Разработка AI-системы классификации обращений и приоритетов

Разработка AI-системы автоматической классификации обращений по тематике и приоритету

Ваш сервис-деск обрабатывает 500+ заявок ежедневно. Треть — критичные P1, но ручная сортировка затягивает первый ответ и множит SLA-нарушения. Клиенты уходят, LTV падает. Мы решаем это через двумерную AI-классификацию: модель одновременно определяет тему обращения и его приоритет. Такой подход ускоряет обработку в 3 раза по сравнению с ручной сортировкой. Один из клиентов в ритейле сократил SLA-нарушения на 40% после внедрения. Система использует квантизированные LLaMA 3 с INT4 для экономии GPU-памяти.

Как AI-система определяет приоритет обращения?

Приоритет вычисляется не по ключевым словам, а по композитному сигналу: сегмент клиента (VIP → повышенный), повторность (третье обращение по одной теме → эскалация), эмоциональный фон (гнев → P1) и финансовый ущерб (упоминание потерь). Все сигналы взвешиваются в едином запросе к LLM с JSON-выходом:

class TicketClassification(BaseModel):
    topic: str
    subtopic: str | None
    priority: Literal["P1", "P2", "P3", "P4"]
    sentiment: Literal["positive", "neutral", "negative", "angry"]
    is_escalation_required: bool
    reasoning: str

def classify_ticket(text: str, customer_profile: dict) -> TicketClassification:
    prompt = f"""Классифицируй обращение.
Учти контекст клиента: {format_profile(customer_profile)}

Обращение: {text}"""
    return llm.parse(prompt, response_format=TicketClassification)

Почему важна двумерная классификация?

Однозначная классификация темы или приоритета в отрыве друг от друга приводит к ошибкам маршрутизации. Например, не могу оплатить может быть биллингом (P2) или срочным платежом (P1), если клиент VIP. Двумерная классификация даёт точность 95% (по экспертной разметке) и снижает ложные эскалации на 30%.

Сравнение: правило-базированная vs AI-классификация

Мы используем гибридный подход: правила для чётких паттернов («не работает сайт» → P1), AI — для неоднозначных случаев.

Выбор модели: GPT-4o vs Claude 3.5 vs LLaMA 3

Выбор модели зависит от ваших SLA по latency и бюджета. Для high-load систем рекомендуем LLaMA 3 с INT4 квантизацией — это даёт экономию средств до 60% без значительной потери точности. Подробнее о моделях читайте на Wikipedia: Large language model.

Как строится система классификации под ключ

Процесс включает 5 этапов:

1. Аудит данных — собираем и размечаем выборку (500–1000 обращений). Типичные ошибки — путаница между темой и подтемой («жалоба» vs «претензия»).
2. Выбор модели — тестируем GPT-4o, Claude 3.5 Sonnet или локальную LLaMA 3 70B под ваши объёмы и latency. Применяем квантизацию INT4 для снижения cost-per-token на 60%.
3. Интеграция — подключаем модель к API, добавляем кэширование на ChromaDB для однотипных запросов, настраиваем мониторинг accuracy и latency p99.
4. Динамическая переклассификация — если обращение не обработано за X часов, система автоматически повышает приоритет на один уровень. При изменении тональности с негативной на агрессивную — пересчёт с эскалацией.
5. Деплой и поддержка — разворачиваем через vLLM или Triton Inference Server. Опыт нашей команды — 5+ лет в ML-продакшене, десятки внедрений в ритейле и финтехе.

Что входит в работу

• Обученная модель с точностью 90%+ на ваших данных
• REST API с OpenAPI-документацией
• Интеграционный модуль для вашей CRM (Bitrix24, AmoCRM, Zendesk)
• Дашборд мониторинга в Grafana: распределение тем, приоритетов, violation-статистика
• Двухнедельная поддержка после релиза с коррекцией модели

Ориентировочный срок проекта — от 3 до 5 недель в зависимости от объёма данных и сложности интеграции. Точную оценку дадим после бесплатного аудита. Закажите разработку системы и получите консультацию по вашим данным. Свяжитесь с нами, чтобы начать.

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.