Ручна маршрутизація звернень: втрати часу та помилки
У державних органах до 30% первинних звернень потрапляють не до того виконавця. Заявник отримує формальну відмову «не в нашій компетенції», а відповідальний співробітник витрачає час на переадресацію. Результат — зрив строків розгляду та зростання повторних скарг. Ми розробили AI-класифікатор, який вирішує це завдання: Accuracy@1 досягає 92–95% одразу після адаптації. Отримайте консультацію експерта — ми проаналізуємо вашу поточну схему маршрутизації.
Як працює класифікація і чому вона точніша за ручний розподіл?
Рубрикатори держорганів ієрархічні: федеральний → відомчий → територіальний. Звернення потрібно віднести до правильного рівня та конкретного виконавця. Ми застосовуємо комбінацію семантичного пошуку за прецедентами та LLM-парсингу. Ручний розподіл дає Accuracy@1 60–70% та 20–30% хибних перенаправлень. AI-класифікатор знижує false routing rate до 5% за рахунок врахування територіальної належності, неструктурованих вкладень та часового контексту.
class RequestClassification(BaseModel): federal_rubric: str department_rubric: str responsible_unit: str responsible_officer: str | None territorial_scope: str subject_area: str requires_field_inspection: bool other_agencies: list[str] confidence: float def classify_request(text: str, attachments: list) -> RequestClassification: # Семантический поиск по базе прецедентов precedents = precedent_db.search(text, top_k=10) # Мультимодальная классификация при наличии вложений (фото, документы) if attachments: attachment_context = analyze_attachments(attachments) else: attachment_context = "" return llm.parse( build_routing_prompt(text, attachment_context, precedents), response_format=RequestClassification ) | Параметр | Ручна маршрутизація | AI-класифікатор |
|---|---|---|
| Accuracy@1 | 60–70% | 92–95% |
| Accuracy@3 | 80–85% | 99%+ |
| Час на звернення | 5–15 хв | 0,5–2 сек |
| Частка повторних перенаправлень | 20–30% | <5% |
Особливі випадки: вкладення, геолокація, змішані звернення
Вкладення (фото, скани, PDF) часто містять ключову інформацію. Система автоматично витягує текст, розпізнає об'єкти (наприклад, ями на фото) та геотеги. Якщо вкладення нечитабельне, модель спирається на текст звернення та позначає випадок як такий, що потребує експертної оцінки.
def extract_and_geolocate(text: str) -> GeoContext: addresses = ner_model.extract(text, entity_type="ADDRESS") located_objects = [] for addr in addresses: coords = geocoder.geocode(addr) if coords: admin_unit = geodata.get_admin_unit(coords) responsible = routing_matrix.get_responsible( issue_category=..., admin_unit=admin_unit ) located_objects.append(GeoObject( address=addr, coords=coords, responsible_org=responsible )) return GeoContext(objects=located_objects) Геокодування — через Яндекс.Геокодер або Nominatim. Точність визначення муніципального утворення — 95%+.
Одне звернення часто містить кілька різнопланових питань (наприклад, «шумні сусіди та зламаний ліфт»). Система розбиває текст на незалежні сегменти, кожен класифікує окремо, а потім консолідує відповіді. Строк розгляду обчислюється за найтривалішим сегментом.
Навчання класифікатора та метрики
Основа — історичні дані. Критичний етап — очищення від помилкових перенаправлень (виключаємо звернення, які пересилалися). Доповнюємо анонімізованими даними з аналогічних органів. Застосовуємо Active Learning: експерти розмічають складні кейси, модель донавчається ітераційно. Для оцінки якості на нових рубриках застосовуємо few-shot тестування.
| Метрика | Цільове значення |
|---|---|
| Accuracy@1 | ≥ 92% |
| Accuracy@3 | ≥ 99% |
| False routing rate | < 5% |
| Середній час класифікації | < 2 сек |
Що дає автоматизація?
За рахунок автоматизації знижується навантаження на співробітників — вони перестають бути «сортувальниками» і зосереджуються на змістовній роботі. Економія часу: від 15 хвилин на кожне звернення. Для органу з потоком 1000 звернень на день це більш ніж 200 годин робочого часу на місяць.
Інтеграція з системами документообігу
Підтримуємо СЕД: ДЕЛО, DIRECTUM, Docsvision, 1С:Документообіг. Система передає звернення вже із заповненою карткою реєстрації — виконавець отримує не email, а структуроване завдання з установленим строком.
Процес і строки впровадження
- Аудит поточного процесу маршрутизації та даних.
- Розробка моделі класифікації (fine-tuning LLaMA 3 або GPT-4o, ансамбль з BERT-класифікатором).
- Створення векторної бази прецедентів (Qdrant, 1536-dim ембедінги).
- Інтеграція з вашою СЕД (налаштування API, картки, статуси).
- Дашборд аналітики та моніторингу.
- Документація, навчання операторів, гарантійна підтримка 6 місяців.
Пілотний проект — від 4 тижнів. Повне впровадження з інтеграцією — від 3 місяців. Точні строки та вартість визначаємо після аудиту вашої системи.
Типові помилки та їх обробка
- Звернення з неповними даними (без адреси або теми).
- Синонімія рубрик (різні назви однієї теми).
- Вкладення без тексту (лише зображення) — модель маркує їх як «потребує експертизи».
Ми передбачаємо обробку кожного з цих кейсів. Гарантуємо Accuracy@1 не нижче 90% після адаптації, інакше доопрацюємо модель безкоштовно.
Що входить до роботи?
- Повний аудит поточної схеми маршрутизації та даних.
- Розробка та кастомізація моделі класифікації.
- Інтеграція з вашою СЕД (API, картки, статуси).
- Векторна база прецедентів з ембедінгами.
- Дашборд аналітики та моніторингу.
- Навчання операторів та технічна документація.
- Гарантійна підтримка 6 місяців.
Зв'яжіться з нами для безкоштовного аудиту. Замовте пілотний проект — оцініть результат на своїх даних.