Умный AI-чат-бот для ресторанов: автоматизация заказов и бронирования

Ресторан теряет до 30% входящих заказов, если клиент ждёт ответа оператора дольше 20 секунд. Мы сталкивались с ситуацией, когда стоп-лист меняется каждые 15 минут, а бот предлагает уже закончившееся блюдо. Наш AI-чат-бот решает обе проблемы: принимает заказы за 30 секунд и синхронизирует статус блюд с кассовой системой в реальном времени. Вместо 3 минут ожидания — 30 секунд, и никаких ошибок из-за устаревшего стоп-листа.

Чат-бот обрабатывает заказ в 6 раз быстрее оператора. Экономия на персонале достигает 60% — вместо 5 операторов достаточно 1, а затраты на колл-центр снижаются втрое. Окупаемость наступает в течение 2–3 месяцев.

Какие проблемы решаем

Потеря заказов при пиковой нагрузке. В обеденное время операторы не успевают обработать все звонки — среднее ожидание превышает 2 минуты. Чат-бот обрабатывает 100% запросов мгновенно, используя асинхронные модели (например, GPT-4o с latency p99 < 1 с).

Ошибки в стоп-листе. Если синхронизация раз в час, бот продаёт то, чего нет на кухне. Мы настраиваем WebHooks от iiko или R-Keeper — стоп-лист обновляется за секунды. Посетители не сталкиваются с отказом после оформления.

Низкая конверсия из меню в заказ. Пользователь просматривает 10+ позиций и уходит. Мы внедряем RAG с векторной БД (например, Qdrant), чтобы бот рекомендовал блюда по параметрам: «что-то без глютена», «самое популярное горячее». Допродажа десертов и напитков поднимает средний чек на 15–20%.

Почему AI-чат-бот быстрее оператора?

Бот берёт на себя 80% рутинных вопросов: приём заказов, уточнение адреса, время доставки, бронирование. Оператор подключается только к сложным кейсам (жалобы, изменение состава для аллергика). Это сокращает потребность в колл-центре.

Источник: внутренние метрики по 50+ внедрениям

Интеграция с вашей кассовой системой

Мы подключаемся к iiko API, R-Keeper, Poster, 1С или создаём REST-прослойку для систем без публичного API. Для каждой разрабатываем модель данных: меню, стоп-лист, заказы, оплаты.

Пример кода обработки WebHook от iiko (Python + LangChain):

from fastapi import FastAPI, Request
from langchain.memory import ConversationBufferMemory

app = FastAPI()
@app.post("/webhook/iiko/stoplist")
async def update_stoplist(request: Request):
    data = await request.json()
    # обновляем векторную БД: удаляем embeddings закончившихся блюд
    qdrant_client.delete(collection_name="menu",
                         filter=data["stopList"]["items"])
    return {"status": "ok"}

Поддерживаемые POS-системы:

Как бот обрабатывает сложные модификации?

Для сложных модификаций, например «бургер без лука, но с двойным сыром», используем few-shot промпты с примерами. Модель дообучается на вашем меню с помощью fine-tuning, что позволяет корректно интерпретировать любые комбинации. Бот уточняет отсутствующие детали и подтверждает заказ перед отправкой на кухню.

Типичные риски и их устранение

Самая распространённая ошибка — игнорирование стоп-листа: бот предлагает блюда, которых нет на кухне. Мы подключаем WebHook-синхронизацию — задержка менее секунды.

Другая проблема — отсутствие контекста: клиент меняет заказ в середине диалога — бот теряет нить. Добавляем ConversationBufferMemory с ограничением в 200 токенов.

Процесс работы

1. Аналитика — изучаем текущие сценарии (заказ, бронирование, доставка), собираем примеры диалогов, определяем объём данных.
2. Проектирование — выбираем архитектуру (RAG + fine-tuning или готовый LLM), проектируем дерево диалогов.
3. Разработка — пишем микросервисы: NLU (Hugging Face Transformers), интеграция с POS, векторная БД, WebHook-обработчики.
4. Тестирование — имитация 1000+ сессий с разными сценариями (включая edge cases: аллергия, отсутствие блюда, смена адреса).
5. Деплой и мониторинг — запускаем на вашем сервере или в облаке (AWS, GCP), настраиваем дашборды (MLflow, Prometheus).

Сроки ориентировочно

От 2 недель до 2 месяцев в зависимости от количества POS-систем, необходимости обучения модели на специфической лексике и сложности логистической интеграции. Стоимость рассчитывается индивидуально — каждый проект уникален.

Что входит в работу

• Полноценный чат-бот с поддержкой Telegram, WhatsApp, ВКонтакте и виджета на сайте.
• Интеграция с вашей кассовой системой (реал-тайм синхронизация стоп-листа, меню, заказов).
• Обучение NLU-модели на вашем меню (не менее 50 примеров на каждое блюдо).
• Модуль отслеживания доставки с проактивными уведомлениями.
• Панель аналитики: конверсия, средний чек, популярные блюда, стоп-лист.
• Документация по API и обучение персонала (2–3 часа).
• Гарантия на код — 6 месяцев бесплатной технической поддержки.

Получите бесплатную консультацию — оценим ваш проект за 1 день. Закажите пилотный проект с гарантией результата. Свяжитесь с нами для обсуждения вашего ресторана.

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.