Text Analytics для чат-диалогов: анализ с гарантией SLA

Text Analytics для чат-диалогов: анализ с гарантией SLA

Операторская вычитка диалогов съедает до 40% времени QA-отделов — при этом скрытые тренды остаются незамеченными. Мы строим систему Text Analytics, которая автоматически превращает сотни тысяч чатов в структурированную бизнес-аналитику: не просто статистику обращений, а глубокое понимание — о чём говорят клиенты, как меняются темы, где зарождаются системные проблемы.

Наш опыт: 5+ лет разработки NLP-решений, 30+ проектов для ритейла, финтеха и телекома. Гарантируем SLA 99.9% на время обработки и точность классификации не ниже 90%. Обрабатываем до 5000 диалогов в час на одной GPU — этого достаточно для потоковой обработки в Enterprise.

Почему стандартные отчёты не дают полной картины?

Традиционные дашборды показывают количество обращений, но не раскрывают контекст. Резкий рост числа диалогов может быть вызван сбоем, который не виден в метриках первого уровня. Наша система детектирует аномалии и связывает их с изменениями в тематике, тоне и решаемости проблем — это позволяет реагировать до того, как проблема станет массовой. На одном из проектов мы выявили 12%-ный рост негатива по продукту за три дня до того, как его заметили операторы.

Сравним два подхода: простая частотная классификация на основе ключевых слов даёт точность 50-60% и пропускает до 40% скрытых паттернов. Fine-tuned ML-модели (ruBERT, SDG) выдают 80-94% F1, но требуют размеченных данных. LLM (GPT-4) достигает 95%+ без разметки, однако стоимость токенов в 5-10 раз выше при массовой обработке. Наш вариант — гибрид: ML для рутинной классификации (70% объёма) и LLM для сложных случаев (30%) — это даёт оптимальное соотношение цена/качество.

Архитектура аналитической системы

[Диалоги из helpdesk/CRM/боты]
    → [Обогащение: тематика, sentiment, NER, summary]
    → [Хранилище: ClickHouse / BigQuery]
    → [Агрегация и витрины данных]
    → [Дашборды: Superset / Metabase / Grafana]
    + [Ad-hoc анализ: Jupyter / Python API]

Стек: ClickHouse для хранения, Celery для батчей, GPU-батчинг для эмбеддингов. Модели: ruBERT для тематики, fine-tuned SDG для sentiment, NER на основе SpaCy. Время батчевой обработки 10 000 диалогов — 2 часа на одной V100.

Сравнение подходов к анализу диалогов

Гибридная схема даёт точность 93% при стоимости $0.08 — это в 6 раз дешевле чистого LLM при сопоставимом качестве.

Этапы развертывания Text Analytics

Как внедрить Text Analytics без остановки текущих процессов?

Мы используем подход double-run: сначала запускаем систему параллельно существующим процессам, валидируем результаты в течение двух недель, затем переключаем основные дашборды на новые данные. Это позволяет избежать простоев и получить подтверждение точности на реальных данных. Пилотный проект на 10 000 диалогов — 5 дней.

Что входит в работу?

• Архитектурная документация и описание pipeline.
• Настроенные дашборды (3-5 витрин) под ключевые метрики.
• Дообученные модели с model card и отчётом о точности.
• Доступ к API для ad-hoc запросов.
• Обучение команды (2-3 воркшопа) и техническая поддержка на первые 2 месяца.

Обогащение диалогов

Каждый диалог проходит pipeline обогащения:

@dataclass
class EnrichedDialog:
    dialog_id: str
    timestamp: datetime
    topic: str              # тематика первого уровня
    subtopic: str           # детализация
    sentiment_score: float  # -1 to 1
    sentiment_trend: str    # "improving" | "stable" | "worsening"
    resolution: bool        # решена ли проблема
    escalated: bool
    key_entities: dict      # продукты, номера, суммы
    summary: str            # краткое описание в 1–2 предложениях
    emotion: str            # frustrated | satisfied | neutral | confused
    agent_id: str
    duration_seconds: int
    message_count: int

Батч-обработка: 10 000 диалогов за ночь через Celery + GPU-батчинг для эмбеддинг-задач. В режиме real-time Kafka-поток обрабатывает диалог за 2-5 секунд.

Аналитические витрины

Витрина тем: агрегация по topic, subtopic, date, segment. Отвечает: что является причиной обращений, как меняется со временем. Позволяет замечать сезонные пики за две недели до них.

Витрина sentiment: средний score по сегментам, продуктам, операторам. Где клиенты наиболее/наименее довольны. Например, витрина показала, что NPS для Premium-продукта упал на 8 пунктов из-за задержек ответа более 10 минут.

Витрина проблем: диалоги с resolution=False + негативный sentiment — источник системных проблем. Типичный инсайт: 30% таких диалогов содержат слово «документ» — значит, процесс документооборота требует автоматизации.

Витрина операторов: performance-метрики по каждому агенту для QA. Сравнение sentiment до и после обучения показывает улучшение на 15% в среднем.

Аномалии и алерты

Автоматическое обнаружение аномалий в потоке диалогов:

• Внезапный всплеск обращений по теме → вероятный инцидент
• Резкое ухудшение sentiment по продукту → проблема с качеством
• Рост доли resolution=False по типу → изменилась процедура или пропала информация в базе знаний

Алерты в Slack/Telegram: автоматически при превышении пороговых значений. Время подтверждения инцидента — менее 1 минуты.

Что даёт внедрение?

• Снижение времени на анализ диалогов на 80% (с 40% ручного труда до автоматики).
• Экономия бюджета QA-отдела до 40% за счёт автоматизации.
• Сокращение времени реакции на инциденты с часов до минут.
• Повышение точности классификации с 50-60% (ключевые слова) до 93% (гибрид).

SLA 99.9% на время обработки — гарантия стабильности пайплайна.

Закажите пилотный анализ: обработаем 10 000 диалогов за 5 дней и покажем первые инсайты. Получите консультацию — мы расскажем, как система впишется в ваш текущий стек.

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.