Персоналізація діалогу AI-чат-бота: підходи та кейси

Уявіть: клієнт заходить у чат підтримки інтернет-магазину та пише «Де моє замовлення?». Без персоналізації бот відповість шаблонно: «Уточніть номер замовлення». З персоналізацією: «Анно, ваше замовлення №5678 уже передано кур'єрській службі і буде доставлено сьогодні до 18:00». Різниця — у контекстній адаптації, яку ми реалізуємо за допомогою профілювання користувача, історії його взаємодій та поведінкових патернів. Продажі через персоналізований чат-бот у середньому в 1.8 раза вищі, ніж через звичайний, а економія на операторах може бути суттєвою для компаній з 10+ операторами.

За даними A/B-тестів, персоналізація підвищує конверсію на 30–50% уже в перший тиждень.

Чому персоналізація діалогу підвищує конверсію?

Персоналізований діалог створює ефект живого спілкування: користувач відчуває, що бот його знає і розуміє. Це знижує тертя та прискорює досягнення мети — покупку, вирішення проблеми або отримання інформації. Додатковий ефект — зростання LTV за рахунок повторних звернень: користувачі повертаються, тому що бот запам'ятовує їхні вподобання.

Проблеми, які вирішуємо

Бот, навчений на загальному корпусі діалогів, однаково відповідає новачку та експерту, що викликає роздратування та відтік. Основні технічні складності включають збір та нормалізацію даних: профіль користувача часто розмазаний по CRM, логам чатів та зовнішнім системам. Потрібно побудувати єдиний UserProfile з атрибутами: ім'я, роль, стиль спілкування, рівень деталізації, відомі факти. Динамічне формування контексту — LLM з фіксованим системним промптом не враховує історію, тому ми генеруємо промпт на льоту, підтягуючи останні 3–5 взаємодій з векторної БД. Баланс персоналізації та приватності — персональні дані мають бути захищені, тому ми використовуємо анонімізацію перед відправкою в LLM і зберігаємо лише узгоджені поля.

Як персоналізація впливає на бізнес-метрики?

Клієнти з e-commerce після впровадження отримують зростання середнього чека на 15% та зниження кількості повернень через неправильні рекомендації. У телекомі — скорочення часу вирішення проблеми на 40%. NPS збільшується на 15–20 пунктів, а кількість ескалацій оператору падає вдвічі. Персоналізований бот у 2 рази частіше завершує діалог без ескалації, ніж неадаптований.

Як ми персоналізуємо діалог?

Розберемо на прикладі. Використовуємо Python та бібліотеку Hugging Face Transformers для генерації персоналізованого системного промпту:

def build_personalized_system_prompt(user_profile: UserProfile) -> str:
    return f"""Ти асистент компанії X.
Ти спілкуєшся з {user_profile.name} ({user_profile.role} в {user_profile.company}).
Звертайся по імені: {user_profile.preferred_name or user_profile.first_name}.
Стиль спілкування: {user_profile.communication_style}.  # "formal" | "friendly" | "technical"
Рівень деталізації: {user_profile.detail_level}.   # "brief" | "detailed" | "expert"

Факти про користувача:
{format_user_facts(user_profile.known_facts)}

Історія останніх взаємодій:
{format_recent_history(user_profile.recent_interactions[:3])}
"""

Цей промпт передається в LLM разом із поточним повідомленням. Адаптація не обмежується текстом: для e-commerce ми підмішуємо рекомендації на основі історії переглядів, для підтримки — проактивні пропозиції за минулими тікетами. В основі лежить RAG-архітектура та динамічний промптинг.

Що дає персоналізація в e-commerce?

Персоналізація безпосередньо впливає на середній чек та повторні продажі. Клієнти, яким бот рекомендує товари на основі історії переглядів та покупок, конвертуються в 2 рази частіше. Ми впроваджували такий підхід для інтернет-магазину електроніки: після запуску персоналізованих рекомендацій у чаті середній чек зріс на 18%, а повернення знизилися на 12%. Додатково бот став проактивно нагадувати про покинуті кошики — це принесло ще 8% конверсії.

Процес роботи

Аудит поточних даних користувачів (CRM, логи, трекери) дозволяє спроєктувати схему профілю та конвеєр збору. Потім реалізується pipeline: екстракція фіч → ембедінги → динамічний промптинг. Після інтеграції з фреймворком бота (LangChain, Rasa або власна розробка) пишеться документація та проводиться навчання команди. Завершальний етап — A/B-тестування та оптимізація за метриками.

Терміни та вартість

Терміни: від 4 тижнів на пілотний проєкт до 3 місяців на повноцінне впровадження з MLOps. Вартість розраховується індивідуально та залежить від обсягу даних, складності інтеграції та обраної архітектури. Отримайте консультацію — оцінимо ваш проєкт під ключ з гарантією результату.

Типові помилки при персоналізації діалогу

Ігнорування cold start — якщо даних про користувача немає, бот повинен використовувати baseline. Не робіть персоналізацію за замовчуванням, це призводить до помилок. Занадто детальні відповіді: експертний рівень доречний не для всіх сегментів, використовуйте класифікатор користувача за роллю. Витік даних через промпт — ніколи не передавайте raw-дані в LLM, анонімізуйте перед відправкою.

Приватність даних

Вимоги GDPR та 152-ФЗ вимагають явної згоди на обробку. Ми впроваджуємо опцію «забути дані», зберігаємо лише ті поля, які потрібні для персоналізації, та шифруємо передачу. Кожен користувач може запросити видалення свого профілю.

Персоналізація — не просто приємне доповнення, а інструмент зростання. Досвід нашої команди (більше 20 впроваджень) гарантує, що ви отримаєте систему, яка реально збільшує LTV та satisfaction. Зв'яжіться з нами — обговоримо ваш сценарій.

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.