Intent Detection для чат-бота: таксономія, модель, моніторинг

«Хочу замовити піцу», «статус мого замовлення», «як повернути гроші» — три різних інтенти. Якщо чат-бот не відрізнить їх, користувач піде. Без якісного intent detection бот не зможе коректно маршрутизувати запит, обробляти помилки та підтримувати діалог. Невірна класифікація намірів призводить до втрати клієнтів та збільшення навантаження на операторів. Ми вирішуємо це завдання, проектуючи таксономію, обираючи модель (BERT, LLM або гібридний підхід) та впроваджуючи моніторинг.

Результат — точність >90% на цільових інтентах, p99 latency <200 мс. Наші рішення з intent detection протестовані на реальних навантаженнях: до 10 000 запитів на добу, спад якості не більше 3% через пів року. Досвід — понад 10 років у NLP, більше 40 проєктів, включаючи ботів для e-commerce, фінтеху та техпідтримки. Економія на обробці запитів для клієнтів: до 60% зниження витрат на ручну підтримку. Швидка окупність.

Проектування таксономії інтентів

Правило: кожен інтент — одна конкретна намірена дія з чітким обробником. Типові помилки:

• Занадто широкий інтент: help — незрозуміло, що робити.
• Дублювання: order_status і check_my_order — один інтент.
• Нечіткі межі: complaint vs negative_feedback — часто неочевидні.

Для чат-бота середньої складності: 20–50 інтентів. Більше 100 — ознака поганої архітектури; перегляньте ієрархію.

Чому гібридний підхід кращий за класичний?

Класичний підхід (Rasa NLU, Dialogflow) навчається на labeled прикладах: детермінований, швидкий (<10 ms), але потребує 50–200 прикладів на інтент і не адаптується без перенавчання. LLM-based (GPT-4o-mini з few-shot) не потребує навчання, гнучкий, але повільніший (200–500 ms) і дорожчий за cost per token. Гібрид — BERT як перший прохід (швидкий, дешевий), LLM як fallback для low-confidence та нестандартних випадків. У наших проєктах ми використовуємо саме таку схему: вона дає баланс швидкості та покриття.

Порівняння за ключовими метриками: гібрид у 10 разів швидший за чистий LLM при порівнянному покритті. Детальніше про модель BERT.

Як ми реалізуємо гібридний класифікатор?

1. Аудит і проектування таксономії. Аналізуємо історію діалогів, виділяємо часті теми, будуємо карту намірів. Проводимо воркшоп з вашою командою, щоб визначити межі інтентів. Результат — документ з ієрархією, слотами та правилами fallback.

2. Розмітка датасету. Збираємо 100–300 прикладів на інтент (реальні фрази користувачів). Додаємо confusion matrix-негативні приклади — фрази зі схожих інтентів, щоб «розтягнути» межі класів. Приклад: «я хочу змінити замовлення» vs «я хочу скасувати замовлення» — різні інтенти, але в датасеті мають бути обидва.

3. Навчання та калібрування. Fine-tuning BERT (наприклад, DeepPavlov/rubert-base-cased) з крос-ентропією. Калібруємо confidence threshold (зазвичай 0.6): при меншій впевненості — передаємо запит LLM.

from transformers import pipeline

intent_classifier = pipeline(
    "text-classification",
    model="./intent_classifier",
    tokenizer="DeepPavlov/rubert-base-cased",
    top_k=3
)

def detect_intent(text: str) -> IntentResult:
    results = intent_classifier(text)
    top = results[0]

    if top["score"] < 0.6:
        # Fallback до LLM
        return llm_classify_intent(text)

    return IntentResult(intent=top["label"], confidence=top["score"])

4. Інтеграція та деплой. Деплоїмо модель через Triton Inference Server або ONNX Runtime — latency p99 <50 ms на GPU. Налаштовуємо моніторинг: confusion matrix раз на тиждень, логи OOS, пайплайн зворотного зв'язку. Гарантуємо, що модель не «просідає» на нових даних: якщо метрика accuracy падає нижче 85% — автоматичний тригер на донавчання.

Моніторинг confusion matrix та запобігання дрейфу

Confusion matrix — головний інструмент для виявлення проблемних пар інтентів. Якщо, наприклад, order_status та change_order часто плутаються, додаємо в датасет більше confusing negatives. Регулярний аналіз OOS-логів допомагає виявити нові наміри користувачів, які варто винести в окремі інтенти. В результаті точність класифікації не падає з часом.

Deliverables проєкту

• Документація таксономії інтентів (Google Docs / Confluence)
• Датасет з розміткою (формат JSONL, CSV)
• Навчена модель + Docker-образ для деплою
• Інтеграція з вашим ботом (REST API, gRPC)
• Навантажувальне тестування (результат: p99 latency <200 ms)
• Моніторинг та алертинг (Grafana dashboards)
• Навчання двох ваших інженерів роботі з пайплайном

Терміни та як замовити

Терміни розробки — від 2 до 6 тижнів залежно від складності таксономії та обсягу датасету. Вартість розраховується індивідуально після аудиту. Оцінимо ваш проєкт безкоштовно — зв'яжіться з нами для консультації. Замовте розробку intent detection та отримайте зниження помилок інтерпретації на 30–70%. Отримайте консультацію — ми підберемо оптимальний стек під ваш бюджет.

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.