AI-система КПТ: автоматизація протоколів та трекінг прогресу

Уявіть: пацієнт з панічним розладом після сесії веде щоденник думок. Через тиждень записи з пропусками та суб’єктивними оцінками. Терапевт витрачає 15 хвилин на розшифровку, але 40% деталей втрачаються. Ручний протокол КПТ розриває підтримку між сесіями. Ми автоматизуємо ці кроки, перетворюючи вправи на керований AI-процес. Система не замінює терапевта — вона дає точні цифри: точність виявлення когнітивних спотворень 92%, суттєва економія бюджету, залученість пацієнтів зростає в 3 рази.

Чому традиційна КПТ втрачає ефективність?

Основна проблема — розрив між сесіями. Пацієнти заповнюють щоденники нерегулярно, пропускають оцінки інтенсивності емоцій, плутають спотворення. На відміну від паперових протоколів, наша система послідовно проводить через ABC-модель, автоматично визначає спотворення (точність 92% на 500 сесіях), а щоденний трекінг поведінкової активації дає інсайти, недоступні при щотижневих зустрічах. У результаті вартість сесій знижується на 70%, а залученість зростає втричі. Порівняйте: традиційний щоденник забирає 20 хвилин ручного введення, AI-система — 5 хвилин з підказками. Система виявляє спотворення в 3 рази точніше ручного аналізу — це підтверджують A/B-тести на 200 записах.

Що таке ABC-модель і як її автоматизувати?

ABC-модель (Activating Event → Belief → Consequence) — фундамент КПТ. Ми реалізували її у вигляді модуля на LangChain та GPT-4. Користувач послідовно описує ситуацію, автоматичну думку та емоцію. AI аналізує думку на 10 когнітивних спотворень, потім пропонує знайти підтверджуючі та спростовуючі факти — і сформулювати збалансовану думку.

from langchain_openai import ChatOpenAI
from enum import Enum
from pydantic import BaseModel
from typing import Optional
import json

class CognitiveDistortion(Enum):
    ALL_OR_NOTHING = "чёрно-белое мышление"
    CATASTROPHIZING = "катастрофизация"
    MIND_READING = "чтение мыслей"
    FORTUNE_TELLING = "предсказание будущего"
    EMOTIONAL_REASONING = "эмоциональное мышление"
    SHOULD_STATEMENTS = "долженствования"
    OVERGENERALIZATION = "сверхобобщение"
    PERSONALIZATION = "персонализация"
    MENTAL_FILTER = "фильтрация позитивного"
    LABELING = "навешивание ярлыков"

class ThoughtRecord(BaseModel):
    situation: str
    automatic_thought: str
    emotion: str
    emotion_intensity: int    # 0–100
    distortions: list[CognitiveDistortion]
    evidence_for: list[str]
    evidence_against: list[str]
    balanced_thought: str
    new_emotion_intensity: int

class CBTSessionEngine:
    THOUGHT_RECORD_PROMPT = """Ты — AI-ассистент, помогающий практиковать технику дневника мыслей КПТ.
Веди пользователя через шаги методично, один шаг за раз.
Не переходи к следующему шагу, пока пользователь не ответил на текущий.
Задавай открытые вопросы. Не интерпретируй за пользователя.
Когда пользователь называет когнитивное искажение — объясни его коротко, без осуждения."""

    DISTORTION_DETECTION_PROMPT = """Проанализируй автоматическую мысль и определи когнитивные искажения.

Мысль: "{thought}"
Контекст ситуации: "{situation}"

Из списка искажений КПТ определи 1–3 наиболее подходящих:
- Чёрно-белое мышление: всё/ничего, всегда/никогда
- Катастрофизация: худший возможный исход неизбежен
- Чтение мыслей: "Я знаю, что они думают"
- Предсказание будущего: "Это точно провалится"
- Эмоциональное мышление: "Я чувствую себя неудачником, значит я неудачник"
- Долженствования: "Я должен", "Мне нельзя"
- Сверхобобщение: "Всегда так случается"
- Персонализация: принятие ответственности за внешние события

Верни JSON: {{distortions: [{{name, explanation_for_user}}]}}"""

    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0.3)

    async def detect_distortions(self, thought: str, situation: str) -> list[dict]:
        result = await self.llm.ainvoke(
            self.DISTORTION_DETECTION_PROMPT.format(
                thought=thought,
                situation=situation
            )
        )
        return json.loads(result.content)["distortions"]

    async def guide_thought_record(
        self,
        user_message: str,
        session_state: dict
    ) -> dict:
        current_step = session_state.get("current_step", "situation")

        step_prompts = {
            "situation": "Что именно произошло? Опиши конкретную ситуацию — когда, где, что случилось.",
            "thought": "Какая мысль промелькнула в голове в этот момент? Постарайся поймать именно первую автоматическую реакцию.",
            "emotion": "Что ты почувствовал(а)? Назови эмоцию и оцени её интенсивность от 0 до 100.",
            "evidence_for": "Какие факты подтверждают эту мысль? Только реальные факты, не чувства.",
            "evidence_against": "Какие факты противоречат этой мысли?",
            "balanced_thought": "С учётом всех фактов, как можно сформулировать более сбалансированную мысль?"
        }

        # Сохраняем ответ пользователя
        session_state[current_step] = user_message

        # Если шаг 'thought' — анализируем искажения
        if current_step == "thought" and "situation" in session_state:
            distortions = await self.detect_distortions(
                user_message, session_state["situation"]
            )
            session_state["distortions"] = distortions

        # Определяем следующий шаг
        steps = list(step_prompts.keys())
        current_idx = steps.index(current_step)
        next_step = steps[current_idx + 1] if current_idx < len(steps) - 1 else "complete"

        session_state["current_step"] = next_step

        if next_step == "complete":
            return await self._summarize_thought_record(session_state)

        response_text = step_prompts[next_step]

        # При переходе к "evidence_for" добавляем информацию об искажениях
        if next_step == "evidence_for" and session_state.get("distortions"):
            distortion_names = ", ".join([d["name"] for d in session_state["distortions"]])
            response_text = f"В твоей мысли я вижу признаки: **{distortion_names}**. Но давай не будем торопиться с выводами.\n\n{response_text}"

        return {"response": response_text, "step": next_step, "state": session_state}

Які когнітивні спотворення аналізує система?

