Розробка AI-системи автоматичної оцінки чатів операторів

Розробка AI-системи автоматичної оцінки чатів операторів

Ручна оцінка якості чатів — слабке місце більшості контакт-центрів: аналітики перевіряють 2–5% діалогів. AI-скорінг аналізує 100% чатів і дає об'єктивну оцінку за стандартизованими критеріями. Ми впровадили такі системи в 50+ проектах і гарантуємо: точність оцінки не нижча за людську при швидкості в 100 разів вище. Точність AI-моделі сягає 95% при кореляції з експертами >0.9, що перевершує середнього аналітика (85–90%). Економія на QA-відділі може складати до 60% бюджету при впровадженні автоматичного скорінгу. Для контакт-центру з 50 операторами річна економія сягає 2 млн грн.

Які проблеми вирішує AI-скорінг?

Головний біль — суб'єктивність і низька вибірка. Людина втомлюється до обіду, її увага розсіюється, критерії плавають. AI стабільний: однаково строгий вранці та ввечері. Друга проблема — пропуск системних помилок. Якщо оператор грубить кожному десятому клієнту, це непомітно при 5% вибірки. AI знайде закономірність за день.

Третій нюанс — масштабування. Найняти 10 аналітиків на 500 операторів дорого і довго. AI-модель на LLM донавчається за тиждень і обробляє чати в реальному часі.

Як ми налаштовуємо критерії оцінки?

Типовий чек-лист — лише основа. Ми додаємо специфіку вашого бізнесу: для техпідтримки — коректність діагностики, для продажів — успішність доппродажу, для логістики — точність термінів. Критерії зважуються: помилка у вирішенні може коштувати 0.7 бала, а відсутність привітання — 0.1.

Чому важливе калібрування AI?

Модель без калібрування — чорна скринька. Вона може оцінювати ввічливість, а не корисність. Наш процес: експерти розмічають 300–500 чатів, модель навчається на цих оцінках, потім порівнюємо на відкладеній вибірці. Ціль — correlation >0.85. Якщо метрика падає — оновлюємо еталон або донавчаємо модель. Регулярне калібрування раз на квартал підтримує точність.

Реалізація AI-скорінгу

Базовий клас на Python з Pydantic:

class ChatQualityScore(BaseModel):
    greeting_score: float        # 0-1
    problem_understanding: float
    solution_accuracy: float
    communication_quality: float
    procedure_compliance: float
    empathy_score: float
    overall_score: float         # зважена сума
    highlights: list[str]        # конкретні приклади з чату
    improvement_areas: list[str] # що покращити

def score_chat(dialog: list[dict]) -> ChatQualityScore:
    # Передаємо весь діалог + критерії оцінки
    return llm.parse(
        build_scoring_prompt(dialog),
        response_format=ChatQualityScore
    )

Модель повертає структурований результат, який автоматично завантажується в CRM або BI-систему.

Порівняння ручної оцінки та AI-скорінгу

Що входить в роботу

1. Аудит поточних стандартів — аналізуємо 100 чатів, виявляємо критерії та типові помилки.
2. Налаштування моделі — донавчаємо LLM (GPT-4 або Llama 3) на ваших даних з використанням LoRA.
3. Калібрування та тест — перевіряємо кореляцію з експертами, коригуємо ваги.
4. Інтеграція — підключаємо до вашого чат-рішення (Zendesk, LiveChat, Bitrix24) через API.
5. Звіти та дашборди — налаштовуємо Google Data Studio або Grafana з автогенерацією раз на тиждень.
6. Навчання операторів — проводимо семінар з роботи з рекомендаціями системи.

Терміни: від 2 до 8 тижнів залежно від складності інтеграції. Вартість розраховується індивідуально — зв'яжіться з нами, оцінимо ваш проект.

Зворотний зв'язок операторам

Автоматичні щотижневі звіти для кожного оператора: сильні сторони, зони росту, динаміка. Гейміфікація: рейтинги в команді, бейджі за покращення. Менеджерський дашборд: теплова карта проблемних критеріїв по команді — де потрібне донавчання.

Наш досвід та гарантії

Ми в цій сфері більше 5 років, реалізували 50+ проектів для рітейлу, телекому та фінтеху. Надаємо model card з метриками точності, гарантуємо SLA за часом відповіді — p99 не вище 2 секунд на чат. Після впровадження підтримуємо систему: калібрування раз на квартал, донавчання при зміні скриптів.

Приклад звіту оператора: за тиждень 120 чатів, загальний бал 0.87. Сильні сторони: точність вирішення (0.92), емпатія (0.90). Зони росту: повнота привітання (0.65), заповнення CRM (0.70). Динаміка за місяць: +0.05.

Отримайте консультацію: розповімо, як адаптувати AI-скорінг під ваші процеси. Замовте пілотний проект на 100 чатах — оцініть точність до покупки.

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.