Автоматизація VK спільноти з AI-чат-ботом на RAG та GPT

Як VK-бот з AI та RAG вирішує бізнес-завдання

Типовий VK-бот на хендлерах та регулярках ламається, коли користувач пише «хочу червоний за 5000» або «скинь посилання на оплату» — падає в неспіймане виключення. LLM з RAG-пайплайном вирішує це: GPT-4 розуміє намір, ChromaDB повертає релевантні товари, а vkbottle обробляє події без втрат. Понад 5 років ми розгорнули такі боти для 30+ проєктів — від продажу квитків до технічної підтримки. Natural Language Processing (NLP) з використанням бібліотек Natasha та spaCy дозволяє точно витягувати сутності та інтенти.

Як спроєктувати RAG-пайплайн для VK-бота

Збираємо історію діалогів спільноти, визначаємо топ-10 інтентів (замовлення, повернення, статус). Проєктуємо RAG-пайплайн: які документи індексувати, як чанкувати текст, яку embedding-модель (наприклад, intfloat/multilingual-e5-large). Використовуємо техніки chanking — фіксований розмір 512 токенів з перекриттям 128. Згідно з документацією VK API, Callback-події передаються у форматі JSON.

Вибір стеку: від пілота до production

Основний API VK — Callback (webhook) з бібліотекою vkbottle. Для AI — LangChain з провайдером OpenAI або Mistral. Векторна БД — ChromaDB (in-memory для пілота) або Qdrant (для production з мільйонами векторів). Модель доопрацьовуємо через fine-tuning LoRA, якщо точність відповідей нижче 85%. Для NLP використовуємо бібліотеки Natasha (NER) та spaCy.

Розробка хендлерів та інтеграція з VK

Піднімаємо FastAPI-сервер з ендпоінтами для VK Callback, інтегруємо LangChain у хендлери. Код нижче — мінімальний шаблон:

from vkbottle import Bot, Message
from vkbottle.bot import BotLabeler

bot = Bot(token=VK_TOKEN)
labeler = BotLabeler()

@labeler.message()
async def handle_message(message: Message):
    user_response = await ai_handler.process(message.text, user_id=message.from_id)
    await message.answer(user_response)

bot.labeler.load(labeler)
bot.run_forever()

Тестування та деплой

Використовуємо p95 latency < 2 сек, навантажувальне тестування до 100 RPS. Деплоїмо в Kubernetes з autoscaling по GPU utilization. Після запуску — моніторинг W&B, доналаштування промптів за user feedback. Автоматичний A/B-тест на 10% трафіку дозволяє порівнювати метрики точності та задоволеності.

Чому вибір стеку впливає на вартість володіння?

Порівняємо два підходи:

Для аудиторії до 10 000 користувачів на місяць вистачає бюджетного варіанту. При зростанні до 100 000 — production-стек окупається за рахунок зниження latency та кількості ескалацій. Наприклад, fine-tuned Mistral на 40% точніший за базову GPT-4o mini на спеціалізованих запитах, а Qdrant в 3 рази швидший за ChromaDB при 100k векторів.

Порівняння метрик до та після впровадження

Що входить в роботу «під ключ»

• Архітектурна документація (ER-діаграми, sequence-діаграми RAG)
• Репозиторій з CI/CD (GitHub Actions, Docker, Helm)
• Налаштування VK спільноти: Callback API, клавіатури, каруселі
• Навчання операторів: як змінювати промпти, додавати нові документи до бази знань
• Гарантія 3 місяці: виправлення багів, доналаштування моделі

Зв'яжіться з нами — оцінимо ваш проєкт за 1 день. Надішлемо демо бота з вашими даними. Отримайте консультацію по вашому сценарію — розповімо, чи підходить AI-чат-бот для вашого бізнесу.

Що дає інтеграція VK Mini Apps?

Якщо потрібен інтерфейс з формою замовлення, календарем запису або оплатою — використовуємо VK Mini Apps (React + VK Bridge). Бот викликає Mini App через кнопку, Mini App повертає результат через postMessage. Так ми зробили бота для стоматології: GPT відповідає на питання, Mini App показує вільні слоти та приймає оплату VK Pay.

from vkbottle_types.objects import MessagesKeyboard, MessagesKeyboardButton

keyboard = MessagesKeyboard(
    one_time=True,
    buttons=[[
        {"action": {"type": "text", "label": "Замовити"}},
        {"action": {"type": "text", "label": "Інформація"}},
    ]]
)

Маркетингові розсилки: легально та ефективно

VK дозволяє надсилати повідомлення лише тим, хто написав боту першим або підписався на розсилку. Open rate таких повідомлень — 30-50% (вище email). Використовуємо сегментацію за інтересами: користувачу, який питав про конкретний товар, через 3 дні надсилаємо персоналізовану пропозицію через Messaging API. Жодного спаму — кожен діалог за згодою.

10+ років досвіду в розробці VK-ботів, сертифіковані AI-інженери. Отримайте консультацію.

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.