Интеграция NLP-движка (Rasa) в мобильного чат-бота

Стандартный конфиг Rasa на русском языке выдаёт точность около 50 % — на коротких фразах это означает, что каждый второй запрос неверно распознаётся. Клиенты с высокими требованиями к конфиденциальности (медицина, финансы) не могут использовать облачные NLP-сервисы вроде Dialogflow или Google NL. Для них Rasa — единственный вариант, но его нужно правильно настроить. Мы делаем это с 2018 года: более 20 проектов, среднее повышение точности с 50 % до 85 % за счёт кастомного пайплайна и качественного датасета.

Почему Rasa лучше Dialogflow для чувствительных данных?

Rasa — self-hosted, Dialogflow — облачный. Для компаний, где данные не должны покидать сервер, разница принципиальна. Rasa даёт полный контроль над пайплайном: вы можете заменить любой компонент, добавить свой токенизатор, использовать кастомные модели. Dialogflow же ограничивает вас встроенными механизмами. При масштабировании на 10 000+ диалогов в день Rasa обходится дешевле в 3–4 раза за счёт отсутствия платы за запросы.

Как мы настраиваем Rasa для русского языка?

Основная проблема — стандартный WhitespaceTokenizer плохо работает с русской морфологией. Мы заменяем его на SpacyNLP с моделью ru_core_news_md и добавляем char n-gram фичи через CountVectorsFeaturizer. Вот продакшн-конфиг, который мы используем:

language: ru pipeline: - name: SpacyNLP model: ru_core_news_md - name: SpacyTokenizer - name: SpacyFeaturizer - name: RegexFeaturizer - name: LexicalSyntacticFeaturizer - name: CountVectorsFeaturizer - name: CountVectorsFeaturizer analyzer: char_wb min_ngram: 1 max_ngram: 4 - name: DIETClassifier epochs: 150 - name: EntitySynonymMapper - name: ResponseSelector epochs: 100 - name: FallbackClassifier threshold: 0.7 ambiguity_threshold: 0.1 

Этот пайплайн даёт 85 % точности на наборе из 20–50 интентов. DIETClassifier с 150 эпохами обучается за 5–10 минут на VPS с 4 ГБ RAM.

Как Rasa Core управляет диалогом?

Rasa разделяет NLU (понимание намерений) и Core (управление диалогом). Core работает на основе правил (rules.yml) и историй (stories.yml). Самая частая ошибка — пытаться описать все сценарии через rules и получить хрупкую систему, которая ломается на нестандартном порядке реплик.

Правило: жёсткие команды (отмена, помощь, начать заново) — в rules. Многошаговые сценарии с вариативностью — в stories. Rasa Core обучается на историях и обобщает сценарии, которых явно не видел — это его главное преимущество перед деревьями решений.

Custom Actions. Динамические ответы (статус заказа, доступные слоты) реализуются через action_server — отдельный Python-сервис, который Rasa вызывает через HTTP. Мобильное приложение с этим не взаимодействует напрямую:

class ActionCheckOrderStatus(Action): def name(self) -> str: return "action_check_order_status" async def run(self, dispatcher, tracker, domain) -> list: order_id = tracker.get_slot("order_id") status = await order_service.get_status(order_id) dispatcher.utter_message(text=f"Ваш заказ #{order_id}: {status}") return [SlotSet("order_status", status)] 

Как интегрировать Rasa с мобильным приложением?

Rasa Server предоставляет REST-канал на /webhooks/rest/webhook. Мобильное приложение отправляет POST-запрос:

{ "sender": "user_device_id_or_session_uuid", "message": "текст сообщения" } 

Ответ — массив сообщений, каждое из которых может быть текстом, изображением, кнопками или кастомным payload.

На Android это стандартный Retrofit-вызов. Важный момент: sender должен быть стабильным идентификатором сессии — Rasa хранит слоты (slots) между запросами в рамках одного sender. Если генерировать новый ID каждый раз, контекст диалога будет теряться.

Для продакшна Rasa не стоит открывать напрямую в интернет — перед ним ставим nginx с rate limiting и аутентификацией по токену.

Развёртывание

Rasa Server + Action Server удобно запускать в Docker Compose. Модель обучается командой rasa train и монтируется в контейнер. На слабом VPS обучение 50 интентов занимает 5–10 минут — вполне приемлемо для CI/CD.

Rasa Enterprise (коммерческая версия) добавляет аналитику и A/B тестирование диалогов, но для большинства задач достаточно open-source версии.

Что входит в работу

• Аудит предметной области и сбор примеров реплик для NLU-датасета.
• Настройка pipeline, обучение базовой модели, оценка точности через rasa test.
• Разработка диалоговых сценариев (rules + stories), custom actions.
• Интеграция REST-канала с мобильным клиентом, настройка инфраструктуры.
• Документация и обучение вашей команды.
• Гарантийная поддержка 30 дней.

Ориентиры по срокам

Интеграция с готовым Rasa-сервером — 3–4 дня. Полный цикл включая обучение модели с нуля, написание сценариев и развёртывание — 2–4 недели в зависимости от числа интентов.

Свяжитесь с нами для оценки вашего проекта. Получите консультацию по настройке Rasa под вашу задачу.

Rasa Documentation | Wikipedia: Rasa