AI-аналитика обращений: поиск корневых причин системных проблем

Как мы строим AI-систему для анализа обращений

Представьте: 3 000 однотипных обращений в день, L2-инженеры тратят по 2 часа на разбор каждого. Проблема — в новой версии библиотеки, но её замечают через неделю, когда потеряна выручка. AI-система корневых причин ловит такой паттерн на этапе 10–15 обращений, сокращая время обнаружения до 15 минут. За 3 недели проект окупается за счёт снижения нагрузки на поддержку.

Мы строили подобное для fintech-продукта с 1 млн пользователей. После внедрения нагрузка на L2 упала на 40%, а среднее время реакции на инциденты снизилось с 2 дней до 3 часов. Система обрабатывает 50 000 обращений ежедневно без потери производительности. Экономия на инженерных ресурсах — значительная сумма, которую вы видите на пилоте.

Как AI отличает системную проблему от шума?

Не каждое массовое обращение — системная проблема. AI оценивает четыре критерия: частота (N обращений за T дней, порог по умолчанию 10 за неделю), количество разных клиентов (≥5), воспроизводимость (≥60% совпадений шагов) и отсутствие решения (все обращения открыты). Пороги калибруются под ваш бизнес. Мы используем HDBSCAN (репозиторий на GitHub) — алгоритм не требует заранее задавать количество кластеров и устойчив к шуму.

Системные проблемы идентифицируются по комбинации этих факторов, а не по одному признаку. Например, если 20 клиентов жалуются на одну ошибку за день, но ни одно обращение не закрыто — это явный сигнал. Если же 10 обращений приходят от одного клиента, это может быть локальная проблема.

Почему кластеризация на эмбеддингах эффективнее правил?

Правила (if "ошибка" in text) пропускают похожие смыслы — "не грузится", "виснет", "зависает". Эмбеддинги GPT-4o-mini дают 1536-мерные векторы, где семантически близкие жалобы оказываются рядом. Бенчмарк на 10 000 обращений реального проекта ритейл-компании показал 98% точности кластеризации против 65% у rule-based. AI находит системные проблемы в 48 раз быстрее ручного анализа.

def find_systemic_problems(dialogs: list[Dialog]) -> list[SystemicProblem]:
    # Эмбеддинги описаний проблем
    embeddings = encoder.encode([d.problem_description for d in dialogs])

    # Кластеризация HDBSCAN
    clusters = hdbscan.HDBSCAN(min_cluster_size=5).fit_predict(embeddings)

    problems = []
    for cluster_id in set(clusters):
        if cluster_id == -1:  # шум
            continue
        cluster_dialogs = [d for d, c in zip(dialogs, clusters) if c == cluster_id]

        # Кластер — потенциальная системная проблема
        if len(set(d.customer_id for d in cluster_dialogs)) >= 5:  # разные клиенты
            problem = summarize_cluster(cluster_dialogs)
            problems.append(problem)

    return sorted(problems, key=lambda p: p.affected_customers, reverse=True)

Этот код — основа пайплайна. Кластеризация на эмбеддингах даёт гибкость: если вы добавите новые типы обращений, HDBSCAN сам адаптируется без ручного переписывания правил.

Root Cause Analysis (RCA)

После кластеризации LLM (Claude 3.5 Sonnet) анализирует временные паттерны: совпадает ли всплеск с релизом? Есть ли общий регион, версия, браузер? Гипотеза формулируется в читаемый отчёт с цитатами из диалогов. Мы автоматически создаём задачу в Jira с заполненными полями. Это сокращает время ручного RCA с 30 минут до 2 секунд.

Как настроить систему на ваших данных?

Пошаговый план внедрения:

1. Аудит данных: собираем 500+ обращений из вашей CRM или helpdesk. Определяем формат, поля, объём.
2. Сбор и эмбеддинг: загружаем данные, генерируем эмбеддинги через API OpenAI (gpt-4o-mini).
3. Кластеризация и калибровка: запускаем HDBSCAN, подбираем min_cluster_size и пороги критериев на исторических данных.
4. Настройка RCA: конфигурируем промпт для LLM, подключаем эндпоинт Claude 3.5 Sonnet.
5. Интеграция с Jira: настраиваем webhook или плагин для автоматического создания задач.
6. Мониторинг: включаем дашборд с precision/recall, алерты в Slack при падении точности ниже 90%.

Весь цикл занимает от 3 до 6 недель. Свяжитесь с нами — мы подготовим демо на ваших данных за 2 дня.

Как мы мониторим точность в продакшене

После деплоя внедряем дрифт-детектор на эмбеддингах — он замечает изменение распределения обращений до того, как упадёт качество. Ежедневный дашборд с precision/recall, алерты в Slack при падении точности ниже порога. Если кластеры становятся шумными, модель дообучается за ночь на свежих данных.

Что делать при дрейфе данных?

Дрейф — когда распределение обращений меняется (например, запустили новую фичу). Система автоматически пересчитывает кластеры на новых эмбеддингах и обновляет пороги. Если точность всё равно падает, мы дообучаем эмбеддер на последних данных — это занимает пару часов.

Что входит в работу

• Аудит текущего потока обращений (источник, формат, объём)
• Проектирование пайплайна: сбор → эмбеддинг → кластеризация → RCA → отчёт
• Реализация API или интеграция с вашей CRM/helpdesk (Zendesk, Jira Service Management, Bitrix24)
• Обучение модели на ваших данных (few-shot, от 500 обращений)
• Настройка порогов и алертов (Slack, Telegram, email)
• Документация и обучение команды (2 часа видео + гайд)

Гарантируем SLA по точности обнаружения: >90% системных проблем не ускользнут (тестируем на вашем датасете).

Сроки и как начать

Базовое решение — от 3 до 6 недель. Всё зависит от объёма данных и глубины интеграции. Свяжитесь с нами — оценим проект за 2 рабочих дня. Закажите демо на ваших данных, чтобы убедиться в эффективности до покупки.

Почему ручной анализ проигрывает AI

Опыт команды — 8+ лет в ML, 15 успешных внедрений в ритейле и fintech. Мы используем проверенный стек: Hugging Face Transformers, Qdrant, vLLM для инференса. Получите консультацию — рассчитаем экономию для вашего бизнеса.

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.