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 800 000 рублів 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
}

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.