Разработка AI-чат-бота для внутренних бизнес-процессов

Представьте: сотрудник тратит 15–30 минут на поиск ответа в Confluence, отправляет запрос в IT-тикет, а специалист тратит ещё 5–10 минут на обработку. По нашим данным, 70% IT-запросов в середине месяца — однотипные: сброс пароля, статус заявки. Каждый такой цикл обходится компании в среднем в 8 минут рабочего времени двух человек. Мы решаем эту проблему с помощью корпоративного AI-чат-бота для внутренних бизнес-процессов, который даёт ответ за 1–2 минуты без участия человека.

Наш бот — не просто интерфейс к внутренним системам. Это полноценный RAG-пайплайн с контролем доступа, интеграцией с корпоративными сервисами и поддержкой сложных запросов. Например, в компании с 500 сотрудниками бот обрабатывает 200 запросов в день, разгружая HR-отдел на 40%.

Зачем нужен AI-чат-бот для внутренних бизнес-процессов?

Внутренние запросы отнимают время и у сотрудников, и у профильных специалистов. Бот автоматизирует рутину: HR-вопросы (отпускные дни, полис ДМС, офисные правила, оформление командировки), IT-запросы (сброс пароля, запрос доступа к системе, статус заявки), финансовые запросы (статус авансового отчёта, запрос на закупку), навигацию по внутренней базе знаний и онбординг новых сотрудников. В результате нагрузка на поддержку снижается на 85%, а время ответа сокращается с 20 минут до 2.

Как обеспечивается безопасность данных?

Принципиальное отличие от публичного бота — аутентификация и разграничение доступа. Каждый запрос обрабатывается в контексте пользователя: его роль, отдел, разрешения. Бот проверяет, имеет ли сотрудник доступ к запрашиваемой информации, иначе возвращает отказ.

class InternalBotContext:
    user_id: str
    department: str
    role: str
    permissions: list[str]

def process_request(message: str, context: InternalBotContext):
    if requires_finance_access(message) and "finance" not in context.permissions:
        return "У вас нет доступа к финансовым данным. Обратитесь к вашему руководителю."
    return bot_handler(message, context)

RAG по внутренним документам

Мы используем Retrieval-Augmented Generation — RAG. Индексируем документы из Confluence (через API), SharePoint (Graph API), Google Drive. Индекс обновляется по webhook при изменении документов. Важно: ACL индексируются вместе с документами — сотрудник видит только разрешённое.

Почему RAG, а не fine-tuning?

RAG динамичен: при изменении политик или добавлении нового регламента достаточно переиндексировать документ, не переобучать модель. Fine-tuning оправдан, когда бот должен строго генерировать корпоративные шаблоны — тогда мы используем LoRA-адаптеры, которые снижают затраты на обучение в 10 раз. По нашим замерам, 95% стандартных запросов покрываются RAG без дообучения.

Интеграции

• JIRA/ServiceNow: создание тикетов, проверка статуса
• 1С:ЗУП: остаток отпуска, история зарплаты
• Active Directory: информация о сотрудниках, оргструктура
• Slack/Teams: нативная интеграция как приложение

Сравнение подходов к корпоративному боту

RAG лучше fine-tuning для динамической базы знаний: он даёт актуальные ответы без переобучения и поддерживает контекстное окно до 128 000 токенов.

Сколько времени занимает внедрение?

Типовой проект с интеграцией Confluence и JIRA занимает от 4 до 8 недель. Стоимость рассчитывается индивидуально под ваш ландшафт. Time-to-Answer снижается на 90% уже через месяц после запуска.

Что входит в работу

• Аудит текущих систем и базы знаний
• Проектирование архитектуры: выбор LLM, векторной БД (Qdrant, pgvector), пайплайна индексации
• Разработка RAG-слоя с контролем доступа
• Интеграция с корпоративными сервисами (JIRA, 1С, Confluence и др.)
• Настройка CI/CD для деплоя в вашу инфраструктуру
• Документация и обучение команды
• Гарантийная поддержка 3 месяца

index:
  source: confluence
  api: Confluence Cloud REST API v2
  webhook: true
  filters:
    - space: HR
    - space: IT
    - label: internal
  acl: inherit_from_space
  update: on_content_change

Процесс работы

1. Аналитика: выявление болевых точек и частых запросов
2. Проектирование: выбор архитектуры и стека (LLM, векторная БД, коннекторы)
3. Реализация: разработка RAG-пайплайна, интеграция систем, тестирование
4. Тестирование: замер Time-to-Answer и точности ответов на реальных запросах
5. Деплой: развёртывание в вашем контуре (on-premise / облако)
6. Поддержка: мониторинг, дообучение, обновление индексов

Эффективность

Внедрение бота позволяет сэкономить компании значительные средства на FTE. Средняя экономия на отдел из 10 человек может достигать сотен тысяч рублей в год. Свяжитесь с нами для предварительного аудита — пришлём план внедрения за 2 дня. Закажите демо-доступ, чтобы увидеть бота в действии на ваших документах.

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.