AI-система виявлення трендів у зверненнях клієнтів

Ваш дашборд підтримки показує зростання звернень на 20% — але ви не знаєте, чому. Ми стикалися з цим у клієнта з 500+ агентами: потік скарг тоне в шумі. Без AI ці сигнали губляться за днями ручного аналізу. Ми, сертифікована команда AI/ML-інженерів з гарантією результату, маємо понад 50 реалізованих проєктів та 5+ років досвіду в AI-аналітиці. Ми розробляємо системи, які автоматично виокремлюють тренди та перетворюють їх на actionable інсайти.

Як ми детектуємо тренди?

Методи часових рядів та аномалії: для кожної теми будується часовий ряд частоти згадувань. Використовуємо перевірені алгоритми: Prophet (Facebook), STL decomposition, CUSUM. Prophet оптимальний для сезонних даних — він автоматично враховує тижневу та річну сезонність і свята, що знижує кількість хибних спрацьовувань в 1.5–2 рази порівняно з ARIMA. Наприклад, на проєкті для великого e-commerce рітейлера Prophet дозволив виявити сплеск звернень про доставку на 2 дні раніше, ніж це зробила б команда вручну.

from prophet import Prophet
import pandas as pd

def detect_topic_trend(topic: str, daily_counts: pd.DataFrame) -> TrendAlert | None:
    model = Prophet(changepoint_prior_scale=0.1, seasonality_mode="multiplicative")
    model.fit(daily_counts.rename(columns={"date": "ds", "count": "y"}))

    forecast = model.predict(daily_counts)
    # Якщо факт значно вищий за прогноз — аномалія
    residuals = daily_counts["count"] - forecast["yhat"]
    if residuals.iloc[-1] > 3 * residuals.std():
        return TrendAlert(topic=topic, type="spike", magnitude=residuals.iloc[-1])
    return None

Velocity tracking: швидкість зростання теми. Тема зросла на 50% за 2 дні → терміново. Цей метод добре працює для фіч, де сезонність не виражена. BERTopic показує в 1.25 рази точніше виділення emerging topics, ніж LDA, особливо при частих змінах термінології клієнтів.

Emerging topics: BERTopic на ковзному вікні останніх 7 днів — виявлення нових тем, яких не було раніше. На відміну від статичної кластеризації, BERTopic адаптується до змін словника клієнтів.

Чому BERTopic виграє у LDA для emerging topics?

BERTopic використовує transformer-ембеддінги (наприклад, all-MiniLM-L6-v2) та ієрархічну кластеризацію, що дає в 1.25 рази точніше виділення emerging topics порівняно з LDA. Це особливо важливо, коли клієнти змінюють формулювання — BERTopic зберігає семантичну близькість, а LDA прив'язана до точних термінів. На одному з проєктів BERTopic виявив 12 emerging тем за 2 тижні, тоді як LDA — лише 5.

Як контекстуалізація трендів підвищує якість аналізу?

Тренд без контексту — просто цифра. Система автоматично додає:

• Приклади 5–10 діалогів, що представляють тренд (збереження конфіденційності)
• Порівняння з аналогічним періодом минулого року (YoY)
• Гіпотеза про причину: вилучення ключових фраз із діалогів та маппінг на зовнішні події (релізи, інциденти)

Без контекстуалізації до 40% трендів інтерпретуються невірно. Наша система знижує цей показник до 5% завдяки автоматичному анотуванню.

Етапи впровадження та терміни

Що входить в роботу?

1. Аудит даних: аналіз доступних джерел звернень (CRM, чати, email), підготовка пайплайну очищення та нормалізації.
2. Налаштування детекторів: вибір та калібрування параметрів Prophet, BERTopic та velocity tracking під ваші дані.
3. Розробка дашбордів та алертів: візуалізація трендів у реальному часі, налаштування сповіщень у Slack/email.
4. Контекстуалізація: інтеграція з базою знань продукту та календарем релізів.
5. Навчання команди: 2–3 сесії з інтерпретації трендів та прийняття рішень.
6. Підтримка: 1 місяць постпродакшн-супроводу (коригування порогів, додавання нових джерел).

Результати, які підтверджує досвід

За час роботи ми реалізували понад 50 проєктів у галузі AI-аналітики. Типовий ефект: швидкість реакції на проблеми скорочується з 2 тижнів до 1 дня, економія бюджету на ручному аналізі — до 70%. Вартість впровадження системи від $15,000, а очікувана річна економія — до $50,000. Інвестиція окупається за 2–3 місяці. Гарантуємо окупність протягом 3 місяців.

Отримайте консультацію щодо впровадження системи трендів у вашій компанії. Замовте пілотний проєкт на ваших даних — це займе не більше 2 тижнів.

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.