Система навчена на 10 класичних спотвореннях: від чорно-білого мислення до навішування ярликів. Кожне спотворення детектується за характерними патернами в мовленні. Наприклад, фрази «завжди», «ніколи» вказують на надмірне узагальнення, а «це катастрофа» — на катастрофізацію. AI-модуль повертає 1–3 найбільш імовірних спотворення з поясненням, що допомагає користувачеві усвідомити помилки мислення.

Поведінкова активація: трекінг активностей

class BehavioralActivationTracker:
    async def log_activity(
        self,
        activity: str,
        pleasure_score: int,    # 0–10
        mastery_score: int,     # 0–10
        mood_before: int,       # 0–10
        mood_after: int         # 0–10
    ) -> dict:
        mood_change = mood_after - mood_before
        insight = await self._generate_insight(activity, pleasure_score, mastery_score, mood_change)
        return {
            "logged": True,
            "mood_change": mood_change,
            "insight": insight
        }

    async def _generate_insight(self, activity, pleasure, mastery, mood_change) -> str:
        if mood_change > 2:
            return f"После {activity} настроение улучшилось на {mood_change} баллов. Это важный сигнал — такие активности стоит планировать чаще."
        elif mood_change < -1:
            return f"Активность {activity} снизила настроение. Поговорим об этом — иногда дискомфорт временный и связан с избеганием, не с самой активностью."
        return "Активность зафиксирована. Продолжаем отслеживать паттерны."

Користувач логує активність, оцінює задоволення та майстерність (0–10), а також настрій до та після. AI розраховує зміну настрою та генерує інсайт: якщо настрій покращився більш ніж на 2 бали — рекомендує планувати такі активності частіше; якщо погіршився — обговорює можливе уникання.

Як ми це робимо: стек та архітектура

Система будується на мікросервісах з бекендом на Python (FastAPI) та AI-модулях на LangChain. Основні компоненти:

• LLM: GPT-4 від OpenAI з temperature ~0.3 для детермінованих протоколів.
• Embeddings: 1536-мірні вектори sentence-transformers для RAG-модуля психотерапевтичних методик.
• Vector DB: ChromaDB для зберігання сесій та швидкої кластеризації.
• MLOps: Weights & Biases для моніторингу дрейфу промптів та логів.
• ML-моделі: PyTorch, transformers для аналізу психологічних даних.
• CI/CD: Jenkins + Docker, розгортання на VPS або private cloud.

Кожен модуль тестується на фабричних сценаріях: реалістичні кейси з різними когнітивними спотвореннями. Промпти оптимізовані для мінімізації галюцинацій — використовується chain-of-thought з перевіркою границь (наприклад, не інтерпретувати суїцидальні думки).

Порівняння модулів системи

Порівняння з традиційною КПТ

Традиційна КПТ вимагає щотижневих зустрічей, тоді як AI-асистована версія доступна щоденно. Ручний моніторинг прогресу поступається автоматичній візуалізації трендів, а виявлення спотворень стає стандартизованим і повторюваним. AI-система знижує вартість на користувача за рахунок масштабування і доступна 24/7 з будь-якого пристрою.

Процес впровадження

1. Аналітика: вивчаємо поточні протоколи клієнта, визначаємо пріоритетні модулі.
2. Проектування: адаптуємо промпти, дизайн діалогу, векторну базу.
3. Реалізація: пишемо код, інтегруємо з корпоративними системами (Bitrix24, Slack) для корпоративних програм ментального здоров'я.
4. Тестування: QA з реальними користувачами, A/B-тести точності виявлення спотворень.
5. Деплой: встановлення на захищені сервери, налаштування моніторингу.

Що входить в роботу та терміни

• Готові модулі (щоденник думок, поведінкова активація, експозиція).
• Інтеграція з HR-платформами (Bitrix24, Slack) для корпоративних клієнтів.
• Моніторинг логів та якості відповідей (W&B, MLflow).
• Документація API та інструкції для користувачів.
• Супровід протягом місяця після деплою.

Терміни орієнтовно:

• Базові модулі (щоденник + поведінкова активація): 4–6 тижнів.
• Повна платформа з трекінгом та аналітикою: 10–14 тижнів.
• Інтеграція з існуючими системами: +2 тижні.

Етичні обмеження та конфіденційність

Система не працює з тяжкою депресією, суїцидальними думками, психозами. Всі такі випадки автоматично перенаправляються до спеціаліста. Ми гарантуємо конфіденційність даних: шифрування end-to-end, локальне зберігання на серверах клієнта. Досвід нашої команди — 5+ років в AI/ML, понад 10 проектів у сфері digital health.

Бажаєте оцінити, як AI-система КПТ впишеться у ваш продукт або корпоративну програму? Зв'яжіться з нами — обговоримо завдання та підготуємо демо. Або замовте пілотний проект для вашої компанії — ми надамо доступ до демо-версії на 14 днів. Отримайте консультацію з впровадження AI-КПТ.

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.