Розробка AI-чат-бота для запису у сфері послуг: автоматизація 24/7

Уявіть: клієнт хоче записатися на стрижку об 11 вечора, а ваш адміністратор спить. Або в черзі з трьох людей скидають дзвінок. AI-чат-бот вирішує цю проблему — він працює 24/7, перевіряє слоти через API та бронює без участі людини. В основі — fine-tuned LLM з RAG на Qdrant та інтеграція через REST API з distributed locks для виключення race conditions. Ми розробили десятки таких ботів для салонів краси, медичних центрів та сервісних компаній. Середній результат — скорочення втрат заявок на 30% та зниження навантаження на кол-центр до 70%.

Проблеми, які вирішує AI-чат-бот для запису?

Втрата клієнтів через недоступність адміністратора

За статистикою, 35% дзвінків у години пік залишаються без відповіді. Чат-бот бере на себе всі вхідні запити миттєво. Він не втомлюється, не помиляється в даних і не забуває передзвонити.

Подвійне бронювання та помилки ручного введення

Людина може переплутати час або записати не ту послугу. Бот отримує вільні слоти безпосередньо із системи (YClients, Bitrix24), перевіряє актуальність у момент діалогу та фіксує бронь атомарно. Ми використовуємо pattern distributed lock on slot для виключення race conditions.

Висока вартість комунікацій

Середній чек кол-центру — суттєва стаття витрат. Чат-бот знижує витрати на спілкування до мінімальних. ROI досягається за 2–3 місяці.

Як бот інтегрується з вашими системами?

Бот підключається до вашої CRM або сервісу бронювання через REST API. Основні операції:

• GET /slots?date=&service_id= — отримання вільних слотів
• POST /booking — створення запису (з блокуванням на 5 хвилин)
• DELETE /booking/{id} — скасування з повідомленням клієнта

Завдяки modular architecture ми додаємо нову інтеграцію за 3–5 днів. Система документована: model card та dataset description доступні інженерам.

Порівняння метрик до та після впровадження бота:

Чому AI-чат-бот вигідніший за кол-центр?

Кол-центр обходиться суттєво дорожче. Чат-бот знижує ці витрати до мінімальних, обробляючи до 500 одночасних звернень. При цьому точність запису перевищує 95%, а час відповіді — менше секунди. GPT-4o обробляє діалоги в 2 рази швидше за попередника при тій же точності.

Як ми розробляємо AI-чат-бота?

1. Аналітика. Проводимо інтерв'ю з адміністраторами, записуємо типові діалоги, виділяємо інтенти та слоти. Формуємо датасет із 500–1000 прикладів, розмічаємо сутності (послуга, майстер, дата, час).
2. Проєктування архітектури. Використовуємо LangChain + OpenAI GPT-4 для генерації відповідей. Embeddings — text-embedding-3-small (1536-вимірні), векторна база — Qdrant (підтримує гібридний пошук). Prompt engineering з chain-of-thought для складних випадків (наприклад, перенесення запису).
3. Розробка. Код на Python (FastAPI). Асинхронна обробка діалогів через Celery + Redis. Модуль інтеграції з API запису з retry-логікою та circuit breaker.

# Приклад: сценарій запису з підтвердженням
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_messages([
    ("system", "Ти асистент салону краси. Вилучи послугу, майстра, дату та час. Якщо не вистачає — перепитай."),
    ("human", "{message}")
])

llm = ChatOpenAI(model="gpt-4-1106-preview", temperature=0.1)
chain = prompt | llm

4. Тестування та моніторинг. Docker-контейнери в Kubernetes, Prometheus + Grafana для метрик (середній час діалогу, кількість успішних броней, помилки API).

Що входить в результат?

• Вихідний код бота з коментарями (вся архітектура на Python)
• Документація API для інтеграції з вашими сервісами
• Інструкція з експлуатації для адміністраторів (включно зі сценаріями налагодження)
• Навчання команди (2–3 години воркшоп)
• Підтримка протягом 1 місяця після запуску (виправлення багів, доналаштування промптів)

Середній термін розробки — від 3 до 6 тижнів. Гарантуємо, що бот коректно обробляє понад 95% діалогів без переходу на оператора.

Чому обирають нас?

Досвід в AI/ML понад 8 років, 50+ успішних впроваджень чат-ботів для різних сфер. Використовуємо лише актуальні моделі (GPT-4o, Claude 3.5, Mistral Large) та власні LoRA-адаптери для підвищення точності. Надаємо сертифікат про навантажувальне тестування та SLA на uptime 99.9%.

Відгук клієнта: після впровадження бота кількість необроблених заявок знизилася на 85%.

Зв'яжіться з нами для консультації. Замовте пілот за 2 дні — оцінимо ваш проєкт без зобов'язань.

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.