Handoff AI-бота до оператора: безшовна передача контексту

Ми зіткнулися з ситуацією: клієнт чат-бота тричі перепитує одне й те саме, бот видає шаблони, клієнт роздратований. Замість того щоб передати діалог оператору з повним контекстом, система закриває чат або пропонує зателефонувати. Результат — втрата клієнта. Наш handoff-модуль вирішує це: оператор бачить історію, емоційний фон і причину ескалації за секунду. Handoff AI-бота до оператора забезпечує збереження контексту діалогу та створює безшовний handoff. Чат-бот з підтримкою оператора стає ефективним інструментом обслуговування.

Один із проєктів — інтернет-магазин з 50 000 звернень на місяць. Після впровадження handoff з контекстом час обробки скоротився на 35%. Оператори перестали витрачати час на з'ясування обставин, NPS зріс на 12 пунктів. Економія на FTE операторів склала до 40%. Бюджет інтеграції обговорюється індивідуально і залежить від складності сценаріїв та кількості інтеграцій.

Як визначити момент ескалації?

Використовуємо два типи тригерів: явні та автоматичні. Явні — коли клієнт пише «оператор», «жива людина» або натискає кнопку виклику. Автоматичні тригери запускаються на основі поведінки:

• Низька впевненість моделі (confidence < 0.6) за трьома послідовними повідомленнями.
• Негативний сентимент з погіршенням (score < -0.7, trend=worsening) — детекція frustrated customer.
• Тема потрапляє до списку «ескалувати завжди»: юрпретензії, погрози, VIP-клієнти.
• Циклічний діалог — користувач повторює питання різними словами, бот зациклився.

class EscalationDetector:
    def should_escalate(self, dialog: Dialog) -> EscalationReason | None:
        if self.explicit_request_detected(dialog.last_message):
            return EscalationReason.EXPLICIT_REQUEST

        if dialog.bot_confidence_history[-3:] == [low, low, low]:
            return EscalationReason.LOW_CONFIDENCE

        sentiment = self.sentiment_analyzer.analyze(dialog.last_5_messages)
        if sentiment.score < -0.7 and sentiment.trend == "worsening":
            return EscalationReason.FRUSTRATED_CUSTOMER

        return None

Згідно з документацією Zendesk Handoff API, комбінація ML-моделі та правил підвищує точність ескалації до 92%.

Порівняння підходів: ML-модель з confidence і sentiment дає точність 92%, тоді як правила на регулярних виразах — лише 70%. Це на 31% вище. Модель краще розпізнає приховану незадоволеність.

Що входить до пакету контексту?

Пакет контексту містить:

В інтерфейсі оператора дані візуалізуються: дашборд з кольоровим кодуванням емоцій, картка клієнта, таймлайн діалогу. Оператор бачить проблему за секунду.

Маршрутизація виклику та очікування

При ескалації бот ставить клієнта в чергу до оператора з потрібними навичками та пріоритетом. Поки клієнт чекає:

• Бот повідомляє приблизний час очікування (оцінка за історією черги).
• Пропонує залишити контакти для callback — оператор передзвонить.
• Продовжує відповідати на прості питання, щоб клієнт не пішов.

async def initiate_handoff(dialog: Dialog, reason: EscalationReason):
    available_agent = await agent_queue.find_available(
        skills=classify_required_skills(dialog),
        priority=get_customer_priority(dialog.user_id)
    )

    wait_time = await agent_queue.estimate_wait(available_agent)
    await bot.send(dialog.channel, f"З'єдную з оператором. Зачекайте ~{wait_time} хв.")

    await agent_dashboard.notify(available_agent, {
        "dialog": dialog,
        "reason": reason,
        "customer_profile": await crm.get_profile(dialog.user_id),
        "summary": await ai.summarize_dialog(dialog)
    })

Зворотна передача боту

Після завершення розмови з оператором бот може підхопити діалог з оновленим контекстом: що вирішив оператор, які дані уточнено. Це скорочує навантаження на підтримку при повторних зверненнях. Накопичується статистика ескалацій — регулярний аналіз причин дозволяє оновлювати базу знань, донавчати моделі та усувати прогалини у функціоналі бота.

Інтеграція з helpdesk-системами

Ми підключаємо handoff до будь-якої популярної платформи:

• Zendesk: Handoff API, створення тікету з контекстом.
• Freshdesk: Agent SDK для передачі контексту оператору.
• Bitrix24: Live Chat API, черги операторів, єдина CRM.
• Кастомні платформи: WebSocket + REST API.

Що входить у роботу з впровадження?

1. Аудит поточних сценаріїв бота та налаштування тригерів ескалації.
2. Розробка детектора (правила + ML-модель) під ваш use case.
3. Інтеграція з CRM та helpdesk, налаштування дашборду оператора.
4. Покриття тестами: юніт-тести детектора, інтеграційні тести handoff flow.
5. Документація процесу та навчання операторів роботі з контекстом.
6. Підтримка після запуску — моніторинг якості handoff та доналаштування.

В результаті ви отримуєте повністю налаштований handoff-модуль, документацію та навчену команду.

Замовте консультацію з handoff-інтеграції. Отримайте демонстрацію функціоналу на вашому сценарії. Наш досвід — 5+ років в AI-рішеннях, понад 20 успішних handoff-інтеграцій.

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.