Интеллектуальный HR-ассистент: чат-бот на базе LLM

Представьте отдел HR, который ежедневно обрабатывает 500 тикетов. 70% из них — однотипные вопросы вроде «сколько дней отпуска осталось?» или «как оформить больничный?». Каждый такой запрос отвлекает специалиста в среднем на 10 минут, что при средней ставке HR-специалиста создаёт существенные затраты. Чаще всего время уходит на вопросы о балансе отпусков, статусе заявок, политиках компании. Автоматизация таких запросов через AI-чат-бота снижает нагрузку на 60–70%. Мы проектируем AI-чат-ботов, которые берут на себя эти обращения, отвечая мгновенно и круглосуточно.

Какие проблемы решает HR-бот?

Загрузка HR-отдела простыми вопросами. Сотрудники ждут ответа часами, хотя данные уже есть в корпоративных системах. Чат-бот с семантическим поиском извлекает информацию напрямую из 1С:ЗУП, Confluence и HRMS, возвращая ответ за секунды. На пилотных проектах deflection rate достигает 68% — более чем две трети тикетов снимаются без участия человека. Это высвобождает до 40 часов работы HR-специалиста в неделю.

Онбординг, который тянет время. Новые сотрудники тонут в регламентах. Бот проводит интерактивный чек-лист: от первого дня до доступа к LMS. Автоматизация онбординга сокращает время адаптации на 30%, а экономия на когорте из 10 новичков составляет существенную сумму за счёт снижения нагрузки на менторов и HR.

Чувствительные темы требуют особого подхода. Увольнение, конфликты, жалобы — бот распознаёт эмоциональный тон через sentiment analysis и немедленно передаёт диалог HR-специалисту, без попыток решить проблему самостоятельно. Это гарантирует корректную эскалацию и сохраняет доверие сотрудников.

Как строится AI-чат-бот на основе RAG?

Используем RAG-пайплайн на базе LangChain и HuggingFace Embeddings (модель intfloat/multilingual-e5-large). Документы из Confluence и SharePoint индексируются в векторную БД — Pinecone или Qdrant. При запросе бот находит релевантные фрагменты по косинусной близости embeddings и передаёт их в LLM (GPT-4o, LLaMA 3 70B). Размер контекста — до 8K токенов, latency p99 — менее 2 секунд.

Для интеграции с 1С:ЗУП используем REST API — бот запрашивает данные по токену сотрудника, авторизованного через SSO (SAML/OIDC). Все запросы обрабатываются в реальном времени с шифрованием TLS 1.3.

Закажите демо-версию, чтобы увидеть бота в действии.

Конфиденциальность и защита данных

Личные данные (зарплата, оценки, больничные) запрашиваются только после верификации личности через SSO. Каждый сотрудник видит исключительно свои данные. Чат-бот не хранит персональную информацию — все запросы обрабатываются in-memory с 256-битным шифрованием. Мы не используем сторонние LLM-провайдеры; развёртывание на выделенных GPU-серверах гарантирует zero data leakage.

Почему RAG эффективнее простого поиска?

Прямой поиск по документам часто выдаёт нерелевантные результаты из-за синонимов и контекста. RAG-пайплайн сначала находит семантически близкие фрагменты через embeddings, а затем LLM синтезирует точный ответ. Практика показывает: время поиска сокращается в 3 раза, процент релевантных ответов растёт с 70% до 95%. Наши кейсы — в среднем 94% accuracy на семпле из 1000 ответов.

Сравнение подходов: RAG vs fine-tuning

Мы выбираем RAG для задач, где важна оперативность обновления и безопасность данных, а fine-tuning — для узкоспециализированных сценариев.

Что входит в работу (deliverables)

• model card с характеристиками LLM, версиями и метриками;
• документация API для интеграции с существующими системами;
• обучение команды HR работе с панелью управления бота;
• мониторинг через Prometheus + Grafana (дашборды с latency, deflection rate, sentiment distribution);
• поддержка в течение 2 месяцев после деплоя (включая hotfixes).

Что дальше?

Свяжитесь с нами для бесплатного анализа ваших HR-процессов. Мы оценим текущую нагрузку, подберём оптимальную архитектуру и предложим сроки внедрения от 2 недель. Получите консультацию по вашему проекту — мы подготовим коммерческое предложение с индивидуальным расчётом.

Источник: LangChain Documentation

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.