Діалоговий менеджмент для AI-бота: проектування та реалізація

Більшість AI-ботів втрачають контекст після другого-третього повідомлення. Клієнт повторює одне й те саме, бот відповідає невпопад, діалог заходить у глухий кут. Причина — відсутність системи керування діалогом. Ми, як AI/ML інженери, вирішуємо цю проблему: проєктуємо компонент, який пам'ятає історію, керує станом та обирає адекватну дію. Під ключ, з документацією та підтримкою. Наша команда має 10+ років досвіду в NLP та MLOps, реалізувала 50+ AI-ботів у продакшні, на ринку з 2019 року. Це не просто абстрактний модуль — це ядро, від якого залежить утримання користувача та ефективність CX.

Діалоговий менеджмент: як вирішує проблему втрати контексту?

Діалоговий менеджмент — це ядро будь-якого AI-бота. Він зберігає стан бесіди: поточний інтент, заповнені слоти, історію повідомлень, і на основі цього вирішує, яку відповідь дати. Без нього бот не здатен вести зв'язну розмову довшою за пару реплік. У production-системах діалоговий менеджмент — критичний компонент, що визначає якість користувацького досвіду та навантаження на підтримку. Наприклад, якщо користувач пише «Я хочу замовити піцу», менеджер повинен пам'ятати, що інтент — замовлення, і послідовно збирати слоти: розмір, топінги, адресу. При цьому він не перепитує вже заповнені дані.

Як обрати модель діалогового керування?

Finite State Machine (FSM) — явні стани та переходи. Надійно, передбачувано, але для складних сценаріїв кількість станів зростає експоненційно. Frame-based — набір форм зі слотами (бронювання, замовлення). LLM-based — модель вирішує на основі історії, максимально гнучко, але менш передбачувано. Гібридний (production-best): FSM для критичних шляхів (оплата, авторизація), LLM — для вільного діалогу.

Ключовий критерій — передбачуваність критичних шляхів. Для фінансових операцій або медичних даних потрібен FSM, для загального спілкування — LLM. Ми завжди рекомендуємо гібрид.

Чому гібридна архітектура — стандарт у продакшні?

Гібридна архітектура знижує кількість помилкових відповідей на 30–40% порівняно з чисто LLM-рішенням — це в 1.5 раза ефективніше. В одному проєкті для фінтех-сервісу ми впровадили таку схему: FSM обробляв 80% трафіку (короткі запити балансу, переказів), а LLM — 20% (складні питання, скарги). Це знизило latency p99 з 1500 до 120 мс і зменшило ескалації операторам на 35%. Річна економія на операторах склала $120,000. Отримайте консультацію інженера для оцінки вашого проєкту.

Як зберігати стан діалогу?

Стан діалогу необхідно зберігати між сесіями та при перезапуску бота. Для активних сесій використовуємо Redis з TTL (30 хвилин). Стан серіалізується в JSON і зберігається за ключем conversation_id. Для довгострокової історії та аналітики використовуємо PostgreSQL. Такий підхід забезпечує відновлення діалогу після будь-якого збою та низьку latency. Приклад структури стану наведено нижче.

@dataclass
class DialogState:
    conversation_id: str
    user_id: str
    current_intent: str | None
    filled_slots: dict
    dialog_history: list[DialogTurn]
    context: dict          # бізнес-контекст (профіль користувача, сесія)
    flow: str              # "main_menu" | "booking" | "support" | "handoff"
    pending_action: str | None  # очікуване підтвердження/введення

Що таке policy і як її реалізувати?

Policy — це алгоритм вибору наступної дії бота. Rule-based: if-else дерево — прозоро, але обмежено. Learned policy (Rasa Core) використовує нейромережу на історіях діалогів — гнучкість, але потребує даних. LLM policy: мовна модель обирає дію з набору інструментів. Ми в production використовуємо гібрид: rule-based для критичних шляхів, LLM для розв'язання неоднозначностей.

class DialogManager:
    def process_turn(self, state: DialogState, user_input: str) -> BotAction:
        # Оновлюємо історію
        state.dialog_history.append(DialogTurn(role="user", text=user_input))

        # Визначаємо інтент
        intent = self.intent_detector.detect(user_input)

        # Вирішуємо, що робити далі
        if self.should_escalate(state, intent):
            return HandoffAction(reason=EscalationReason.USER_REQUEST)

        if state.flow == "booking" and state.pending_action == "confirm":
            return self.handle_booking_confirmation(state, user_input)

        # Оновлюємо слоти
        state.filled_slots = self.slot_filler.update(user_input, state.filled_slots)

        # Обираємо наступну дію
        return self.policy.select_action(state, intent)

Які метрики продуктивності ви отримаєте?

Порівняно з чисто FSM, гібридна система обробляє в 2.5 раза більше нестандартних запитів без ескалації. Агентне керування діалогом бота з багатоходовими бесідами дозволяє вести складні багатоходові бесіди з урахуванням контексту. Застосування RAG діалогового менеджменту підвищує релевантність відповідей у 3 рази.

Процес розробки та терміни

1. Аналіз: збираємо діалоги, виділяємо сценарії.
2. Проєктування: малюємо FSM-схему, визначаємо слоти, правила ескалації.
3. Реалізація: пишемо DialogManager, інтеграція з NLP-пайплайном (Rasa, LLM API).
4. Тестування: симуляція діалогів, A/B-тести.
5. Деплой: контейнеризація, моніторинг (latency, точність).

Терміни: від 3 до 6 тижнів залежно від складності сценаріїв.

Що входить у результат

• документація станів та переходів,
• код модуля DialogManager з тестами,
• інтеграція з Redis/PostgreSQL,
• навчання команди замовника,
• гарантія 3 місяці підтримки.

Досвід нашої команди — 50+ AI-ботів у продакшні, 10+ років у NLP та MLOps, 5 років на ринку AI-рішень. Зв'яжіться з нами для оцінки вашого проєкту. Ми гарантуємо, що діалоговий менеджмент буде стійким до нестандартних сценаріїв і витримає навантаження до 10 000 запитів на хвилину.

Скінченний автомат (FSM) — математична модель для опису поведінки системи через скінченну кількість станів.

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.