Автоматичний аудит діалогів: бінарний чек-лист з AI

Автоматичний аудит діалогів за бінарним чек-листом

Оператор забув привітати клієнта на ім'я — і діалог отримав 8 з 10. Суб'єктивно. Бінарний чек-лист одразу показав би порушення: критерій «Привітання за ім'ям» — не виконано. Чек-листовий скоринг — строга бінарна оцінка: виконано чи ні кожен обов'язковий пункт стандарту обслуговування. На відміну від загальної бальної шкали, чек-лист дає однозначну відповідь за кожним критерієм: так/ні. Ми розробляємо AI-системи, які автоматизують цей процес, виключаючи людський фактор і скорочуючи час аудиту на 70–80%. Економія бюджету на оплаті праці аудиторів становить від 40% до 70% при збереженні повноти контролю. Окупність впровадження — 3–4 місяці за рахунок зниження операційних витрат.

Як LLM перевіряє кожен пункт чек-листа?

Сучасні мовні моделі (LLM) здатні аналізувати діалог і для кожного критерію знаходити релевантні фрагменти. Наприклад, для пункту «Представлення свого імені» модель шукає фразу виду «мене звати Анна» в перших репліках оператора. Якщо фразу знайдено — критерій зараховано. Якщо ні — фіксується порушення із зазначенням контексту. Ми використовуємо structured output та chain-of-thought промптинг для підвищення точності.

class ChecklistItem(BaseModel):
    criterion: str
    passed: bool
    evidence: str | None    # цитата з діалогу, що підтверджує оцінку
    comment: str | None

class ChecklistAudit(BaseModel):
    items: list[ChecklistItem]
    total_score: float      # % виконаних пунктів
    critical_failures: list[str]  # обов'язкові пункти, які не виконано

Приклад промпту для чек-листа: система отримує діалог і чек-лист у форматі JSON. Промпт містить інструкцію: «Для кожного критерію визнач, чи виконано вимогу. Відповідь у форматі JSON зі списком об'єктів ChecklistItem. Наведи evidence — пряму цитату з діалогу». Критичні помилки (грубість, порушення політик) обнулюють підсумкову оцінку незалежно від інших пунктів.

Чому бінарний скоринг точніший за бальну шкалу?

Бальні шкали (наприклад, 1–10) страждають суб'єктивністю: різні аудитори ставлять різні оцінки за одне й те саме. Бінарний чек-лист — детермінований стандарт. Порівняння на еталонній вибірці з 500 діалогів:

Бінарний підхід на 15% точніший і в 6 разів швидший. Додаткова перевага — повна відтворюваність: повторний прогін дає той самий результат. Це підтверджено на практиці: після впровадження AI-скорингу в одному контакт-центрі ми скоротили штат аудиторів з 12 до 3 осіб, зберігши повноту контролю. Економія бюджету в цьому проекті перевищила 60% щорічно.

Процес впровадження та наші гарантії

Ми постачаємо все необхідне для запуску за 2–4 тижні:

• Документація чек-листа — версіонований YAML-файл з критеріями, вагами та правилами критичних порушень.
• API-доступ — REST-ендпоінт для відправлення діалогів та отримання оцінок (формат JSON).
• Модель — інференс на вашому GPU (vLLM, TGI) або через SageMaker/Vertex AI.
• Навчання — 2-годинна сесія для команди якості з інтерпретації результатів.
• Техпідтримка — супровід перші 30 днів, включаючи калібрування промптів.

Що входить у роботу з впровадження

1. Аналіз — ревізія поточного чек-листа, збір 50–100 еталонних діалогів з розміткою.
2. Проектування — розробка промптів, визначення порогів критичності.
3. Реалізація — налаштування LLM (фью-шот, за потреби fine-tuning LoRA).
4. Тестування — A/B-експеримент на 200 діалогах, досягнення target accuracy ≥93%.
5. Деплой — пакування в Docker, CI/CD пайплайн, моніторинг latency p99.

Строки та гарантії

Орієнтовно: від 2 тижнів (простий чек-лист, до 30 пунктів) до 6 тижнів (складний чек-лист з розгалуженнями та fine-tuning). Ми гарантуємо точність не нижче 92% на ваших даних — це закріплено в договорі. Наш досвід: 5+ років у AI, 50+ проектів з автоматизації якості, сертифікація за стандартами ISO 9001 та ліцензія на розробку ПЗ.

Щоб запустити пілотний проект на 100 діалогах за 3 дні, зв'яжіться з нами. Замовте пілот, щоб переконатися в ефективності.

За даними дослідження Chain-of-thought prompting у задачах класифікації.

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.