Розробка AI-чат-бота для e-commerce: RAG та семантичний пошук

Клієнт пише «недорогий ноутбук для фотошопу» — і отримує сотню нерелевантних результатів. Ми вирішуємо це впровадженням AI-чат-бота з RAG, який розуміє намір і контекст. Наша команда має 7+ років досвіду в AI/ML, реалізувала понад 20 проєктів для інтернет-магазинів, середнє зростання конверсії — 25%.

Чому AI-чат-бот підвищує конверсію?

Звичайний пошук за ключовими словами не розуміє контекст: клієнт пише «недорогий ноутбук для фотошопу», а отримує сотню моделей без урахування бюджету та завдань. Бот на основі LLM з RAG розуміє намір, ставить уточнюючі запитання і видає 2–3 релевантних варіанти з поясненням. RAG + LLM підвищує add-to-cart rate на 50% порівняно з keyword search (18% проти 12%).

Як інтегрувати бота з існуючою CRM?

Ми підключаємо бота до вашого API або використовуємо готові конектори до популярних платформ. Типовий стек інтеграції:

from langchain.tools import StructuredTool

tools = [
    "search_products",      # пошук у каталозі
    "get_product_details",  # характеристики, фото, наявність
    "check_order_status",   # трекінг замовлення
    "get_cart",             # поточна корзина
    "add_to_cart",          # додавання в корзину
    "apply_promo_code",     # застосування промокоду
    "initiate_return",      # оформлення повернення
    "check_availability",   # наявність у місті/магазині
]

Кожен інструмент — HTTP-виклик до вашої CRM або каталогу. Бот сам визначає, який інструмент викликати, на основі запиту клієнта.

Як відбувається впровадження RAG?

Впровадження RAG-пайплайну включає кілька етапів:

1. A/B тест на реальних користувачах — порівнюємо конверсію та containment rate.
2. Безперервне навчання — коригуємо ембедінги на нових даних.
3. Оптимізація latency — використовуємо кешування та vLLM для відповідей під 200 мс.

Що входить у роботу

1. Аудит — аналіз поточних процесів підтримки та пошуку, збір типових сценаріїв.
2. Проєктування — архітектура RAG, вибір LLM та векторної БД.
3. Розробка — написання бота на LangChain або LlamaIndex, інтеграція з CRM і каталогом.
4. Навчання — донавчання моделі (fine-tuning з LoRA) на історичних діалогах.
5. Тестування — A/B-тест на реальних користувачах, автоматичні сценарії.
6. Деплой — розгортання на вашому сервері або cloud (SageMaker, Vertex AI).
7. Моніторинг — дашборд метрик та алерти на падіння якості.
8. Навчання команди — документація та тренінг для операторів.

Що робити, якщо модель галюцинує?

Hallucination — поширена проблема: бот може вигадати товар або акцію. Ми вирішуємо це строгим RAG з перевіркою наявності в каталозі та постобробкою відповіді. Додатково використовуємо ground truth з вашої бази та fine-tuning для зниження ймовірності вигадок.

Кейс: збільшення AOV на 15% за рахунок cross-sell

Для інтернет-магазину електроніки ми впровадили бота, який при додаванні товару в корзину пропонував сумісні аксесуари. За місяць середній чек зріс з 12 500 до 14 400 рублів. Додатково бот обробляв 80% питань про повернення, розвантаживши 3 операторів. Ми реалізували це через динамічний cross-sell на основі правил асортименту та персоналізації.

Типові помилки при впровадженні

• Hallucination моделі — бот вигадує товари або акції. Рішення: строгий RAG з перевіркою наявності в каталозі.
• Prompt injection — клієнт змушує бота ігнорувати правила. Рішення: фільтрація вхідних даних та system prompt із захистом.
• Затримки відповіді — latency > 2с знижує конверсію. Рішення: кешування запитів та використання локальної LLM з vLLM.

Персоналізація

Бот враховує історію клієнта: попередні покупки, повернення, корзину. Це дозволяє генерувати релевантні пропозиції: «Ви купували X минулого разу — зараз є оновлена версія Y за спеціальною ціною». Сегментація пропозицій: новий клієнт отримує вітальний промокод, постійний — інформацію про програму лояльності.

Конверсійні механіки

• Urgency signals: «Залишилося 3 штуки», «Закінчується через 2 години» — бот згадує при наявності.
• Cross-sell/Upsell: при додаванні в корзину — супутні товари.
• Abandon cart recovery: якщо клієнт іде з незавершеним замовленням — бот пропонує допомогу.
• Price drop alerts: підписка на зниження ціни через бота.

Метрики e-commerce бота

• Add-to-cart rate через бота vs без бота.
• Average order value: бот впливає через cross-sell.
• Containment rate: % питань, вирішених без оператора.
• Bot-influenced revenue: revenue замовлень, де клієнт взаємодіяв з ботом.

Зв'яжіться з нами для безкоштовної консультації по вашому проєкту. Замовте розробку бота під ключ — середній термін від 6 тижнів. Ми надаємо гарантію на якість відповідей та SLA на uptime. Отримайте розрахунок вартості для вашого магазину.

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.