AI-автоматизация классификации заявок helpdesk

Реализация AI-автоматизации классификации заявок

Ваш helpdesk обрабатывает 10 000 тикетов в месяц, операторы тратят 40% времени на ручную сортировку — это 400 человеко-часов. Клиенты жалуются на долгое ожидание первого ответа, а инциденты P1 теряются в очереди. Мы решаем эту проблему: внедряем AI-классификатор, который определяет категорию, приоритет и ответственного за секунды. Точность — до 99% по F1, latency p99 — не больше 200 мс. Экономия операционных затрат — до 50% за счёт автоматизации. Наш опыт — 50+ проектов в Customer Support для ритейла, финтеха и телекома.

Проблемы, которые решает AI-классификация

Ручная сортировка — главный тормоз helpdesk. Оператору нужно прочитать заявку, понять суть, выбрать категорию, назначить приоритет. Пока он это делает, растёт время первого ответа (TTFR). Мы автоматизируем этот процесс: система классифицирует заявку и отправляет её в нужную очередь. Вот ключевые проблемы, которые убираем:

• Задержки из-за человеческого фактора — среднее время классификации падает с 2–3 минут до 200 мс.
• Ошибки в маршрутизации — наши модели достигают F1 ≥ 0.95, исключая пересылки между отделами, которые занимают ещё 5–10 минут.
• Потеря контекста — система учитывает историю клиента, sentiment, признаки срочности на основе анализа тональности и ключевых слов.

Сравнение: наш классификатор обрабатывает тикет в 600 раз быстрее (3 минуты → 0,2 секунды) и в 1,5 раза точнее ручной разметки (F1 95% против 85%).

Как мы строим классификатор

Используем fine-tuning BERT (Devlin et al., 2019) на исторических тикетах. Пример структуры данных:

class TicketClassification(BaseModel):
    # Тематика
    category: str                # billing / technical / account / general
    subcategory: str | None      # детализация первого уровня

    # Приоритет
    priority: Literal["P1","P2","P3","P4"]
    urgency_indicators: list[str]  # признаки срочности из текста

    # Характеристики
    sentiment: float             # -1 to 1
    customer_type: str           # new / existing / churn_risk
    language: str

    # Действие
    recommended_team: str
    auto_resolve_possible: bool  # можно ли закрыть автоматически
    similar_tickets: list[str]   # ID похожих тикетов с решениями

Обучающая выборка. Собираем 500+ размеченных примеров на класс, чистим данные — удаляем неоднозначные метки, выравниваем дисбаланс с помощью SMOTE и аугментации через GPT-4o. Для редких категорий (менее 50 примеров) используем few-shot генерацию синтетических тикетов.

MLOps-пайплайн. Модель проходит валидацию на отложенной выборке, метрики (F1, precision, recall) логируются в MLflow. Inference-сервис на FastAPI с автоматическим масштабированием под нагрузку до 1000 RPS. Мониторинг latency p99 и дрейфа данных через Prometheus + Grafana.

Почему стоит добавить zero-shot?

Отметим: когда появляется новая категория (например, новый продукт), переобучать модель не нужно. GPT-4o с описанием категории справляется без дополнительных данных:

def classify_new_category(ticket: str, categories: list[CategoryDef]) -> Classification:
    categories_text = "\n".join(
        f"- {cat.name}: {cat.description}" for cat in categories
    )
    return llm.parse(f"Классифицируй заявку по категориям:\n{categories_text}\n\nЗаявка: {ticket}")

Это даёт гибкость: не ждём месяц на сбор разметки, а запускаем классификацию за день.

Автозакрытие заявок: когда это безопасно?

Заявки типа «Спасибо!», «Отзыв принят», системные уведомления закрываются автоматически. Условие: auto_resolve_possible = True AND priority = P4 AND sentiment > 0. Precision на автозакрытии — более 99%.

Сравнение подходов: BERT vs GPT

Мы комбинируем оба подхода: BERT для основных категорий, GPT для long-tail и новых запросов. Это даёт оптимальный баланс скорости, качества и затрат.

Что входит в результат

• Model card с метриками (F1, precision, recall по классам) и анализом ошибок.
• Документация по API в формате OpenAPI.
• Код inference-сервиса на FastAPI с мониторингом (Prometheus + Grafana) и алертами.
• Обеспечение latency p99 ≤ 200 мс на нагрузке до 500 RPS.
• Обучение операторов: как интерпретировать AI-подсказки и обрабатывать пограничные случаи.
• Гарантия точности классификации в течение 6 месяцев — если метрики падают, мы дообучаем модель бесплатно.

Наш процесс внедрения

1. Аудит — анализируем текущий поток тикетов, метрики, качество разметки.
2. Сбор и очистка данных — достаём историю, чистим, размечаем недостающие классы.
3. Обучение модели — fine-tuning BERT/GPT, валидация на реальных кейсах.
4. Интеграция — подключаем API к вашему helpdesk (Zendesk, Jira, Freshdesk, Битрикс24).
5. Тестирование — A/B-тест на 10% потока, проверка F1 и latency.
6. Запуск — постепенное увеличение доли AI-классифицируемых тикетов до 100%.

Сроки и стоимость

Сроки — от 3 до 6 недель в зависимости от сложности интеграции и объёма данных. Стоимость рассчитывается индивидуально после аудита ваших данных и требований. Экономия от внедрения — сокращение операционных затрат на 30–50% в первый год.

Наш опыт: более 50 внедрений систем классификации для ритейла, финтеха и телекома. Сертифицированные специалисты по MLOps и NLP. Свяжитесь с нами — оценим ваш проект за 2 дня. Получите консультацию — расскажем, как AI-классификация решит вашу проблему с тикетами.

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.