Разработка AI-системы автоматического создания тикета после обращения

После завершения диалога с клиентом оператор тратит 2–5 минут на ручное заполнение тикета. При нагрузке 200 обращений в день это отнимает до 16 человеко-часов. Это не только затраты времени, но и ошибки: пропущенные поля, неверная категория, потерянные детали. Мы заменяем эту рутину на AI-агента, который анализирует стенограмму и за секунды создаёт структурированный тикет с категорией, приоритетом и извлечёнными данными. Оператору остаётся нажать «Подтвердить» — в 80–90% случаев правки не нужны. Система работает с любым helpdesk, поддерживающим API, и использует современные LLM: GPT-4, Claude или LLaMA.

«Благодаря автоматизации мы сократили время обработки обращений на 65%» — Иван, руководитель support.

Автоматическое создание тикета с помощью AI

Ключевая задача — превратить неструктурированный диалог в формализованный тикет. AI-модель выделяет суть, категорию, приоритет и дополнительные атрибуты. Архитектура решения проста: после завершения разговора транскрипт отправляется в LLM, которая возвращает JSON с полями тикета.

Как AI извлекает данные из диалога?

После завершения разговора AI-модель получает транскрипт и генерирует тикет со следующими полями:

class AutoGeneratedTicket(BaseModel):
    subject: str                     # краткое описание проблемы
    description: str                 # развёрнутое описание с деталями
    category: str                    # тип обращения
    priority: Literal["P1","P2","P3","P4"]
    customer_sentiment: str          # эмоциональное состояние клиента
    resolution_provided: bool        # была ли решена проблема
    follow_up_required: bool         # нужно ли дополнительное действие
    follow_up_description: str | None
    extracted_entities: dict         # номера заказов, продукты, суммы
    tags: list[str]                  # для поиска и аналитики

Каждое поле заполняется на основе контекста. Приоритет определяется по тональности и ключевым словам — например, если клиент говорит «срочно», priority повышается до P1. Категория маппится из фраз: «не приходит письмо» → «Почтовые уведомления».

Почему это быстрее ручного ввода?

Ручное создание: выбрать категорию (3–10 секунд), написать описание (60–120 секунд), расставить теги (10–30 секунд). Итого 2–5 минут. AI делает то же самое за 20–30 секунд, включая транскрибацию и генерацию. Сравнительная таблица:

Экономия: AI в 10 раз быстрее и сокращает операционные расходы на 60–80%. Закажите демо-версию, чтобы увидеть систему в действии.

Интеграция с helpdesk

После генерации тикет автоматически создаётся в вашей системе через API. Пример для Zendesk:

zendesk.tickets.create(
    subject=ticket.subject,
    comment={"body": ticket.description},
    priority=ticket.priority.lower(),
    tags=ticket.tags,
    custom_fields=[{"id": CATEGORY_FIELD_ID, "value": ticket.category}]
)

Оператор получает уведомление: «Тикет создан автоматически — проверьте и скорректируйте при необходимости». Система поддерживает Zendesk, Jira Service Management, Freshdesk, Bitrix24, OTRS и кастомные REST API. Если нужна другая система — напишите, мы добавим.

Что входит в разработку?

Мы реализуем решение под ключ за 2–4 недели. Этапы:

1. Аудит текущих процессов helpdesk и типов обращений, сбор примеров диалогов.
2. Проектирование промптов и схемы тикета: поля, приоритеты, категории.
3. Интеграция с вашей helpdesk-системой через REST API или вебхуки.
4. Настройка LLM (GPT-4, Claude или LLaMA) для извлечения данных с few-shot примерами.
5. Тестирование на исторических диалогах — добиваемся точности ≥90% по каждому полю.
6. Обучение операторов: как проверять и корректировать автоматически созданные тикеты.
7. Подготовка документации и кодовой базы, готовой к расширению.
8. Поддержка 3 месяца после внедрения: мониторинг, донастройка, обновление промптов.

Дополнительная таблица — время выполнения этапов:

Типичные ошибки при ручном тикетировании

• Пропуск поля customer_sentiment — невозможно оценить срочность.
• Неверная категория из-за неоднозначных формулировок.
• Потеря контекста при пересказе.

AI исключает эти ошибки: он всегда заполняет все поля на основе полного контекста.

Наш опыт и гарантии

Мы разрабатываем AI-решения более 5 лет. За это время внедрили более 50 проектов в ритейле, финтехе и логистике. Имеем лицензию на разработку ПО и сертификаты по работе с OpenAI и Hugging Face. На все интеграции даём гарантию 6 месяцев. При возникновении проблем реагируем за 2 часа. Каждый проект проходит двухэтапное тестирование: на синтетических данных и на реальных диалогах. Мы фиксируем метрики точности по каждому полю и предоставляем отчёт. Если точность падает ниже 90% на новом типе обращений, бесплатно донастраиваем промпты.

Хотите автоматизировать создание тикетов? Свяжитесь с нами — оценим ваш проект бесплатно. Получите консультацию по выбору модели и срокам внедрения.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.