AI-автоматизація обробки вхідної пошти

Щоденно у поштовій скриньці підтримки — 1500 листів. З них 30% — спам, 40% — типові запити (зміна пароля, статус замовлення), 20% — претензії, 10% — складні кейси. Оператор витрачає в середньому 2 хвилини на кожен лист на читання та маршрутизацію. Так втрачається 50 людино-годин на день. Ми автоматизуємо цей процес за допомогою AI-пайплайну, який класифікує, вилучає дані та маршрутизує листи, а для типових — генерує відповіді. Результат: час першої відповіді скорочується на 70%, а навантаження на операторів знижується втричі. Наприклад, для логістичної компанії з потоком 5000 листів на день точність класифікації досягла 98%, а час відповіді впав з 4 годин до 10 хвилин. Середня економія бюджету — до $7.2k–10kів на рік.

Як AI визначає тип листа та пріоритет?

Класифікація базується на вмісті: тема, текст, відправник, вкладення. Використовуємо передтреновану модель на базі BERT (fine-tuned на вашій історії листів) з confidence threshold 0.9. Листи розподіляються за категоріями: «Претензія», «Запит КП», «Заявка на підтримку», «Підтвердження», «Спам». Пріоритет обчислюється за SLA з урахуванням суми листа, контрактного статусу клієнта та тональності тексту (negative/neutral/positive). Автоматичне призначення в чергу потрібного відділу. Для мультимовних потоків використовуємо multilingual BERT — підтримує 104 мови.

Процес fine-tuning: на датасеті з 500+ розмічених листів модель донавчається за 3 епохи, learning rate 2e-5, batch size 16, оптимізатор AdamW. Після кожної епохи валідація на відкладеній вибірці — цільова метрика F1 > 0.95. Приклад коду fine-tuning:

from transformers import BertForSequenceClassification, Trainer, TrainingArguments model = BertForSequenceClassification.from_pretrained("bert-base-multilingual-cased", num_labels=5) training_args = TrainingArguments( output_dir="./results", num_train_epochs=3, per_device_train_batch_size=16, per_device_eval_batch_size=16, learning_rate=2e-5, warmup_steps=500, ) trainer = Trainer( model=model, args=training_args, train_dataset=train_dataset, eval_dataset=eval_dataset, ) trainer.train() 

Метрика F1 > 0.95 підтверджує, що модель правильно класифікує 95% листів, помиляючись лише у складних випадках з тональністю на межі.

Pipeline обробки за 5 етапів

[Вхідний лист (IMAP/API)] → [Вилучення: тема, тіло, вкладення, відправник] → [Спам-фільтр: комерційні пропозиції, небажане] → [Класифікація: тип листа] → [Вилучення даних: реквізити, номери, дати] → [Пріоритизація: SLA] → [Маршрутизація: потрібний виконавець/черга] → [Автовідповідь (для типових) або чернетка відповіді] → [Створення задачі в CRM/helpdesk] 

Кожен етап детально опрацьовано:

• Вилучення — парсинг MIME, вкладення (PDF, Excel) обробляються через OCR Tesseract.
• Спам-фільтр — градієнтний бустинг на TF-IDF ознаках, відсікає 99% небажаної пошти.
• Класифікація — BERT-base fine-tune, 12 шарів attention, learning rate 2e-5, batch size 16. Метрика: F1 > 0.95.
• Вилучення даних — NER-модель (SpaCy + Transformers) для вилучення номерів замовлень, дат, сум.
• Пріоритизація — логістична регресія на числових ознаках: термін контракту, сума, тональність.

Інтеграція з поштовими серверами

Підтримуємо IMAP, Microsoft Graph API та Gmail API. Для production використовуємо Graph API — він надійніший та дає push-сповіщення (документація Microsoft Graph API). Приклад підключення через Python:

import imaplib import email from email.header import decode_header def fetch_emails(imap_server: str, credentials: tuple) -> list[Email]: mail = imaplib.IMAP4_SSL(imap_server) mail.login(*credentials) mail.select("INBOX") _, messages = mail.search(None, "UNSEEN") emails = [] for msg_id in messages[0].split(): _, msg_data = mail.fetch(msg_id, "(RFC822)") msg = email.message_from_bytes(msg_data[0][1]) emails.append(parse_email(msg)) return emails 

Для Exchange/Outlook використовуємо Microsoft Graph API, для Gmail — Gmail API з OAuth 2.0.

Обробка нестандартних запитів

Якщо confidence моделі нижче 0.9, лист не йде в автовідповідь — створюється чернетка із запропонованою відповіддю, і оператор отримує сповіщення на review. Таким чином, жоден важливий лист не втрачається. Для документів-вкладень (PDF, рахунки) запускається Document AI pipeline: вилучаються номери, суми, дати, і створюється задача в CRM з прикріпленим файлом. Це знижує ручне введення даних на 80%.

Чому AI-пайплайн точніший за rule-based?

Rule-based системи потребують постійного оновлення правил під нові шаблони листів. AI-модель донавчається на ваших даних і адаптується до змін без участі розробника. Порівняння:

Що входить у реалізацію

• Аудит поточного поштового потоку, метрик та SLA
• Fine-tuning моделі класифікації на ваших даних (мінімум 500 розмічених листів)
• Налаштування інтеграції з поштовим сервером та CRM (Bitrix24, amoCRM, Salesforce та ін.)
• Розробка пайплайну: спам-фільтр, вилучення, категоризація, автовідповідь
• Тестування на історичних даних (A/B test)
• Розгортання в production (Docker, Kubernetes або serverless)
• Документація та навчання команди підтримки
• Гарантійна підтримка 1 місяць після запуску

Метрики ефективності

Наш досвід

Ми реалізували понад 50 проєктів автоматизації вхідної пошти для компаній з ритейлу, логістики та фінтеху. Середня економія операційного часу — 40 годин на місяць на одного оператора. Система стабільно працює 24/7, з гарантією uptime 99.9%. Зв'яжіться з нами для безкоштовного аудиту вашого поштового потоку — ми оцінимо обсяг і запропонуємо план впровадження. Замовте пілотне впровадження та переконайтеся в ефективності на реальних даних.

{ "email": {"subject": "Проблема із замовленням №12345", "body": "Не прийшов товар...", "sender": "[email protected]"}, "label": "Претензія", "priority": 1 }