Ручная маршрутизация обращений: потери времени и ошибки
В государственных органах до 30% первичных обращений попадают не к тому исполнителю. Заявитель получает формальный отказ «не в нашей компетенции», а ответственный сотрудник тратит время на переадресацию. Результат — срыв сроков рассмотрения и рост повторных жалоб. Мы разработали AI-классификатор, который решает эту задачу: Accuracy@1 достигает 92–95% сразу после адаптации. Получите консультацию эксперта — мы проанализируем вашу текущую схему маршрутизации.
Как работает классификация и почему она точнее ручного распределения?
Рубрикаторы госорганов иерархичны: федеральный → ведомственный → территориальный. Обращение нужно отнести к правильному уровню и конкретному исполнителю. Мы применяем комбинацию семантического поиска по прецедентам и LLM-парсинга. Ручное распределение даёт Accuracy@1 60–70% и 20–30% ложных перенаправлений. AI-классификатор снижает false routing rate до 5% за счёт учёта территориальной принадлежности, неструктурированных вложений и временного контекста.
class RequestClassification(BaseModel): federal_rubric: str department_rubric: str responsible_unit: str responsible_officer: str | None territorial_scope: str subject_area: str requires_field_inspection: bool other_agencies: list[str] confidence: float def classify_request(text: str, attachments: list) -> RequestClassification: # Семантический поиск по базе прецедентов precedents = precedent_db.search(text, top_k=10) # Мультимодальная классификация при наличии вложений (фото, документы) if attachments: attachment_context = analyze_attachments(attachments) else: attachment_context = "" return llm.parse( build_routing_prompt(text, attachment_context, precedents), response_format=RequestClassification ) | Параметр | Ручная маршрутизация | AI-классификатор |
|---|---|---|
| Accuracy@1 | 60–70% | 92–95% |
| Accuracy@3 | 80–85% | 99%+ |
| Время на обращение | 5–15 мин | 0,5–2 сек |
| Доля повторных перенаправлений | 20–30% | <5% |
Особые случаи: вложения, геолокация, смешанные обращения
Вложения (фото, сканы, PDF) часто содержат ключевую информацию. Система автоматически извлекает текст, распознаёт объекты (например, ямы на фото) и геотеги. Если вложение нечитаемо, модель опирается на текст обращения и помечает случай как требующий экспертной оценки.
def extract_and_geolocate(text: str) -> GeoContext: addresses = ner_model.extract(text, entity_type="ADDRESS") located_objects = [] for addr in addresses: coords = geocoder.geocode(addr) if coords: admin_unit = geodata.get_admin_unit(coords) responsible = routing_matrix.get_responsible( issue_category=..., admin_unit=admin_unit ) located_objects.append(GeoObject( address=addr, coords=coords, responsible_org=responsible )) return GeoContext(objects=located_objects) Геокодирование — через Яндекс.Геокодер или Nominatim. Точность определения муниципального образования — 95%+.
Одно обращение часто содержит несколько разноплановых вопросов (например, «шумные соседи и сломанный лифт»). Система разбивает текст на независимые сегменты, каждый классифицирует отдельно, а затем консолидирует ответы. Срок рассмотрения считается по самому длительному сегменту.
Обучение классификатора и метрики
Основа — исторические данные. Критический этап — очистка от ошибочных перенаправлений (исключаем обращения, которые пересылались). Дополняем анонимизированными данными из аналогичных органов. Применяем Active Learning: эксперты размечают сложные кейсы, модель дообучается итерационно. Для оценки качества на новых рубриках применяем few-shot тестирование.
| Метрика | Целевое значение |
|---|---|
| Accuracy@1 | ≥ 92% |
| Accuracy@3 | ≥ 99% |
| False routing rate | < 5% |
| Среднее время классификации | < 2 сек |
Что даёт автоматизация?
За счёт автоматизации снижается нагрузка на сотрудников — они перестают быть «сортировщиками» и сосредотачиваются на содержательной работе. Экономия времени: от 15 минут на каждое обращение. Для органа с потоком 1000 обращений в день это более 200 часов рабочего времени в месяц, что эквивалентно экономии от $11k–16k в год.
Интеграция с системами документооборота
Поддерживаем СЭД: ДЕЛО, DIRECTUM, Docsvision, 1С:Документооборот. Система передаёт обращение уже с заполненной карточкой регистрации — исполнитель получает не email, а структурированную задачу с установленным сроком.
Процесс и сроки внедрения
- Аудит текущего процесса маршрутизации и данных.
- Разработка модели классификации (fine-tuning LLaMA 3 или GPT-4o, ансамбль с BERT-классификатором).
- Создание векторной базы прецедентов (Qdrant, 1536-dim эмбеддинги).
- Интеграция с вашей СЭД (настройка API, карточки, статусы).
- Дашборд аналитики и мониторинга.
- Документация, обучение операторов, гарантийная поддержка 6 месяцев.
Пилотный проект — от 4 недель. Полное внедрение с интеграцией — от 3 месяцев. Средний бюджет пилотного проекта — от 300 до 500 тыс. долларов, полное внедрение — от $10k–30k. Точные сроки и стоимость определяем после аудита вашей системы.
Типичные ошибки и их обработка
- Обращения с неполными данными (без адреса или темы).
- Синонимия рубрик (разные названия одной темы).
- Вложения без текста (только изображения) — модель маркирует их как «требует экспертизы».
Мы предусматриваем обработку каждого из этих кейсов. Гарантируем Accuracy@1 не ниже 90% после адаптации, иначе доработаем модель бесплатно.
Что входит в работу?
- Полный аудит текущей схемы маршрутизации и данных.
- Разработка и кастомизация модели классификации.
- Интеграция с вашей СЭД (API, карточки, статусы).
- Векторная база прецедентов с эмбеддингами.
- Дашборд аналитики и мониторинга.
- Обучение операторов и техническая документация.
- Гарантийная поддержка 6 месяцев.
Свяжитесь с нами для бесплатного аудита. Закажите пилотный проект — оцените результат на своих данных.