Ручна маршрутизація звернень: втрати часу та помилки

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
    )

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.

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

1. Аудит поточного процесу маршрутизації та даних.
2. Розробка моделі класифікації (fine-tuning LLaMA 3 або GPT-4o, ансамбль з BERT-класифікатором).
3. Створення векторної бази прецедентів (Qdrant, 1536-dim ембедінги).
4. Інтеграція з вашою СЕД (налаштування API, картки, статуси).
5. Дашборд аналітики та моніторингу.
6. 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.

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.