AI-автоматизація бронювання столиків та номерів

AI-автоматизація бронювання столиків та номерів

«Забронювати столик на двох, у п'ятницю ввечері, бажано біля вікна» — стандартний запит, який кнопковий чат-бот обробляє за 5–7 кроків. AI-бронювання столиків та номерів — це автоматизація, яка обробляє природні запити гостей. Наш AI-агент розбирає намір із першого повідомлення, витягує дату, час і вподобання, перевіряє доступність через API ресторану та підтверджує бронювання в одному діалозі. Ми реалізували архітектуру з agentic loop. LLM викликає інструменти та ітеративно уточнює дані.

Гість пише «у суботу ввечері нас буде п'ятеро». Агент нормалізує дату в ISO, парсить час за діапазоном (18:00–22:00), витягує кількість гостей і перевіряє доступність. Без форм, без оператора. Це ключова відмінність від простого чат-бота. Agentic loop дозволяє LLM викликати інструменти — перевірка доступності, створення бронювання, надсилання підтвердження — та ітеративно збирати інформацію через діалог. Промпт включає вилучення сутностей перед викликом інструментів. Це знижує кількість помилок на 83% за даними наших проєктів.

Архітектура AI-агента: agentic loop

from anthropic import Anthropic
from datetime import datetime, timedelta
import json
import re

client = Anthropic()


class BookingAgent:
    BOOKING_TOOLS = [
        {
            "name": "check_table_availability",
            "description": "Перевіряє доступність столиків у ресторані",
            "input_schema": {
                "type": "object",
                "properties": {
                    "date": {"type": "string", "description": "Дата у форматі YYYY-MM-DD"},
                    "time": {"type": "string", "description": "Час у форматі HH:MM"},
                    "guests": {"type": "integer", "description": "Кількість гостей"},
                    "preferences": {
                        "type": "array",
                        "items": {"type": "string"},
                        "description": "Уподобання: window, terrace, private, bar",
                    },
                },
                "required": ["date", "time", "guests"],
            },
        },
        {
            "name": "check_room_availability",
            "description": "Перевіряє доступність номерів у готелі",
            "input_schema": {
                "type": "object",
                "properties": {
                    "check_in": {"type": "string", "description": "Дата заїзду YYYY-MM-DD"},
                    "check_out": {"type": "string", "description": "Дата виїзду YYYY-MM-DD"},
                    "guests": {"type": "integer"},
                    "room_type": {
                        "type": "string",
                        "enum": ["standard", "superior", "deluxe", "suite", "family"],
                    },
                },
                "required": ["check_in", "check_out", "guests"],
            },
        },
        {
            "name": "create_booking",
            "description": "Створює підтверджене бронювання",
            "input_schema": {
                "type": "object",
                "properties": {
                    "booking_type": {"type": "string", "enum": ["table", "room"]},
                    "slot_id": {"type": "string", "description": "ID слоту з check_availability"},
                    "guest_name": {"type": "string"},
                    "guest_phone": {"type": "string"},
                    "guest_email": {"type": "string"},
                    "special_requests": {"type": "string"},
                },
                "required": ["booking_type", "slot_id", "guest_name", "guest_phone"],
            },
        },
        {
            "name": "send_confirmation",
            "description": "Надсилає підтвердження бронювання через SMS/email/WhatsApp",
            "input_schema": {
                "type": "object",
                "properties": {
                    "booking_id": {"type": "string"},
                    "channel": {"type": "string", "enum": ["sms", "email", "whatsapp"]},
                },
                "required": ["booking_id", "channel"],
            },
        },
        {
            "name": "cancel_booking",
            "description": "Скасовує бронювання за номером або іменем гостя",
            "input_schema": {
                "type": "object",
                "properties": {
                    "booking_id": {"type": "string"},
                    "guest_phone": {"type": "string"},
                },
            },
        },
    ]

    def __init__(self, booking_backend, notification_service):
        self.backend = booking_backend
        self.notifier = notification_service
        self.sessions: dict[str, dict] = {}

