva a realizat că o lucrare veche explica un rezultat — și verifică dacă sistemul le-ar fi propus, pornind doar de la documentele existente la data respectivă.

E un test dur și onest. Un sistem care nu regăsește conexiunile pe care oamenii le-au găsit deja nu are cum să le găsească pe cele necunoscute.

De ce nu găsești aici un procent de accelerare

Ai văzut, probabil, cifre de tipul „AI reduce timpul până la descoperire cu X%”. Nu găsești una în acest articol, deliberat.

Cel mai citat studiu din categoria asta, o lucrare despre efectul unui instrument de descoperire de materiale asupra a peste o mie de cercetători, a fost dezavuat public de instituția care îl găzduia: în mai 2025, MIT a anunțat că nu are încredere în proveniența, fiabilitatea sau validitatea datelor și a cerut retragerea preprintului, precizând explicit că rezultatele nu ar trebui folosite în discuții academice sau publice. Până atunci fusese preluat de presa economică și citat în documente de politici publice.

Restul cifrelor din spațiul acesta suferă de o problemă mai banală: numitorul diferă de la o sursă la alta. „Timp până la ipoteză” și „timp până la validare experimentală” sunt lucruri diferite cu ordine de mărime diferite, iar majoritatea materialelor care le raportează sunt produse de furnizori de instrumente. Măsoară pe corpusul tău, pe setul tău retrospectiv. E singura cifră care înseamnă ceva.

Pragul de oprire

Definește dinainte ce înseamnă succes, altfel proiectul devine nesfârșit prin construcție. O formulare care funcționează: sistemul propune, la o interogare tipică, cel puțin o sursă pe care cercetătorul nu o cunoștea și o consideră merituoasă, în cel puțin o treime din cazuri. Pragul e discutabil; important e să existe și să fie stabilit înainte de primele rezultate.

Granița față de ELN și LIMS — și când nu-ți trebuie nimic

Întrebarea vine de la echipa care deja are un caiet de laborator electronic sau un sistem de management al informațiilor de laborator: nu face asta deja?

Ce rămâne acolo unde e

ELN și LIMS sunt sisteme de înregistrare. Ele dețin proba, protocolul, lotul, instrumentul, operatorul, lanțul de custodie și trasabilitatea. Sunt structurate, auditabile și adesea reglementate. Nimic din ce urmează nu le înlocuiește și nu le duplică datele.

Ce adaugă stratul de model

Un ELN răspunde perfect la „arată-mi rezultatele lotului 4471”. Nu răspunde la „ce publicație explică de ce lotul 4471 s-a comportat altfel decât 4470”. Prima e o interogare structurată pe date proprii; a doua e o legătură între o observație internă și un corp de literatură externă pe care sistemul de înregistrare nu-l conține.

Stratul de regăsire stă deasupra, citește din ELN prin API și adaugă exact atât: legătura. Nu mută datele, nu devine sursă de adevăr pentru rezultate experimentale.

Pragul sub care o căutare în Espacenet ajunge

Dacă echipa face o căutare de brevete pe trimestru, pe un domeniu îngust și bine delimitat, o interogare bine construită în Espacenet, salvată și cu alertă activată, rezolvă problema la cost zero. Un sistem de regăsire propriu se justifică atunci când ai un corpus intern semnificativ de legat de cel extern, întrebări recurente și mai mulți oameni care le pun. Pragurile de decizie sunt tratate în când nu folosești RAG.

Întrebări frecvente

Pot indexa articolele științifice pe care le-am descărcat legal?

Depinde de licența fiecăruia, nu de modul în care ai obținut PDF-ul. Publicațiile sub licență deschisă — între care cele finanțate prin Horizon Europe, obligate la acces deschis imediat — se pot indexa. Pentru restul, indexează metadatele și rezumatul, păstrează DOI-ul ca ancoră și lasă textul integral acolo unde e licențiat.

Cum evit ca sistemul să confunde un exemplu din brevet cu ce e protejat?

Prin segmentare și metadate, nu prin prompt. Marchează fiecare chunk cu zona din care provine — descriere, exemplu de realizare, revendicare — și cere în răspuns ca afirmațiile despre întinderea protecției să citeze exclusiv chunk-uri de tip revendicare. Restul devine context, nu sursă.

Merită să indexez și cererile de brevet, nu doar brevetele acordate?

Da, pentru supraveghere tehnologică. O cerere publicată arată direcția în care lucrează un competitor, chiar dacă nu se va acorda niciodată. Marchează însă statutul în metadate și afișează-l în răspuns: o cerere respinsă și un brevet în vigoare nu au aceeași greutate.

Ce fac cu rapoartele vechi de laborator, scanate?

Aceeași ordine ca la orice corpus mixt: gate de calitate la ingestie, apoi reprocesare doar pentru documentele importante care pică testul. Principiile de pregătire sunt în baza de cunoștințe pentru RAG, iar prospețimea și reindexarea în prospețime, ștergeri și reindexare.

Câți oameni trebuie să folosească sistemul ca să se justifice?

Nu numărul de utilizatori decide, ci costul unei conexiuni ratate. Într-o echipă de cinci cercetători care lucrează pe o formulare cu ciclu de doi ani, o singură repetare evitată a unui experiment eșuat acoperă build-ul — cât costă un sistem RAG intern dă ordinul de mărime. Într-o echipă mare care face căutări de rutină, decizia seamănă mai mult cu un calcul obișnuit de productivitate.

Începe cu inventarul, nu cu instrumentul: câte documente interne sunt scrise și în ce format, ce parte din literatura relevantă e sub licență deschisă, și dacă există vreo urmă scrisă a experimentelor care nu au mers. Dacă al treilea răspuns e „nu”, acolo e primul proiect — și nu are nevoie de niciun model ca să înceapă.

Restul cazurilor de utilizare pe corpusuri de companie sunt adunate în hub-ul Cazuri de utilizare enterprise, iar imaginea completă a serviciului, de la arhitectură la costuri, în AI & RAG.