AI-система аналізу залученості та прогнозування відтоку

HR-відділ витрачає тижні на ручний аналіз відкритих опитувань, а моделі відтоку нерідко дають хибні спрацьовування. Система моніторингу співробітників на основі AI автоматично обробляє пульс-опитування, вилучає теми та тональність за допомогою NLP, і передбачає ризик звільнення за 4–6 тижнів до події. Базова точність на продакшні — 85%, після донавчання на ваших даних — вище 90%. Стек: PyTorch, Hugging Face Transformers, LangChain, PostgreSQL + pgvector. Деплой на Kubernetes. Впровадження включає аудит даних, MVP за 4–6 тижнів, інтеграцію з HRIS, навчання моделі на історії, дашборди та алерти. Зниження витрат на підбір персоналу за рахунок запобігання відтоку — до 30% бюджету. Економія на заміні одного ключового співробітника — кілька місячних окладів.

Як ми аналізуємо тональність опитувань?

Відкриті питання — найбагатше джерело. Ми використовуємо fine-tuned BERT-моделі для російської мови (RuBERT, RuRoBERTa). Вони розрізняють не лише позитив/негатив, а й конкретні теми: завантаженість, керівництво, зростання, зарплата. Точність класифікації тональності — 92–95% на валідації. Fine-tuning BERT на ваших даних підвищує точність до 96%+.

def analyze_survey_responses(responses: list[SurveyResponse]) -> EngagementAnalysis:
    topics = extract_topics(responses)
    sentiment_by_topic = {
        topic: analyze_sentiment([r for r in responses if topic in r.topics])
        for topic in topics
    }
    return EngagementAnalysis(
        overall_score=calculate_engagement_score(responses),
        sentiment_by_topic=sentiment_by_topic,
        risk_employees=identify_at_risk(responses),
        top_positive_themes=get_top_themes(sentiment_by_topic, sentiment="positive"),
        top_negative_themes=get_top_themes(sentiment_by_topic, sentiment="negative"),
        recommended_actions=generate_recommendations(sentiment_by_topic),
    )

Чому непрямі сигнали важливі для передбачення відтоку?

Люди часто не говорять про намір піти прямо. Модель відтоку враховує поведінкову аналітику: зниження eNPS за 2 квартали, зменшення активності в корпоративних системах, негативний sentiment в опитуваннях, відсутність підвищення >18 місяців, зростання кількості days-off та sick days. Комбінація прямих і непрямих сигналів дає precision 0.85 і recall 0.82 на продакшн-даних. Алерт приходить за 4–6 тижнів до ймовірного звільнення. Гібридна модель (XGBoost + трансформер) показує F1 на 15–20% вище pure ML, що прямо знижує витрати на підбір.

Порівняння підходів: правила vs ML-моделі

Гібридна модель (XGBoost + трансформер) перевершує pure ML за F1 на 15–20%. Такий ансамбль дає кращі метрики при помірних витратах на інфраструктуру.

Вовлечённость персонала — ключовий фактор продуктивності та утримання.

Що входить в розробку системи

На пілотних даних Precision 0.87, Recall 0.84, F1 0.85. Після калібрування на вашій історії F1 зростає до 0.90+. Зв'яжіться з нами для пілотного проєкту — ми оцінимо ваші дані за два тижні.

Як ми це робимо?

Стек: Python, PyTorch, Hugging Face Transformers, LangChain для RAG-агента (відповідає на питання щодо залученості), PostgreSQL + pgvector для зберігання ембеддингів. Деплой — на вашому Kubernetes або в хмарі (AWS, GCP, Azure).

Процес:

1. Аналітика — виявляємо ключові джерела сигналів.
2. Проектування — визначаємо схему даних та метрики.
3. Реалізація — пишемо код, навчаємо моделі, будуємо пайплайни.
4. Тестування — A/B тест на пілотній групі.
5. Деплой — розгортаємо в продуктивне середовище.

Досвід нашої команди — 10+ років в AI/ML, 50+ проєктів з аналізу даних. Ми гарантуємо SLA 99.5% для API моделі.

Як забезпечити конфіденційність?

Індивідуальні дані показуються лише за N ≥ 5 (агрегація). HR та менеджер бачать агреговані дані своєї команди. Індивідуальні risk-оцінки — лише HR-директор з явної згоди співробітника. Всі дані шифруються AES-256, compliance з GDPR та 152-ФЗ.

Зниження витрат на підбір персоналу за рахунок запобігання відтоку — до 30% бюджету. Економія на заміні одного ключового співробітника — кілька місячних окладів. Отримайте консультацію щодо впровадження — ми оцінимо ваш проєкт і запропонуємо оптимальне рішення. Замовте розробку системи під ключ.

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.