AI-система автоматичного створення тікета після звернення

Після завершення діалогу з клієнтом оператор витрачає 2–5 хвилин на ручне заповнення тікета. При навантаженні 200 звернень на день це відбирає до 16 людино-годин. Це не лише витрати часу, а й помилки: пропущені поля, невірна категорія, втрачені деталі. Ми замінюємо цю рутину на AI-агента, який аналізує стенограму і за секунди створює структурований тікет з категорією, пріоритетом та вилученими даними. Оператору залишається натиснути «Підтвердити» — у 80–90% випадків правки не потрібні. Система працює з будь-яким helpdesk, що підтримує API, і використовує сучасні LLM: GPT-4, Claude або LLaMA. AI тікети, створені таким чином, значно прискорюють обробку.

Іван, керівник support: «Завдяки автоматизації ми скоротили час обробки звернень на 65%». Середня економія на операційних витратах становить $3000–$5000 на місяць для команди з 10 операторів. Вартість впровадження починається від $1500. Середня вартість одного AI-генерованого тікета — $0.05, що значно дешевше ручної праці.

Як AI створює тікет за секунди?

Ключове завдання — перетворити неструктурований діалог у формалізований тікет. AI-модель на основі архітектури трансформера виділяє суть, категорію, пріоритет та додаткові атрибути. Архітектура рішення проста: після завершення розмови транскрипт відправляється в LLM, яка повертає JSON з полями тікета. NLP-модель аналізує тональність, токенізація діалогу виконується з контекстним вікном до 4096 токенів. Інференс моделі займає 2–5 секунд. AI перевершує ручне введення в 10 разів за швидкістю та в 5 разів за точністю.

Процес вилучення даних AI

Після завершення розмови AI-модель отримує транскрипт і генерує тікет з такими полями:

class AutoGeneratedTicket(BaseModel):
    subject: str                     # краткое описание проблемы
    description: str                 # развёрнутое описание с деталями
    category: str                    # тип обращения
    priority: Literal["P1","P2","P3","P4"]
    customer_sentiment: str          # эмоциональное состояние клиента
    resolution_provided: bool        # была ли решена проблема
    follow_up_required: bool         # нужно ли дополнительное действие
    follow_up_description: str | None
    extracted_entities: dict         # номера заказов, продукты, суммы
    tags: list[str]                  # для поиска и аналитики

Кожне поле заповнюється на основі контексту. Пріоритет визначається за тональністю та ключовими словами — наприклад, якщо клієнт каже «терміново», priority підвищується до P1. Категорія маппінг з фраз: «не приходить лист» → «Поштові сповіщення». Вилучення даних з розмови відбувається автоматично.

Чому AI точніше за людину?

Ручне створення: вибрати категорію (3–10 секунд), написати опис (60–120 секунд), розставити теги (10–30 секунд). Разом 2–5 хвилин. AI робить те ж саме за 20–30 секунд, включаючи транскрибацію та генерацію. Порівняно з ручним введенням, AI в 10 разів швидше формує тікет і має в 5 разів менше помилок. Helpdesk автоматизація значно скорочує час оператора. Порівняльна таблиця:

Економія: AI в 10 разів швидше і скорочує операційні витрати на 60–80%, що відповідає скороченню часу оператора на 65%. Замовте демо-версію, щоб побачити систему в дії.

Інтеграція з helpdesk

Після генерації тікет автоматично створюється у вашій системі через API. Інтеграція Zendesk виконується за стандартним REST API. Приклад для Zendesk:

zendesk.tickets.create(
    subject=ticket.subject,
    comment={"body": ticket.description},
    priority=ticket.priority.lower(),
    tags=ticket.tags,
    custom_fields=[{"id": CATEGORY_FIELD_ID, "value": ticket.category}]
)

Оператор отримує сповіщення: «Тікет створено автоматично — перевірте та скоригуйте за потреби». Система підтримує Zendesk, Jira Service Management, Freshdesk, Bitrix24, OTRS та кастомні REST API. Якщо потрібна інша система — напишіть, ми додамо.

Склад розробки

Ми реалізуємо рішення під ключ за 2–4 тижні. Етапи:

1. Аудит поточних процесів helpdesk та типів звернень, збір прикладів діалогів.
2. Проектування промптів та схеми тікета: поля, пріоритети, категорії.
3. Інтеграція з вашою helpdesk-системою через REST API або вебхуки.
4. Налаштування LLM (GPT-4, Claude або LLaMA) для вилучення даних з few-shot прикладами.
5. Тестування на історичних діалогах — досягаємо точності ≥90% по кожному полю.
6. Навчання операторів: як перевіряти та коригувати автоматично створені тікети.
7. Підготовка документації та кодової бази, готової до розширення.
8. Підтримка 3 місяці після впровадження: моніторинг, доналаштування, оновлення промптів.

Що входить в роботу

• Документація архітектури рішення
• Доступи до API та вебхуків
• Навчання операторів (2-3 дні)
• Підтримка протягом 3 місяців
• Кодова база з коментарями для подальшого розширення

Додаткова таблиця — час виконання етапів:

Типові помилки при ручному тікетуванні

• Пропуск поля customer_sentiment — неможливо оцінити терміновість.
• Невірна категорія через неоднозначні формулювання.
• Втрата контексту при переказі.

AI виключає ці помилки: він завжди заповнює всі поля на основі повного контексту. Розпізнавання діалогу та вилучення суті є ключовими перевагами.

Наш досвід та гарантії

Ми розробляємо AI-рішення понад 5 років. За цей час впровадили більше 50 проектів у ритейлі, фінтесі та логістиці. Маємо ліцензію на розробку ПЗ та сертифікати з роботи з OpenAI і Hugging Face. На всі інтеграції даємо гарантію 6 місяців. При виникненні проблем реагуємо за 2 години. Кожен проект проходить двоетапне тестування: на синтетичних даних і на реальних діалогах. Ми фіксуємо метрики точності по кожному полю і надаємо звіт. Якщо точність падає нижче 90% на новому типі звернень, безкоштовно доналаштовуємо промпти. Автоматизація обробки звернень за допомогою LLM тікетів — наша спеціалізація.

Хочете автоматизувати створення тікетів? Зв'яжіться з нами — оцінимо ваш проект безкоштовно. Отримайте консультацію щодо вибору моделі та строків впровадження. AI для helpdesk — це майбутнє підтримки.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.