Разработка омниканального AI-чат-бота (все мессенджеры + сайт)

Представьте: клиент пишет в Telegram, уточняет детали, прикрепляет фото. Переходит на сайт — и бот не помнит диалог. По данным Zendesk, 70% пользователей уходят, если приходится повторять информацию. Потерянные конверсии — это не гипотеза, а прямые убытки. Омниканальный AI-чат-бот с единым ядром и сквозным контекстом решает эту проблему: один раз обученная модель, одна база знаний, одна аналитика. Мы разрабатываем такие системы с опытом 5+ лет в AI/ML и 50+ реализованных проектов. Среднее время ответа сокращается на 40%, стоимость одного обращения — на 30%. Получите консультацию по архитектуре вашего бота — поможем подобрать оптимальный стек.

Почему омниканальность критична для AI-бота?

Без омниканальности каждый канал — изолированный бот. Клиент переключается и повторяет информацию, раздражается, уходит. Единое ядро даёт единый контекст: пользователь может начать в Telegram, продолжить в WhatsApp, завершить на сайте — и бот помнит весь диалог. Это повышает containment rate в 1.5 раза по сравнению с разрозненными ботами, а LTV клиентов — на 25%. Снижение нагрузки на саппорт достигает 50%.

Как объединить пользователей из разных каналов?

Глобальная задача — идентификация пользователей в разных каналах. Используем стратегии: авторизация через единый аккаунт сайта (линкование мессенджеров), запрос номера телефона через Telegram API с последующим матчингом с WhatsApp, email-верификация для создания единого профиля. Без явной связки профили считаются разными — это технически честно и защищает privacy.

Архитектура омниканальной системы

[Telegram]  [WhatsApp]  [VK]  [Viber]  [Web Widget]  [Instagram]
     ↓           ↓        ↓      ↓           ↓             ↓
[Channel Adapters — нормализация форматов сообщений]
     ↓
[Unified Message Router]
     ↓
[Core AI Engine]
    ├── Intent Recognition
    ├── Context Manager (Redis: user_id → conversation_state)
    ├── RAG / Knowledge Base
    ├── Tool Executor (CRM, ERP, DB)
    └── Response Generator
     ↓
[Channel Adapters — форматирование под канал]
     ↓
[Telegram]  [WhatsApp]  [VK]  ...

Как написать адаптер для WhatsApp? (пошагово)

1. Получить входящее сообщение через WhatsApp Business API (webhook).
2. Распарсить JSON: извлечь from, text.body, timestamp, прикрепить media если есть.
3. Создать объект UnifiedMessage:
   • channel = "whatsapp"
   • user_id = f"whatsapp:{from}"
   • text = body.text
   • media = [MediaItem(url=...) ]
4. Передать в роутер. Получить ответ от ядра.
5. Собрать ответное сообщение: если есть кнопки — сформировать interactive объект, если текст — text.
6. Отправить POST-запрос на /{phone-number-id}/messages.

Такой адаптер пишется за 2–3 дня для стандартного канала.

Нормализация сообщений

UnifiedMessage — единый формат:

@dataclass
class UnifiedMessage:
    channel: str          # "telegram", "whatsapp", "vk", "web"
    user_id: str          # глобальный ID (channel:original_id)
    text: str | None
    media: list[MediaItem] | None
    timestamp: datetime
    metadata: dict        # channel-specific данные

Каждый канал конвертирует входящее в UnifiedMessage и ответ обратно в channel-native формат.

Управление контекстом диалога

Redis хранит состояние диалога с TTL = 24 часа:

import redis, json

class ConversationContextManager:
    def __init__(self):
        self.redis = redis.Redis(decode_responses=True)

    def get_context(self, user_id: str) -> dict:
        data = self.redis.get(f"ctx:{user_id}")
        return json.loads(data) if data else {"history": [], "profile": {}}

    def update_context(self, user_id: str, update: dict):
        ctx = self.get_context(user_id)
        ctx.update(update)
        ctx["history"] = ctx["history"][-20:]
        self.redis.setex(f"ctx:{user_id}", 86400, json.dumps(ctx))

Сравнение стратегий объединения профилей

Как обеспечить сквозную аналитику?

Омниканальная платформа даёт сквозную аналитику: канальный mix, cross-channel journey, containment rate по каналам, причины переключения. Стек: ClickHouse для событий, Grafana для real-time дашбордов. Это позволяет выявить узкие места и оптимизировать маршруты. Бюджет на поддержку сокращается на 40% за счёт автоматизации.

Масштабирование и MLOps

Горизонтальное масштабирование Core AI Engine (stateless + Redis), Message Queue (Apache Kafka) между адаптерами и ядром, rate limiting, graceful degradation. MLOps-процессы: мониторинг качества моделей, A/B тестирование промптов, автоматический ретриггер при падении метрик. Это гарантирует стабильность при росте нагрузки до 10 000 RPS.

Что входит в работу

• Архитектурная документация: схема взаимодействия, выбор стека, обоснование решений.
• Исходный код: ядро AI, адаптеры каналов, интеграции с Redis/Kafka.
• Интеграция с CRM, ERP, базой знаний (RAG).
• Конфигурация промптов и система мониторинга токсичности.
• Обучение команды заказчика (2 дня) и гарантийная поддержка 3 месяца.
• Дашборды аналитики (Grafana) и алертинг.

Сроки реализации

• Месяц 1–2: Core AI Engine, первый канал (Telegram), базовый context management.
• Месяц 3: Добавление 2–3 каналов (WhatsApp, VK, Web), unified analytics.
• Месяц 4–5: Интеграции с CRM/системами, agent handoff, advanced персонализация.
• Месяц 6: Нагрузочное тестирование, мониторинг, промышленный запуск.

Для оценки вашего сценария свяжитесь с нами. Получите консультацию по архитектуре и предварительную оценку бюджета за 1–2 дня.

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.