Автоматический аудит диалогов по чек-листу с бинарным AI-скорингом

Автоматический аудит диалогов по бинарному чек-листу

Оператор забыл поприветствовать клиента по имени — и диалог получил 8 из 10. Субъективно. Бинарный чек-лист сразу показал бы нарушение: критерий «Приветствие по имени» — не выполнен. Чек-листовый скоринг — строгая бинарная оценка: выполнен ли каждый обязательный пункт стандарта обслуживания или нет. В отличие от общей балльной шкалы, чек-лист даёт однозначный ответ по каждому критерию: да/нет. Мы разрабатываем AI-системы, которые автоматизируют этот процесс, исключая человеческий фактор и сокращая время аудита на 70–80%. Экономия бюджета на оплате труда аудиторов составляет от 40% до 70% при сохранении полноты контроля. Окупаемость внедрения — 3–4 месяца за счёт снижения операционных расходов.

Как LLM проверяет каждый пункт чек-листа?

Современные языковые модели (LLM) способны анализировать диалог и для каждого критерия находить релевантные фрагменты. Например, для пункта «Представление своего имени» модель ищет фразу вида «меня зовут Анна» в первых репликах оператора. Если фраза найдена — критерий засчитан. Если нет — фиксируется нарушение с указанием контекста. Мы используем structured output и chain-of-thought промптинг для повышения точности.

class ChecklistItem(BaseModel):
    criterion: str
    passed: bool
    evidence: str | None    # цитата из диалога, подтверждающая оценку
    comment: str | None

class ChecklistAudit(BaseModel):
    items: list[ChecklistItem]
    total_score: float      # % выполненных пунктов
    critical_failures: list[str]  # обязательные пункты, которые не выполнены

Пример промпта для чек-листа: система получает диалог и чек-лист в формате JSON. Промпт содержит инструкцию: «Для каждого критерия определи, выполнено ли требование. Ответь в формате JSON со списком объектов ChecklistItem. Приведи evidence — прямую цитату из диалога». Критические ошибки (грубость, нарушение политик) обнуляют итоговую оценку независимо от остальных пунктов.

Почему бинарный скоринг точнее балльной шкалы?

Балльные шкалы (например, 1–10) страдают субъективностью: разные аудиторы ставят разные оценки за одно и то же. Бинарный чек-лист — детерминированный стандарт. Сравнение на эталонной выборке из 500 диалогов:

Бинарный подход на 15% точнее и в 6 раз быстрее. Дополнительное преимущество — полная воспроизводимость: повторный прогон даёт тот же результат. Это подтверждено на практике: после внедрения AI-скоринга в одном контакт-центре мы сократили штат аудиторов с 12 до 3 человек, сохранив полноту контроля. Экономия бюджета в этом проекте превысила 60% ежегодно.

Процесс внедрения и наши гарантии

Мы поставляем всё необходимое для запуска за 2–4 недели:

• Документация чек-листа — версионированный YAML-файл с критериями, весами и правилами критических нарушений.
• API-доступ — REST-эндпоинт для отправки диалогов и получения оценок (формат JSON).
• Модель — инференс на вашем GPU (vLLM, TGI) или через SageMaker/Vertex AI.
• Обучение — 2-часовая сессия для команды качества по интерпретации результатов.
• Техподдержка — сопровождение первые 30 дней, включая калибровку промптов.

Что входит в работу по внедрению

1. Анализ — ревизия текущего чек-листа, сбор 50–100 эталонных диалогов с разметкой.
2. Проектирование — разработка промптов, определение порогов критичности.
3. Реализация — настройка LLM (фью-шот, при необходимости fine-tuning LoRA).
4. Тестирование — A/B-эксперимент на 200 диалогах, достижение target accuracy ≥93%.
5. Деплой — упаковка в Docker, CI/CD пайплайн, мониторинг latency p99.

Сроки и гарантии

Ориентировочно: от 2 недель (простой чек-лист, до 30 пунктов) до 6 недель (сложный чек-лист с ветвлениями и fine-tuning). Мы гарантируем точность не ниже 92% на ваших данных — это закреплено в договоре. Наш опыт: 5+ лет в AI, 50+ проектов по автоматизации качества, сертификация по стандартам ISO 9001 и лицензия на разработку ПО.

Чтобы запустить пилотный проект на 100 диалогах за 3 дня, свяжитесь с нами. Закажите пилот, чтобы убедиться в эффективности.

По данным исследования Chain-of-thought prompting в задачах классификации.

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.