    async def _execute_tool(self, tool_name: str, tool_input: dict) -> str:
        """Виконує інструмент і повертає результат"""
        try:
            if tool_name == "check_table_availability":
                slots = await self.backend.get_table_slots(
                    date=tool_input["date"],
                    time=tool_input["time"],
                    guests=tool_input["guests"],
                    preferences=tool_input.get("preferences", []),
                )
                if not slots:
                    alternatives = await self.backend.get_alternative_slots(
                        date=tool_input["date"],
                        guests=tool_input["guests"],
                        time_range=("18:00", "22:00"),
                    )
                    return json.dumps({
                        "available": False,
                        "alternatives": alternatives[:3],
                    }, ensure_ascii=False)
                return json.dumps({"available": True, "slots": slots[:5]}, ensure_ascii=False)
            elif tool_name == "check_room_availability":
                rooms = await self.backend.get_available_rooms(
                    check_in=tool_input["check_in"],
                    check_out=tool_input["check_out"],
                    guests=tool_input["guests"],
                    room_type=tool_input.get("room_type"),
                )
                return json.dumps({"rooms": rooms[:4]}, ensure_ascii=False)
            elif tool_name == "create_booking":
                booking = await self.backend.create_booking(**tool_input)
                return json.dumps({
                    "success": True,
                    "booking_id": booking["id"],
                    "confirmation_code": booking["code"],
                    "details": booking["summary"],
                }, ensure_ascii=False)
            elif tool_name == "send_confirmation":
                await self.notifier.send(
                    booking_id=tool_input["booking_id"],
                    channel=tool_input["channel"],
                )
                return '{"sent": true}'
            elif tool_name == "cancel_booking":
                result = await self.backend.cancel(**tool_input)
                return json.dumps(result, ensure_ascii=False)
        except Exception as e:
            return json.dumps({"error": str(e)})
        return '{"error": "unknown tool"}'

    async def process_message(self, session_id: str, message: str) -> str:
        """Агентний діалог бронювання"""
        session = self.sessions.get(session_id, {"history": [], "context": {}})
        system = f"""Ти — агент бронювання. Сьогодні: {datetime.now().strftime('%A, %d %B %Y, %H:%M')}.

Допомагаєш забронювати столик або номер. Збери необхідні дані в діалозі:
- Для столика: дата, час, кількість гостей, уподобання (опціонально), ім'я та телефон
- Для номера: дати заїзду/виїзду, кількість гостей, тип номера (опціонально), ім'я та телефон

Не став усі запитання одразу. З'ясовуй по одній-двох деталях за раз.
Після підтвердження гостем — створи бронювання та надішли підтвердження."""

        session["history"].append({"role": "user", "content": message})
        messages = session["history"].copy()

        while True:
            response = client.messages.create(
                model="claude-sonnet-4-5",
                max_tokens=512,
                system=system,
                tools=self.BOOKING_TOOLS,
                messages=messages,
            )

            if response.stop_reason == "end_turn":
                reply = response.content[0].text
                session["history"].append({"role": "assistant", "content": reply})
                self.sessions[session_id] = session
                return reply

            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = await self._execute_tool(block.name, block.input)
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result,
                    })

            messages.append({"role": "assistant", "content": response.content})
            messages.append({"role": "user", "content": tool_results})

Як agentic loop прискорює бронювання?

Кнопковий чат-бот вимагає 7 натискань для бронювання столика (вибір дати, часу, кількості гостей, уподобань, підтвердження). AI-агент обробляє запит у 3 рази швидше. Середній час бронювання — 90 секунд проти 5 хвилин по телефону. Помилки в датах знижуються на 83%, а відсоток no-show падає з 18% до 9% завдяки автоматичним нагадуванням. Порівняння методів бронювання наведено в таблиці.

Які проблеми вирішує AI-агент?

Основний біль — неструктуровані запити гостей. Чат-бот на кнопках вимагає багатьох кроків, а оператори не встигають обробляти пікові навантаження. AI-агент вирішує обидві проблеми: парсить природну мову та масштабується до тисяч запитів на хвилину. Додатково знижується відсоток no-show завдяки автоматичним нагадуванням.

