AI-чат-бот для Facebook Messenger та Instagram з RAG та fine-tuning

Розробка AI-чат-бота для Facebook Messenger та Instagram

Ви запустили сторінку у Facebook, і через годину перше повідомлення: «Скільки коштує доставка до Києва?» — ручна відповідь забирає час. Ми створюємо AI-чат-ботів, які обробляють такі запити автоматично: захоплення лідів, консультації, підтримка 24/7. Стек — GPT-4, Llama 3, Mistral; RAG-пайплайни на LangChain з ChromaDB або pgvector. Інтеграція через Messenger Platform API займає 14 днів до MVP.

Які проблеми вирішує AI-бот у Messenger?

Типові сценарії: заявки на консультацію, перевірка наявності товару, розрахунок доставки, повернення. Без AI оператори витрачають до 40% часу на однотипні питання. Бот з RAG-системою підтягує відповіді з бази знань: статті, ціни, складські залишки. Fine-tuning на історичних діалогах збільшує точність на 15% порівняно з чистим GPT-4. Додатково налаштовуємо класифікацію інтентів — бот розпізнає намір користувача (покупка, скарга, питання по замовленню) і перемикає сценарій.

Наприклад, для інтернет-магазину меблів ми впровадили бота, який обробляє 80% запитів без участі людини. Час відповіді знизився з 30 хвилин до 2 секунд, а конверсія в замовлення зросла на 25%. Економія бюджету підтримки склала 60% за перші три місяці.

Чому RAG ефективніший за простий GPT-4 для Messenger?

Без RAG мовна модель може галюцинувати — вигадувати ціни або терміни. RAG (Retrieval-Augmented Generation) додає шар верифікації: спочатку запит шукає релевантні документи у векторній БД (ChromaDB, pgvector), потім формує відповідь на основі знайдених фактів. Це знижує кількість невірних відповідей на 70% у тестових прогонах. Для Messenger, де ціна помилки — втрата клієнта, RAG — обов'язковий компонент.

Як ми інтегруємо AI у Facebook Messenger?

Шаг 1. Реєстрація застосунку в Meta Business Suite, отримання Page Access Token.
Шаг 2. Налаштування webhook-ендпоїнта на Flask (або FastAPI) з верифікацією підпису для безпеки.
Шаг 3. Розробка AI-модуля: базова генерація (GPT-4) або RAG з LangChain.
Шаг 4. Реалізація діалогів: quick replies, persistent menu, generic templates.
Шаг 5. A/B тестування — порівнюємо з ручною обробкою.

Приклад webhook на Flask:

from flask import Flask, request
import requests

app = Flask(__name__)
PAGE_ACCESS_TOKEN = "your_token"

@app.route("/webhook", methods=["POST"])
def webhook():
    data = request.json
    for entry in data.get("entry", []):
        for event in entry.get("messaging", []):
            if "message" in event:
                sender_id = event["sender"]["id"]
                text = event["message"].get("text", "")
                response = ai_bot.process(text, user_id=sender_id)
                send_message(sender_id, response)
    return "OK", 200

def send_message(recipient_id: str, text: str):
    payload = {
        "recipient": {"id": recipient_id},
        "message": {"text": text}
    }
    requests.post(
        f"https://graph.facebook.com/v19.0/me/messages",
        params={"access_token": PAGE_ACCESS_TOKEN},
        json=payload
    )

Для production ми використовуємо Celery для асинхронної обробки та Redis як брокер — це гарантує latency p99 < 500 мс навіть при пікових навантаженнях.

Порівняння моделей для чат-бота у Messenger

Для Messenger оптимальний гібрид: GPT-4 на складні інтенти, Mistral — на типові відповіді. Це знижує середню вартість на 40%.

Типи повідомлень та їх використання у Messenger

Політики Messenger: що важливо знати

Meta жорстко контролює спам. Ми проектуємо ботів так, щоб кожне повідомлення відповідало політикам: маркетинг — тільки за згодою користувача (subscriber). Сервісні сповіщення — в будь-який час з правильним тегом. Для перевірки відповідності використовуємо симулятор API в пісочниці. Верифікація Business Manager обов'язкова.

Процес роботи та терміни

1. Аудит бізнес-процесів та збір питань (2–3 дні).
2. Підготовка бази знань для RAG (3–5 днів).
3. Розробка та fine-tuning моделі (5–7 днів).
4. Інтеграція webhook та налаштування Messenger API (2–3 дні).
5. Тестування та профілювання latency (p99 < 500 ms) (3 дні).
6. Навчання операторів та запуск (1 день).

Повний цикл: від 2 до 4 тижнів для enterprise-проекту.

Що входить в роботу

• Документація: архітектура бота, інструкція з експлуатації, опис AI-моделі та її обмежень.
• Доступи: код проекту в приватному Git, дашборд моніторингу (Grafana).
• Навчання: вебінар для операторів, база відповідей на часті питання.
• Підтримка: гарантійне обслуговування 30 днів, далі по SLA.

Наш досвід: 30+ впроваджень чат-ботів для Facebook та Instagram, гарантія SLA 99.9%. Отримайте консультацію — надішліть приклад діалогів, ми оцінимо проект за 1 день. Зв'яжіться з нами для детального аудиту вашої поточної підтримки.

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.