AI-асистент для операторів: доступ до бази знань за секунди

AI-асистент для операторів: доступ до бази знань за секунди

З 10-річним досвідом в AI та 50+ успішними впровадженнями, ми гарантуємо результат. Оператор підтримки витрачає до 30% часу на пошук правильної відповіді в базі знань. Кожна зайва секунда збільшує AHT і знижує CSAT. Традиційний пошук за ключовими словами видає нерелевантні результати: синоніми та контекст ігноруються, оператор перебирає десятки статей. Дослідження показують, що впровадження AI-асистента в підтримку скорочує AHT на 25–40%.

Agent Assist — система, яка в реальному часі аналізує діалог і знаходить релевантні статті, інструкції та шаблони. Ми впровадили такі рішення для десятка компаній з обсягом підтримки від 500 до 10 000 звернень на день, середнє скорочення AHT склало 30–40%. Ключова вимога — latency p99 нижче 1 секунди, що досягається кешуванням embeddings, попереднім розрахунком індексів та інференсом на GPU (T4 або A10G). Середня економія на операційних витратах складає $50,000 на рік для компаній з 50+ операторами.

Як працює підбір відповіді?

Кожне нове повідомлення клієнта запускає ланцюжок дій:

1. Intent detection — визначаємо тему звернення (наприклад, «повернення товару» або «скидання пароля»).
2. Паралельний пошук за трьома каналами:
   • векторний пошук за embeddings бази знань (використовуємо text-embedding-3-small з розмірністю 1536);
   • BM25-пошук за FAQ і шаблонами;
   • пошук за архівом вирішених тікетів з аналогічним інтентом.
3. Re-ranking — ансамбль з легкої моделі (CatBoost) та правила свіжості документа.
4. Генерація короткого анонсу (опціонально, через LLM для складних кейсів).

Чому векторний пошук ефективніший за BM25?

BM25 добре працює з точними ключовими словами, але пасує перед синонімами та контекстом. Векторний пошук (семантичний пошук за embeddings, cosine similarity) знаходить семантично близькі документи, навіть якщо формулювання різняться. Наприклад, запит «як змінити пароль» знайде статтю «скидання облікового запису».

На практиці найкращі результати дає гібридний підхід: комбінація BM25 та векторного пошуку з ваговими коефіцієнтами, які ми підбираємо через крос-валідацію на вашій історії. Гібридний пошук показав покращення точності в 1.4 рази порівняно з чистим BM25.

Які джерела даних використовуються?

• База знань: Confluence, Notion, внутрішня Wiki — статті та інструкції.
• Архів тікетів: вирішені звернення з позначкою «успішно» — практичні рішення.
• Шаблони відповідей: готові формулювання для типових ситуацій (до 80% звернень).
• Документація продукту: технічні специфікації, API-документація.

Усі джерела підключаються через REST API або пряму інтеграцію за допомогою ETL-пайплайнів (Apache Airflow).

Порівняння методів пошуку

Вплив на метрики підтримки

Інтерфейс у панелі оператора

Бічна панель показує 3–5 найбільш релевантних статей з короткими анонсами. Клік — вставка вмісту в поле відповіді з можливістю редагування. Для шаблонів — кнопка «Вставити як є».

Метрики прийняття, які ми відстежуємо:

• suggestion acceptance rate — ціль >55%;
• modification rate — як часто оператор править пропозицію;
• AHT до і після впровадження — скорочується на 30–40%;
• CSAT — якість відповідей не страждає, часто зростає.

Навчання на прийнятих і відхилених пропозиціях

Кожен acceptance або rejection — сигнал для перенавчання ранжувальника. Ми проводимо A/B-тести різних алгоритмів на підмножині операторів. Через 3–6 місяців acceptance rate зростає з 40% до 60–70% за рахунок навчання на ваших даних. Для глибшого навчання використовуємо крос-енкодер для реранжирування та дистиляцію моделі.

Що входить у роботу?

1. Аудит та впровадження під ключ: оцінка якості та повноти бази знань, очищення дублів.
2. Підготовка data pipeline: вилучення, очищення, векторизація (за допомогою sentence-transformers або OpenAI embeddings).
3. Вибір і налаштування ранжувальника: гібрид BM25 + embeddings, навчання на історії.
4. Інтеграція з CRM/Helpdesk: Zendesk, Freshdesk, Бітрікс24, або ваша система через API.
5. UI-компонент для панелі оператора (веб-віджет або розширення).
6. A/B-тестування та калібрування.
7. Документація та навчання команди підтримки.

За досвідом 50+ впроваджень AI-рішень, проект займає 4–8 тижнів від аудиту до першої гіпотези. Повне розгортання з навчанням — до 3 місяців.

Зв'яжіться з нами, щоб обговорити вашу базу знань і отримати попередню оцінку проекту. Замовте аудит вашої поточної бази знань — ми гарантуємо, що acceptance rate перевищить 50% вже після перших двох тижнів використання. Спробуйте демо-версію, щоб побачити ефект на своїх даних. Пишіть нам на пошту, і ми оцінимо ваш проект безкоштовно.

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.