AI-чат-бот для IT-підтримки (HelpDesk)

Розробка AI-чат-бота для IT-підтримки (HelpDesk)

Уявіть: у вас 500 співробітників, щодня 30 тікетів на скидання пароля. L1-інженери витрачають 15 хвилин на кожен, користувачі чекають у черзі. AI-чат-бот вирішує це за секунди — без черги, 24/7. Ми реалізували такі рішення для десятка компаній, і в середньому навантаження на L1-інженерів знижується на 40% вже в перший місяць. Під ключ за 2–6 тижнів. Оцінимо ваш проект за один день — зв'яжіться з нами.

За даними дослідження Gartner (2023), використання AI-чат-ботів знижує MTTR на 30–40%.

Які проблеми вирішує бот?

Управління доступом — найчастіша категорія запитів. Бот скидає паролі через Active Directory API, розблоковує облікові записи, створює заявки на доступ до ресурсів з автоматичним маршрутизатором узгодження. Усе це без участі живого інженера.

Діагностика та самодопомога — guided troubleshooting, коли користувач описує проблему, а бот проводить по дереву діагностики: «Не можу увійти» → «Проблема з паролем?» → скидання пароля → тікет закрито. Для відомих проблем видається посилання на інструкцію з Confluence.

Заявки та тікети — бот створює тікети в JIRA Service Management, заповнюючи поля з діалогу автоматично, відстежує статус і при необхідності ескалює на L2 з передачею повного контексту листування.

Чому інтеграції вирішують усе?

Бот марний без доступу до ваших систем. Ми підключаємо:

tools = [
    "reset_ad_password",        # Active Directory API
    "unlock_account",           # AD API
    "check_system_status",      # Monitoring API (Zabbix/Grafana)
    "create_jira_ticket",       # JIRA Service Management API
    "search_confluence",        # База знань
    "get_ticket_status",        # JIRA API
    "request_software_access",  # ITSM workflow
]

Кожен інструмент — це окремий мікросервіс на FastAPI з OAuth2-аутентифікацією. Ми використовуємо LangChain для оркестрації викликів, а LLM (наприклад, GPT-4o або LLaMA 3) для вилучення інтентів та сутностей із запиту. RAG-пайплайн на базі ChromaDB з ембеддінгами text-embedding-ada-002 (1536-dim) підтягує релевантні статті з бази знань. В одному з проектів для компанії з 2000 користувачів такий підхід скоротив MTTR по тікетах P2 з 45 хвилин до 4 хвилин, а 60% тікетів L1 вирішувалися без людини.

"Не можу увійти в систему"
→ Проблема з паролем? → Скинути пароль
→ Система взагалі недоступна? → Перевірити статус, створити тікет P1
→ Акаунт заблоковано? → Розблокувати через AD API
→ Інше → Створити тікет L2

Як бот визначає пріоритет?

Бот автоматично призначає пріоритет на основі аналізу опису, кількості зачеплених користувачів та впливу на бізнес. Критичні інциденти (P1) негайно ескалюються черговій зміні через окремий канал. Завдяки цьому MTTR для P1 знижується до хвилин, а втрати бізнесу мінімізуються. Інциденти P3 обробляються за секунди — економія часу користувачів та бюджету підтримки очевидна.

Процес роботи

Після деплою ми використовуємо vLLM для інференсу з низькою затримкою та моніторимо GPU utilization. MLOps-пайплайн (MLflow, Kubeflow) дозволяє швидко оновлювати моделі.

Які метрики відстежуємо?

Після запуску ми моніторимо: відсоток рішень на L1 без ескалації (ціль >40%), MTTR за пріоритетами, CSAT, навантаження на першу лінію. Дані виводяться в дашборд Grafana. Типові результати: час відповіді на P3 — менше секунди, відсоток закриття L1 — 45% проти 30–35% у людини.

Порівняння: бот vs людина

Бот кращий за людину в швидкості та масштабуванні, але не замінює експерта — він знімає рутину.

Що входить в роботу

• Розробка та інтеграція бота з вашими системами (AD, JIRA, Confluence, моніторинг).
• Налаштування діагностичних дерев та RAG-пайплайну (контекстне вікно, few-shot промпти, боротьба з галюцинаціями).
• Документація та навчання L1-інженерів (2–3 сесії).
• Технічна підтримка протягом місяця після запуску.

Отримайте консультацію щодо впровадження — залиште заявку, і ми оцінимо ваш проект за один робочий день. Замовте пілотний проект — ми розгорнемо бота за тиждень на ваших даних.

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.