AI-распознавание намерений пользователя (Intent Recognition) в Mobile

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

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

Процесс работы

1. Составление таксономии интентов совместно с продуктовой командой.
2. Сбор и разметка обучающего датасета (минимум 100-200 примеров на интент).
3. Обучение классификатора и baseline-оценка по accuracy/F1.
4. Интеграция в мобильный диалоговый интерфейс с обработкой out-of-scope.
5. 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 — 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. Свяжитесь с нами, чтобы обсудить таксономию интентов и план внедрения.

"Intent Recognition is a fundamental component of natural language understanding systems." — Wikipedia: Intent (linguistics)