Реализация AI-распознавания намерений пользователя (Intent Recognition) в мобильном приложении
Представьте: пользователь пишет «хочу отменить заказ, который сделал вчера», а чат-бот отвечает «извините, я вас не понял» или предлагает не то. Потеря клиента, падение NPS, время оператора на бесполезные уточнения. Intent Recognition решает эту задачу: модель не просто классифицирует текст (позитив/негатив), а определяет конкретное намерение (отмена заказа) и извлекает параметры — номер заказа, дату, действие. Мы внедряем такие решения в мобильные приложения для e-commerce, банков и логистики. Наши инженеры имеют сертификаты Apple и Google, а точность классификации достигает 95% на реальных данных.
Как Intent Recognition отличается от обычной классификации текста?
Обычная классификация: «этот отзыв позитивный или негативный». Intent Recognition: «пользователь хочет оформить заказ, отменить заказ, узнать статус доставки, найти товар, получить консультацию — или говорит что-то нерелевантное». Классы неравномерны по частоте, могут перекрываться, а пользователи формулируют одно намерение десятками разных способов. Плюс необходимость обработки out-of-scope запросов без галлюцинаций «я умею всё».
Почему для мобильных приложений лучше использовать дообученный BERT?
Fine-tuned BERT обеспечивает оптимальный баланс точности и производительности. Для русскоязычных приложений используем DeepPavlov/rubert-base-cased или cointegrated/rubert-tiny2 (компактная, ~29 МБ, подходит для on-device инференса).
from transformers import pipeline, AutoTokenizer, AutoModelForSequenceClassification
# Fine-tuning на кастомных интентах
model = AutoModelForSequenceClassification.from_pretrained(
"cointegrated/rubert-tiny2",
num_labels=len(INTENT_LABELS)
)
# Inference
classifier = pipeline(
"text-classification",
model=model,
tokenizer=tokenizer,
return_all_scores=True
)
def classify_intent(text: str) -> IntentResult:
scores = classifier(text)[0]
top = max(scores, key=lambda x: x["score"])
if top["score"] < 0.65:
return IntentResult(intent="out_of_scope", confidence=top["score"])
return IntentResult(intent=top["label"], confidence=top["score"])
Порог 0.65 — граница out-of-scope. Ниже этого — не угадываем, честно говорим «не понял». Это критично: угаданный неверно интент хуже, чем признание непонимания.
Типичный набор интентов для e-commerce мобильного приложения
| Интент | Примеры фраз |
|---|---|
| search_product | «найди кроссовки nike», «хочу купить телефон» |
| order_status | «где мой заказ», «когда доставят» |
| return_request | «хочу вернуть», «не подошёл размер» |
| complaint | «товар сломан», «не то привезли» |
| payment_issue | «не могу оплатить», «не прошёл платёж» |
| promo_inquiry | «есть скидки», «промокод» |
| out_of_scope | всё остальное |
Что даёт Slot Filling?
Без извлечения слотов модель понимает только общее намерение — «ищет товар», но не знает какой. А с ними: «ищет кроссовки Nike 42 размера». Наши решения включают NER-компонент, который выдёргивает сущности: номера заказов, даты, названия товаров. Это снижает число уточняющих диалогов на 60%.
Slot Filling: извлечение параметров намерения
После классификации интента нужно извлечь параметры (slots). Для search_product — что именно ищут, категория, характеристики. Для order_status — номер заказа или период. Slots извлекаются через NER или шаблонный парсер. Для структурированных доменов regex + кастомный NER работает надёжнее общей NER-модели:
import re
def extract_order_id(text: str) -> Optional[str]:
# форматы: #123456, №123456, ORD-123456, заказ 123456
patterns = [r'#(\d{5,8})', r'№(\d{5,8})', r'ORD-(\d+)', r'заказ[а-я\s]+?(\d{5,8})']
for pattern in patterns:
match = re.search(pattern, text, re.IGNORECASE)
if match:
return match.group(1)
return None
def fill_order_status_slots(text: str) -> OrderStatusSlots:
return OrderStatusSlots(
order_id=extract_order_id(text),
period=extract_period(text) # «за прошлую неделю», «в ноябре»
)
Android: интеграция в диалоговый интерфейс
class IntentViewModel(private val intentApi: IntentApi) : ViewModel() {
fun processUserInput(text: String) {
viewModelScope.launch {
val result = intentApi.classify(text)
when (result.intent) {
"search_product" -> {
val query = result.slots["product_query"] ?: text
navigateToSearch(query)
}
"order_status" -> {
val orderId = result.slots["order_id"]
if (orderId != null) navigateToOrder(orderId)
else requestOrderId()
}
"return_request" -> navigateToReturnFlow()
"out_of_scope" -> showFallbackMessage()
else -> handleGenericIntent(result)
}
}
}
}
Когда использовать LLM вместо BERT?
Для приложений с небольшим числом интентов (< 20) и гибкими формулировками structured output через GPT-4o-mini или Gemini Flash дешевле и точнее дообученной модели. Prompt с JSON schema и few-shot примерами:
INTENT_SYSTEM_PROMPT = """
Classify user intent. Return JSON: {"intent": "...", "confidence": 0.0-1.0, "slots": {...}}
Valid intents: search_product, order_status, return_request, complaint, out_of_scope
If unclear, use out_of_scope with low confidence.
"""
LLM-подход проще в обновлении (меняем промпт, не переобучаем модель), но дороже при высоком трафике.
On-device vs Cloud: сравнительная таблица
| Критерий | On-device (rubert-tiny2) | Cloud (BERT full) |
|---|---|---|
| Размер модели | ~29 МБ | ~400 МБ |
| Задержка | <100 мс | 200-500 мс + сеть |
| Конфиденциальность | Данные не покидают устройство | Требуется передача данных |
| Обновление | Через App Store | Мгновенно на сервере |
Процесс работы
- Составление таксономии интентов совместно с продуктовой командой.
- Сбор и разметка обучающего датасета (минимум 100-200 примеров на интент).
- Обучение классификатора и baseline-оценка по accuracy/F1.
- Интеграция в мобильный диалоговый интерфейс с обработкой out-of-scope.
- Мониторинг: доля out-of-scope запросов, confusion matrix по интентам.
Ориентиры по срокам
Fine-tuned BERT-классификатор с базовым slot filling — 2-3 недели. LLM-based Intent Recognition с structured output — 3-5 дней на реализацию. Стоимость дообучения модели — от 5 000 до 15 000 долларов в зависимости от объёма данных и числа интентов. Оценим ваш проект бесплатно — напишите.
Что входит в работу
- Документация таксономии интентов и схемы слотов
- Исходный код инференса (Python/Kotlin/Swift)
- Конфигурация для CI/CD модели
- Доступ к дашборду мониторинга метрик
- Обучение команды работе с моделью
- Поддержка 1 месяц после запуска
Гарантируем точность классификации не ниже 85% на тестовом датасете. Под ключ — от идеи до релиза в App Store и Google Play. Получите консультацию сейчас — это бесплатно. Свяжитесь с нами, чтобы обсудить таксономию интентов и план внедрения.
"Intent Recognition is a fundamental component of natural language understanding systems." — Wikipedia: Intent (linguistics)