Разработка AI-чат-бота для e-commerce: RAG и семантический поиск

Клиент пишет «недорогой ноутбук для фотошопа» — и получает сотню нерелевантных результатов. Мы решаем это внедрением AI-чат-бота с RAG, который понимает намерение и контекст. Наша команда имеет 7+ лет опыта в AI/ML, реализовала более 20 проектов для интернет-магазинов, средний рост конверсии — 25%.

Почему AI-чат-бот повышает конверсию?

Обычный поиск по ключевым словам не понимает контекст: клиент пишет «недорогой ноутбук для фотошопа», а получает сотню моделей без учёта бюджета и задач. Бот на основе LLM с RAG понимает намерение, задаёт уточняющие вопросы и выдаёт 2–3 релевантных варианта с объяснением. RAG + LLM повышает add-to-cart rate на 50% по сравнению с keyword search (18% против 12%).

Как интегрировать бота с существующей CRM?

Мы подключаем бота к вашему API или используем готовые коннекторы к популярным платформам. Типовой стек интеграции:

from langchain.tools import StructuredTool

tools = [
    "search_products",      # поиск в каталоге
    "get_product_details",  # характеристики, фото, наличие
    "check_order_status",   # трекинг заказа
    "get_cart",             # текущая корзина
    "add_to_cart",          # добавление в корзину
    "apply_promo_code",     # применение промокода
    "initiate_return",      # оформление возврата
    "check_availability",   # наличие в городе/магазине
]

Каждый инструмент — HTTP-вызов к вашей CRM или каталогу. Бот сам определяет, какой инструмент вызвать, на основе запроса клиента.

Как проходит внедрение RAG?

Внедрение RAG-пайплайна включает несколько этапов:

1. A/B тест на реальных пользователях — сравниваем конверсию и containment rate.
2. Непрерывное обучение — корректируем эмбеддинги на новых данных.
3. Оптимизация latency — используем кэширование и vLLM для ответов под 200 мс.

Что входит в работу

1. Аудит — анализ текущих процессов поддержки и поиска, сбор типовых сценариев.
2. Проектирование — архитектура RAG, выбор LLM и векторной БД.
3. Разработка — написание бота на LangChain или LlamaIndex, интеграция с CRM и каталогом.
4. Обучение — дообучение модели (fine-tuning с LoRA) на исторических диалогах.
5. Тестирование — A/B-тест на реальных пользователях, автоматические сценарии.
6. Деплой — развёртывание на вашем сервере или cloud (SageMaker, Vertex AI).
7. Мониторинг — дашборд метрик и алерты на падение качества.
8. Обучение команды — документация и тренинг для операторов.

Что делать, если модель галлюцинирует?

Hallucination — распространённая проблема: бот может выдумать товар или акцию. Мы решаем это строгим RAG с проверкой наличия в каталоге и постобработкой ответа. Дополнительно используем ground truth из вашей базы и fine-tuning для снижения вероятности выдумок.

Кейс: увеличение AOV на 15% за счёт cross-sell

Для интернет-магазина электроники мы внедрили бота, который при добавлении товара в корзину предлагал совместимые аксессуары. За месяц средний чек вырос с 12 500 до 14 400 рублей. Дополнительно бот обрабатывал 80% вопросов о возвратах, разгрузив 3 операторов. Мы реализовали это через динамический cross-sell на основе правил ассортимента и персонализации.

Типичные ошибки при внедрении

• Hallucination модели — бот выдумывает товары или акции. Решение: строгий RAG с проверкой наличия в каталоге.
• Prompt injection — клиент заставляет бота игнорировать правила. Решение: фильтрация входных данных и system prompt с защитой.
• Задержки ответа — latency > 2с снижает конверсию. Решение: кэширование запросов и использование локальной LLM с vLLM.

Персонализация

Бот учитывает историю клиента: предыдущие покупки, возвраты, корзину. Это позволяет генерировать релевантные предложения: «Вы покупали X в прошлый раз — сейчас есть обновлённая версия Y по специальной цене». Сегментация предложений: новый клиент получает приветственный промокод, постоянный — информацию о программе лояльности.

Конверсионные механики

• Urgency signals: «Осталось 3 штуки», «Заканчивается через 2 часа» — бот упоминает при наличии.
• Cross-sell/Upsell: при добавлении в корзину — сопутствующие товары.
• Abandon cart recovery: если клиент уходит с незавершённым заказом — бот предлагает помощь.
• Price drop alerts: подписка на снижение цены через бота.

Метрики e-commerce бота

• Add-to-cart rate через бота vs без бота.
• Average order value: бот влияет через cross-sell.
• Containment rate: % вопросов, решённых без оператора.
• Bot-influenced revenue: revenue заказов, где клиент взаимодействовал с ботом.

Свяжитесь с нами для бесплатной консультации по вашему проекту. Закажите разработку бота под ключ — средний срок от 6 недель. Мы выдаём гарантию на качество ответов и SLA на uptime. Получите расчёт стоимости для вашего магазина.

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.