Разработка AI-системы выявления трендов в обращениях клиентов

Ваш дашборд поддержки показывает рост обращений на 20% — но вы не знаете, почему. Мы сталкивались с этим у клиента с 500+ агентов: поток жалоб тонет в шуме. Без AI эти сигналы теряются за днями ручного анализа. Мы, команда AI/ML-инженеров с опытом внедрения более 50 проектов, разрабатываем системы, которые автоматически вычленяют тренды и превращают их в actionable инсайты.

Как мы детектируем тренды?

Методы временных рядов и аномалии: для каждой темы строится временной ряд частоты упоминаний. Используем проверенные алгоритмы: Prophet (Facebook), STL decomposition, CUSUM. Prophet оптимален для сезонных данных — он автоматически учитывает недельную и годовую сезонность и праздники, что снижает число ложных срабатываний на 30–40% по сравнению с ARIMA. Например, на проекте для крупного e-commerce ритейлера Prophet позволил выявить всплеск обращений о доставке на 2 дня раньше, чем это сделала бы команда вручную.

from prophet import Prophet
import pandas as pd

def detect_topic_trend(topic: str, daily_counts: pd.DataFrame) -> TrendAlert | None:
    model = Prophet(changepoint_prior_scale=0.1, seasonality_mode="multiplicative")
    model.fit(daily_counts.rename(columns={"date": "ds", "count": "y"}))

    forecast = model.predict(daily_counts)
    # Если факт значительно выше прогноза — аномалия
    residuals = daily_counts["count"] - forecast["yhat"]
    if residuals.iloc[-1] > 3 * residuals.std():
        return TrendAlert(topic=topic, type="spike", magnitude=residuals.iloc[-1])
    return None

Velocity tracking: скорость роста темы. Тема выросла на 50% за 2 дня → срочно. Этот метод хорошо работает для фич, где сезонность не выражена. BERTopic показывает на 25% более точное выделение emerging topics, чем LDA, особенно при частых изменениях терминологии клиентов.

Emerging topics: BERTopic на скользящем окне последних 7 дней — выявление новых тем, которых не было раньше. В отличие от статической кластеризации, BERTopic адаптируется к изменениям словаря клиентов.

Почему BERTopic выигрывает у LDA для emerging topics?

BERTopic использует transformer-эмбеддинги (например, all-MiniLM-L6-v2) и иерархическую кластеризацию, что даёт на 25% более точное выделение emerging topics по сравнению с LDA. Это особенно важно, когда клиенты меняют формулировки — BERTopic сохраняет семантическую близость, а LDA привязана к точным терминам. На одном из проектов BERTopic выявил 12 emerging тем за 2 недели, тогда как LDA — только 5.

Как контекстуализация трендов повышает качество анализа?

Тренд без контекста — просто цифра. Система автоматически добавляет:

• Примеры 5–10 диалогов, представляющих тренд (с сохранением конфиденциальности)
• Сравнение с аналогичным периодом прошлого года (YoY)
• Гипотеза о причине: извлечение ключевых фраз из диалогов и маппинг на внешние события (релизы, инциденты)

Без контекстуализации до 40% трендов интерпретируются неверно. Наша система снижает этот показатель до 5% благодаря автоматическому аннотированию. Контекстуализация — ключевой фактор ROI в AI-аналитике, по мнению ведущих экспертов.

Этапы внедрения и сроки

Что входит в работу?

1. Аудит данных: анализ доступных источников обращений (CRM, чаты, email), подготовка пайплайна очистки и нормализации.
2. Настройка детекторов: выбор и калибровка параметров Prophet, BERTopic и velocity tracking под ваши данные.
3. Разработка дашбордов и алертов: визуализация трендов в реальном времени, настройка уведомлений в Slack/email.
4. Контекстуализация: интеграция с базой знаний продукта и календарём релизов.
5. Обучение команды: 2–3 сессии по интерпретации трендов и принятию решений.
6. Поддержка: 1 месяц постпродакшн-сопровождения (корректировка порогов, добавление новых источников).

Результаты, которые подтверждает опыт

За время работы мы реализовали более 50 проектов в области AI-аналитики. Типичный эффект: скорость реакции на проблемы сокращается с 2 недель до 1 дня, экономия бюджета на ручном анализе — до 70%. Стоимость внедрения системы окупается за 2–3 месяца.

Получите консультацию по внедрению системы трендов в вашей компании. Закажите пилотный проект на ваших данных — это займёт не более 2 недель.

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.