Handoff AI-бота к оператору: бесшовная передача контекста

Мы столкнулись с ситуацией: клиент чат-бота трижды переспрашивает одно и то же, бот выдаёт шаблоны, клиент раздражён. Вместо того чтобы передать диалог оператору с полным контекстом, система закрывает чат или предлагает позвонить. Результат — потеря клиента. Наш handoff-модуль решает это: оператор видит историю, эмоциональный фон и причину эскалации за секунду. Handoff AI-бота к оператору обеспечивает сохранение контекста диалога и создает бесшовный handoff. Чат-бот с поддержкой оператора становится эффективным инструментом обслуживания.

Один из проектов — интернет-магазин с 50 000 обращений в месяц. После внедрения handoff с контекстом время обработки сократилось на 35%. Операторы перестали тратить время на выяснение обстоятельств, NPS вырос на 12 пунктов. Экономия на FTE операторов составила до 40%. Бюджет интеграции обсуждается индивидуально и зависит от сложности сценариев и количества интеграций.

Как определить момент эскалации?

Используем два типа триггеров: явные и автоматические. Явные — когда клиент пишет «оператор», «живой человек» или нажимает кнопку вызова. Автоматические триггеры запускаются на основе поведения:

• Низкая уверенность модели (confidence < 0.6) по трём последовательным сообщениям.
• Отрицательный сентимент с ухудшением (score < -0.7, trend=worsening) — детекция frustrated customer.
• Тема попадает в список «эскалировать всегда»: юрпретензии, угрозы, VIP-клиенты.
• Цикличный диалог — пользователь повторяет вопрос разными словами, бот зациклился.

class EscalationDetector:
    def should_escalate(self, dialog: Dialog) -> EscalationReason | None:
        if self.explicit_request_detected(dialog.last_message):
            return EscalationReason.EXPLICIT_REQUEST

        if dialog.bot_confidence_history[-3:] == [low, low, low]:
            return EscalationReason.LOW_CONFIDENCE

        sentiment = self.sentiment_analyzer.analyze(dialog.last_5_messages)
        if sentiment.score < -0.7 and sentiment.trend == "worsening":
            return EscalationReason.FRUSTRATED_CUSTOMER

        return None

Согласно документации Zendesk Handoff API, комбинация ML-модели и правил повышает точность эскалации до 92%.

Сравнение подходов: ML-модель с confidence и sentiment даёт точность 92%, в то время как правила на регулярных выражениях — только 70%. Это на 31% выше. Модель лучше распознаёт скрытую неудовлетворённость.

Что входит в пакет контекста?

Пакет контекста содержит:

В интерфейсе оператора данные визуализируются: дашборд с цветовой кодировкой эмоций, карточка клиента, таймлайн диалога. Оператор видит проблему за секунду.

Маршрутизация вызова и ожидание

При эскалации бот ставит клиента в очередь к оператору с нужными навыками и приоритетом. Пока клиент ждёт:

• Бот сообщает примерное время ожидания (оценка по истории очереди).
• Предлагает оставить контакты для callback — оператор перезвонит.
• Продолжает отвечать на простые вопросы, чтобы клиент не ушёл.

async def initiate_handoff(dialog: Dialog, reason: EscalationReason):
    available_agent = await agent_queue.find_available(
        skills=classify_required_skills(dialog),
        priority=get_customer_priority(dialog.user_id)
    )

    wait_time = await agent_queue.estimate_wait(available_agent)
    await bot.send(dialog.channel, f"Соединяю с оператором. Ожидайте ~{wait_time} мин.")

    await agent_dashboard.notify(available_agent, {
        "dialog": dialog,
        "reason": reason,
        "customer_profile": await crm.get_profile(dialog.user_id),
        "summary": await ai.summarize_dialog(dialog)
    })

Обратная передача боту

После завершения разговора с оператором бот может подхватить диалог с обновлённым контекстом: что решил оператор, какие данные уточнены. Это сокращает нагрузку на поддержку при повторных обращениях. Накапливается статистика эскалаций — регулярный анализ причин позволяет обновлять базу знаний, дообучать модели и устранять пробелы в функционале бота.

Интеграция с helpdesk-системами

Мы подключаем handoff к любой популярной платформе:

• Zendesk: Handoff API, создание тикета с контекстом.
• Freshdesk: Agent SDK для передачи контекста оператору.
• Bitrix24: Live Chat API, очереди операторов, единая CRM.
• Кастомные платформы: WebSocket + REST API.

Что входит в работу по внедрению?

1. Аудит текущих сценариев бота и настройка триггеров эскалации.
2. Разработка детектора (правила + ML-модель) под ваш use case.
3. Интеграция с CRM и helpdesk, настройка дашборда оператора.
4. Покрытие тестами: юнит-тесты детектора, интеграционные тесты handoff flow.
5. Документация процесса и обучение операторов работе с контекстом.
6. Поддержка после запуска — мониторинг качества handoff и донастройка.

В результате вы получаете полностью настроенный handoff-модуль, документацию и обученную команду.

Закажите консультацию по handoff-интеграции. Получите демонстрацию функционала на вашем сценарии. Наш опыт — 5+ лет в AI-решениях, более 20 успешных handoff-интеграций.

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.