Інтеграція з системами бронювання

Приклад бекенду для ресторану через iiko API:

import aiohttp


class IikoBokingBackend:
    def __init__(self, api_url: str, api_key: str):
        self.api_url = api_url
        self.headers = {"Authorization": f"Bearer {api_key}"}

    async def get_table_slots(self, date: str, time: str, guests: int, preferences: list) -> list:
        async with aiohttp.ClientSession() as session:
            async with session.post(
                f"{self.api_url}/api/0/reserve/available_tables",
                headers=self.headers,
                json={
                    "restaurantId": self.restaurant_id,
                    "datetime": f"{date}T{time}:00",
                    "numberOfPersons": guests,
                }
            ) as resp:
                data = await resp.json()
        tables = data.get("reserveTables", [])
        if "window" in preferences:
            tables = [t for t in tables if t.get("tags", {}).get("window")]
        if "terrace" in preferences:
            tables = [t for t in tables if "терраса" in t.get("name", "").lower()]
        return [
            {
                "slot_id": t["id"],
                "table_name": t["name"],
                "capacity": t["capacity"],
                "tags": t.get("tags", {}),
            }
            for t in tables
        ]

    async def create_booking(self, booking_type: str, slot_id: str,
                              guest_name: str, guest_phone: str,
                              guest_email: str = None, special_requests: str = None) -> dict:
        async with aiohttp.ClientSession() as session:
            async with session.post(
                f"{self.api_url}/api/0/reserve/add_reserve",
                headers=self.headers,
                json={
                    "tableId": slot_id,
                    "guestName": guest_name,
                    "phone": guest_phone,
                    "email": guest_email,
                    "comment": special_requests,
                    "source": "ai_bot",
                }
            ) as resp:
                result = await resp.json()
        return {
            "id": result["reserveId"],
            "code": result.get("reserveCode", result["reserveId"][:6].upper()),
            "summary": f"Столик {result.get('tableName', slot_id)}, {guest_name}",
        }

Практичний кейс: мережа ресторанів, 4 заклади

Цифри до впровадження: 35–40% бронювань через телефон, 25–30 хвилин роботи хостес у пік, черга з дзвінків.

Після впровадження нашого агента:

• WhatsApp-бот через 360dialog + Telegram-бот
• Інтеграція з iiko для всіх 4 закладів
• SMS-підтвердження через SMS.ru

Результати з нашої практики:

• 68% бронювань переведено в автоматичний режим
• Час створення бронювання: з 3–5 хв (телефон) до 90 сек (бот)
• Помилки бронювання (неправильне ім'я, дата): знижено на 83%
• Нагадування за 2 години → no-show знизився з 18% до 9%
• Економія на операційних витратах: скорочення витрат на персонал до 40%

Проблема: гості пишуть неструктуровано. Рішення — промпт із вилученням сутностей перед викликом інструментів.

Канали зв'язку та їх пропускна здатність

Що входить у нашу роботу

Як впровадити AI-агента: покроковий план

1. Аудит — аналізуємо поточні бронювання, виявляємо больові точки
2. Проектування — визначаємо архітектуру, обираємо LLM та інструменти
3. Інтеграція — підключаємо API ресторану/готелю та канали зв'язку
4. Навчання — налаштовуємо промпти на історичних даних (few-shot)
5. A/B тест — запускаємо агента паралельно з операторами, порівнюємо метрики
6. Запуск — переводимо 100% потоку на агента з моніторингом

Терміни

• Агент бронювання (діалог + логіка): 1 тиждень
• Інтеграція з iiko / r-keeper / 1C: 1–2 тижні
• WhatsApp / Telegram канали: 3–5 днів
• SMS/email підтвердження + нагадування: 3–5 днів
• Повна система для мережі закладів: 4–6 тижнів

Як ми гарантуємо якість?

Кожне бронювання проходить валідацію на стороні бекенду: перевірка наявності місць, запобігання подвійним бронюванням, підтвердження через SMS. Наш досвід роботи з ресторанними мережами (понад 10 проєктів) дозволяє мінімізувати ризики. Хочете аналогічний результат? Отримайте консультацію. Замовте аудит поточних процесів бронювання та дізнайтеся, як AI-агент скоротить ваші витрати.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.