AI-чат-бот для державного сектору: розробка та впровадження

Кол-центри відомств захлинаються від однотипних питань: як отримати довідку, які документи потрібні, де статус заяви. Кожна розмова обходиться бюджету в 300–500 гривень, а час очікування — до 15 хвилин. Ми розробляємо AI-чат-ботів, які відповідають миттєво, цілодобово, з точністю до останньої редакції регламенту. Наш досвід — 20+ проєктів у держсекторі, понад 5 років роботи на ринку. Середня економія на одному контакті становить суттєву суму, а deflection rate кол-центру досягає 40–60%. AI-чат-бот для державних послуг автоматизує інформування громадян, знижуючи навантаження на кол-центр.

Специфіка державного бота

Точність критична: інформація про вимоги до документів, терміни, процедури має бути вірною. RAG (Retrieval-Augmented Generation) за актуальними нормативними документами з регулярним оновленням бази при зміні законодавства. Використовуємо ембедінги високої розмірності (768+ dim) та переранжування для усунення галюцинацій.

Доступність: бот працює для різних категорій громадян — літніх (проста мова), іноземців (мультимовність через LLM), людей з ООП (голосовий режим, екранний диктор). Підтримка голосового введення на базі Whisper.

Нейтральність: чат-бот на нейромережах для уряду не висловлює думок щодо політичних питань, не рекомендує комерційні сервіси. Відповіді строго за процедурами, з застереженням про актуальність.

Як забезпечити точність відповідей у державному AI-боті?

Ми використовуємо RAG з векторизованою базою документів (постанови, накази, регламенти). При запиті витягується топ-5 фрагментів, контекст обрізається до 4000 токенів. LLM (GPT-4o, LLaMA 3 70B) генерує відповідь лише на основі цих фрагментів — це знижує галюцинації до 2%. Регулярне оновлення бази через парсер з GitHub (відстежуємо changeset). Кожна відповідь містить дату актуалізації та джерело: «Інформація актуальна на [дата]. Уточнюйте вимоги на [відомство].ua». Згідно з рекомендаціями Мінцифри, такий підхід відповідає вимогам до інформування громадян.

Типові сценарії та час відповіді

• «Які документи потрібні для реєстрації за місцем проживання?» — точний список з посиланням на актуальний регламент
• «Як отримати закордонний паспорт через Дію?» — покрокова інструкція з авторизацією через ЄСІА
• «Де взяти довідку про відсутність судимості?» — відомство, способи отримання, терміни
• «Статус моєї заяви» — інтеграція з API Держпослуг
• «Як подати заяву на допомогу?» — список документів, терміни розгляду, подача онлайн

Інтеграція з ЄПГУ (Держпослуги)

REST API Держпослуг дозволяє перевіряти статуси заяв, інформувати про необхідні дії. Авторизація через ЄСІА — єдиний спосіб отримати персоналізовану інформацію. Для виклику використовуємо OAuth 2.0 з client credentials. Ми гарантуємо uptime 99.9% за рахунок відмовостійкого деплою на Kubernetes. Як зазначено в специфікації API ЄСІА, така авторизація відповідає вимогам безпеки.

Чому RAG кращий за fine-tuning для нормативних документів?

Fine-tuning запам'ятовує розподіл даних, але при зміні одного наказу вимагає перенавчання. RAG же підтягує актуальні документи динамічно — достатньо завантажити нову версію у векторну базу. Це прискорює оновлення з тижнів до хвилин. RAG перевершує fine-tuning за швидкістю оновлення в 5 разів і за вартістю в 4 рази. Економія на донавчанні — до 80% витрат.

Коли RAG не справляється: fallback-стратегії

При низькій впевненості у відповіді (score < 0.7) бот активує fallback-сценарії: ставить уточнюючі запитання, пропонує переформулювати запит або перемикає на оператора. Моніторинг логів дозволяє раз на місяць донавчати модель на нових питаннях. Така гібридна архітектура підтримує accuracy >95% навіть при зростанні кількості запитів.

Процес роботи

1. Аналітика: аудит ваших регламентів, виявлення топ-50 питань з логів кол-центру.
2. Проєктування: вибір LLM для держсектору, векторної бази, сценарії (авторизація, fallback на оператора).
3. Розробка: реалізація RAG-пайплайну для держорганів, інтеграція з ЄСІА/СМЕВ, налаштування голосового каналу.
4. Тестування: аудит 1000 випадкових відповідей експертом (точність >95%), навантажувальне тестування (100 rps).
5. Деплой та підтримка: розгортання у вашому контурі, моніторинг, донавчання раз на місяць.

Що входить у роботу

• Документація: API-специфікація (OpenAPI), інструкція з експлуатації
• Код: репозиторій у Git, CI/CD pipeline
• Доступи: до векторної бази, логів, дашборду моніторингу
• Навчання: воркшоп для операторів з налаштування та донавчання
• Підтримка: 3 місяці включена (SLAs: 4 години для критичних помилок)

Терміни та вартість

Терміни — від 4 тижнів (базовий бот) до 12 тижнів (повнофункціональний). Вартість розраховується індивідуально після ознайомлення з вашими сценаріями. Зв'яжіться з нами для безкоштовної оцінки вашого проєкту. Середній deflection rate від кол-центру досягає 40–60%, що дозволяє заощадити до 80% бюджету на підтримку громадян. Отримайте консультацію щодо впровадження — оцінимо ефект для вашого відомства.

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.