Автоматизація замовлень і бронювання: AI-чат-бот для ресторанів

Ресторан втрачає до 30% вхідних замовлень, якщо клієнт чекає відповіді оператора довше 20 секунд. Ми стикалися з ситуацією, коли стоп-лист змінюється кожні 15 хвилин, а бот пропонує вже закінчену страву. Наш AI-чат-бот вирішує обидві проблеми: приймає замовлення за 30 секунд і синхронізує статус страв з касовою системою в реальному часі. Замість 3 хвилин очікування — 30 секунд, і жодних помилок через застарілий стоп-лист. AI-чат-бот працює в 6 разів швидше за оператора.

Чат-бот обробляє замовлення в 6 разів швидше за оператора. Економія на персоналі досягає 60% — замість 5 операторів достатньо 1, а витрати на кол-центр знижуються втричі. Наприклад, для середнього ресторану це економія до 15 000 грн на місяць на операторах. Окупність настає протягом 2–3 місяців. Ми маємо 5 років досвіду в розробці чат-ботів для ресторанів та понад 50 успішних впроваджень.

Які проблеми вирішуємо

Втрата замовлень при піковому навантаженні. В обідній час оператори не встигають обробити всі дзвінки — середнє очікування перевищує 2 хвилини. Чат-бот обробляє 100% запитів миттєво, використовуючи асинхронні моделі (наприклад, GPT-4o з latency p99 < 1 с).

Помилки в стоп-листі. Якщо синхронізація раз на годину, бот продає те, чого нема на кухні. Ми налаштовуємо WebHooks від iiko або R-Keeper — стоп-лист оновлюється за секунди. Відвідувачі не стикаються з відмовою після оформлення.

Низька конверсія з меню в замовлення. Користувач переглядає 10+ позицій і йде. Ми впроваджуємо RAG з векторною БД (наприклад, Qdrant), щоб бот рекомендував страви за параметрами: «щось без глютену», «найпопулярніша гаряча страва». Допродаж десертів і напоїв піднімає середній чек на 15–20%.

Чому AI-чат-бот швидше за оператора?

Бот бере на себе 80% рутинних питань: прийом замовлень, уточнення адреси, час доставки, бронювання. Оператор підключається тільки до складних кейсів (скарги, зміна складу для алергіка). Це скорочує потребу в кол-центрі.

Джерело: внутрішні метрики по 50+ впровадженнях

Інтеграція з вашою касовою системою

Ми підключаємося до iiko API, R-Keeper, Poster, 1С або створюємо REST-прошарок для систем без публічного API. Для кожної розробляємо модель даних: меню, стоп-лист, замовлення, оплати.

Приклад коду обробки WebHook від iiko (Python + LangChain):

from fastapi import FastAPI, Request
from langchain.memory import ConversationBufferMemory

app = FastAPI()
@app.post("/webhook/iiko/stoplist")
async def update_stoplist(request: Request):
    data = await request.json()
    # оновлюємо векторну БД: видаляємо embeddings закінчених страв
    qdrant_client.delete(collection_name="menu",
                         filter=data["stopList"]["items"])
    return {"status": "ok"}

Підтримувані POS-системи:

Як бот обробляє складні модифікації?

Для складних модифікацій, наприклад «бургер без лука, але з подвійним сиром», використовуємо few-shot промпти з прикладами. Модель донавчається на вашому меню за допомогою fine-tuning, що дозволяє коректно інтерпретувати будь-які комбінації. Бот уточнює відсутні деталі та підтверджує замовлення перед відправкою на кухню.

Типові ризики та їх усунення

Найпоширеніша помилка — ігнорування стоп-листа: бот пропонує страви, яких нема на кухні. Ми підключаємо WebHook-синхронізацію — затримка менше секунди.

Інша проблема — відсутність контексту: клієнт змінює замовлення в середині діалогу — бот втрачає нитку. Додаємо ConversationBufferMemory з обмеженням у 200 токенів.

Процес роботи

1. Аналітика — вивчаємо поточні сценарії (замовлення, бронювання, доставка), збираємо приклади діалогів, визначаємо обсяг даних.
2. Проектування — обираємо архітектуру (RAG + fine-tuning або готовий LLM), проектуємо дерево діалогів.
3. Розробка — пишемо мікросервіси: NLU (Hugging Face Transformers), інтеграція з POS, векторна БД, WebHook-обробники.
4. Тестування — імітація 1000+ сесій з різними сценаріями (включаючи edge cases: алергія, відсутність страви, зміна адреси).
5. Деплой та моніторинг — запускаємо на вашому сервері або в хмарі (AWS, GCP), налаштовуємо дашборди (MLflow, Prometheus).

Терміни орієнтовно

Від 2 тижнів до 2 місяців залежно від кількості POS-систем, необхідності навчання моделі на специфічній лексиці та складності логістичної інтеграції. Вартість розраховується індивідуально — кожен проєкт унікальний.

Що входить в роботу

• Повноцінний чат-бот з підтримкою Telegram, WhatsApp, VKontakte та віджета на сайті.
• Інтеграція з вашою касовою системою (реал-тайм синхронізація стоп-листа, меню, замовлень).
• Навчання NLU-моделі на вашому меню (не менше 50 прикладів на кожну страву). Наша NLU-модель спеціалізується на ресторанних замовленнях.
• Ми використовуємо fine-tuning для адаптації моделі під ваш ресторан.
• Модуль відстеження доставки з проактивними сповіщеннями.
• Панель аналітики: конверсія, середній чек, популярні страви, стоп-лист.
• Документація по API та навчання персоналу (2–3 години).
• Гарантія на код — 6 місяців безкоштовної технічної підтримки.

Отримайте безкоштовну консультацію — оцінимо ваш проєкт за 1 день. Замовте пілотний проєкт з гарантією результату. Зв'яжіться з нами для обговорення вашого ресторану.

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.