Розробка AI-чат-бота для внутрішніх бізнес-процесів

Уявіть: співробітник витрачає 15–30 хвилин на пошук відповіді в Confluence, відправляє запит в IT-тікет, а фахівець витрачає ще 5–10 хвилин на обробку. За нашими даними, 70% IT-запитів у середині місяця — однотипні: скидання пароля, статус заявки. Кожен такий цикл обходиться компанії в середньому в 8 хвилин робочого часу двох осіб. Ми вирішуємо цю проблему за допомогою корпоративного AI-чат-бота для внутрішніх бізнес-процесів, який дає відповідь за 1–2 хвилини без участі людини.

Наш бот — не просто інтерфейс до внутрішніх систем. Це повноцінний RAG-пайплайн з контролем доступу, інтеграцією з корпоративними сервісами та підтримкою складних запитів. Наприклад, у компанії з 500 співробітниками бот обробляє 200 запитів на день, розвантажуючи HR-відділ на 40%.

Навіщо потрібен AI-чат-бот для внутрішніх бізнес-процесів?

Внутрішні запити забирають час і у співробітників, і у профільних фахівців. Бот автоматизує рутину: HR-питання (відпускні дні, поліс ДМС, офісні правила, оформлення відрядження), IT-запити (скидання пароля, запит доступу до системи, статус заявки), фінансові запити (статус авансового звіту, запит на закупівлю), навігацію по внутрішній базі знань та онбординг нових співробітників. У результаті навантаження на підтримку знижується на 85%, а час відповіді скорочується з 20 хвилин до 2.

Як забезпечується безпека даних?

Принципова відмінність від публічного бота — аутентифікація та розмежування доступу. Кожен запит обробляється в контексті користувача: його роль, відділ, дозволи. Бот перевіряє, чи має співробітник доступ до запитаної інформації, інакше повертає відмову.

class InternalBotContext:
    user_id: str
    department: str
    role: str
    permissions: list[str]

def process_request(message: str, context: InternalBotContext):
    if requires_finance_access(message) and "finance" not in context.permissions:
        return "У вас нет доступа к финансовым данным. Обратитесь к вашему руководителю."
    return bot_handler(message, context)

RAG за внутрішніми документами

Ми використовуємо Retrieval-Augmented Generation — RAG. Індексуємо документи з Confluence (через API), SharePoint (Graph API), Google Drive. Індекс оновлюється за webhook при зміні документів. Важливо: ACL індексуються разом із документами — співробітник бачить лише дозволене.

Чому RAG, а не fine-tuning?

RAG динамічний: при зміні політик або додаванні нового регламенту достатньо переіндексувати документ, не перенавчати модель. Fine-tuning виправданий, коли бот повинен строго генерувати корпоративні шаблони — тоді ми використовуємо LoRA-адаптери, які знижують витрати на навчання в 10 разів. За нашими вимірами, 95% стандартних запитів покриваються RAG без донавчання.

Інтеграції

• JIRA/ServiceNow: створення тікетів, перевірка статусу
• 1С:ЗУП: залишок відпустки, історія зарплати
• Active Directory: інформація про співробітників, оргструктура
• Slack/Teams: нативна інтеграція як додаток

Порівняння підходів до корпоративного бота

RAG краще fine-tuning для динамічної бази знань: він дає актуальні відповіді без перенавчання і підтримує контекстне вікно до 128 000 токенів.

Скільки часу займає впровадження?

Типовий проєкт з інтеграцією Confluence та JIRA займає від 4 до 8 тижнів. Вартість розраховується індивідуально під ваш ландшафт. Time-to-Answer знижується на 90% вже через місяць після запуску.

Що входить в роботу

• Аудит поточних систем та бази знань
• Проєктування архітектури: вибір LLM, векторної БД (Qdrant, pgvector), пайплайну індексації
• Розробка RAG-шару з контролем доступу
• Інтеграція з корпоративними сервісами (JIRA, 1С, Confluence та ін.)
• Налаштування CI/CD для деплою у вашу інфраструктуру
• Документація та навчання команди
• Гарантійна підтримка 3 місяці

index:
  source: confluence
  api: Confluence Cloud REST API v2
  webhook: true
  filters:
    - space: HR
    - space: IT
    - label: internal
  acl: inherit_from_space
  update: on_content_change

Процес роботи

1. Аналітика: виявлення больових точок та частих запитів
2. Проєктування: вибір архітектури та стеку (LLM, векторна БД, конектори)
3. Реалізація: розробка RAG-пайплайну, інтеграція систем, тестування
4. Тестування: замір Time-to-Answer та точності відповідей на реальних запитах
5. Деплой: розгортання у вашому контурі (on-premise / хмара)
6. Підтримка: моніторинг, донавчання, оновлення індексів

Ефективність

Впровадження бота дозволяє заощадити компанії значні кошти на FTE. Середня економія на відділ з 10 осіб може досягати сотень тисяч гривень на рік. Зв'яжіться з нами для попереднього аудиту — надішлемо план впровадження за 2 дні. Замовте демо-доступ, щоб побачити бота в дії на ваших документах.

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.