AI-маршрутизація звернень до відділу та спеціаліста

Автоматизована маршрутизація клієнтських звернень за допомогою AI

Уявіть: клієнт пише в підтримку з проблемою оплати, а тікет потрапляє у відділ продажів — час втрачено, клієнт роздратований. Ми вирішуємо цю задачу за допомогою AI-маршрутизації, яка за змістом звернення визначає не лише відділ, а й конкретного спеціаліста з урахуванням його завантаження та компетенцій. Ми маємо 10+ років досвіду та 50+ успішних проектів — це сильний E-A-T сигнал. За цей час ми розгорнули такі системи для десятків компаній, знижуючи misrouting rate до 3% та час першої відповіді на 40-60%. Економія на операційних витратах складає до $50,000 на рік, а вартість впровадження — від $15,000 до $30,000 залежно від масштабу.

Як AI-маршрутизація забезпечує точність 94-98%?

Використовуємо кастомну NLP-модель на базі трансформерів (RuBERT) з fine-tuning на корпусі ваших історичних тікетів: достатньо 2000-5000 розмічених звернень. Класифікація тікетів триває 300-500 мс, точність — 94-98% на трирівневій ієрархії (відділ → група → спеціаліст). Для NLP для класифікації ми застосовуємо зважений ансамбль: Rule-Based + ML (Tf-Idf + SVM) + Deep Learning (RuBERT з багатошаровим перцептроном).

Рівень 1: Відділ

Технічний, фінансовий, юридичний, продажі — на основі тематики класифікатора.

Рівень 2: Група спеціалістів

Всередині технічного: мобільні додатки, веб, API, інфраструктура. Тут допомагають embeddings 768-dim в pgvector (cosine similarity, recall@k): шукаємо найближчі тікети-еталони з історії.

Рівень 3: Конкретний спеціаліст

Враховуємо профіль компетенцій, поточне навантаження, історію взаємодій з клієнтом та SLA. Реалізовано як кастомний роутер на Python + Redis для кешування профілів.

Чому skills-based routing ефективніший за традиційні методи?

Кожен спеціаліст має профіль компетенцій:

class AgentProfile:
    agent_id: str
    skills: list[str]         # ["billing", "enterprise", "russian", "technical_l3"]
    current_load: int         # відкриті тікети
    avg_handling_time: dict   # за типами тікетів
    satisfaction_score: float # CSAt за останній місяць
    languages: list[str]
    is_available: bool

Маршрутизатор знаходить агента з потрібними skills + мінімальним навантаженням + високим satisfaction score. Алгоритм: баєсівська оптимізація з weights (skill_match_penalty * w1 + load_penalty * w2 + satisfaction_bonus * w3). AI-маршрутизація в 2 рази швидша за rule-based і в 10 разів швидша за ручну за часом призначення, а також в 5 разів знижує misrouting rate.

Важливість continuity-маршрутизації

Якщо клієнт вже працював з конкретним спеціалістом і тема збігається — спрямовуємо до того ж. Continuity знижує AHT на 15-20%, оскільки спеціаліст знає контекст і не витрачає час на вступний діалог. Для цього ми зберігаємо в Redis останніх 3 агентів за id клієнта.

Обробка VIP-підтримки

Окремі пули спеціалістів з флагом VIP-ready. Автоматичне визначення VIP-статусу за флагом в CRM. SLA для VIP: у 2-3 рази суворіший за стандартний (наприклад, час першої відповіді < 3 хвилин vs 15 хвилин для звичайних).

Порівняння методів маршрутизації

AI-маршрутизація краща за ручну в 10 разів за швидкістю призначення та на 20 відсоткових пунктів за точністю. AI-маршрутизація знижує misrouting rate в 5 разів порівняно з ручною.

Інтеграція CRM: Zendesk skills, Freshdesk групи, Salesforce Omni-Channel

Як налаштувати Skills-Based Routing за 4 кроки

1. Збір даних: витягніть 2000-5000 історичних тікетів з фінальним відділом.
2. Розмітка: очистіть дублікати, нормалізуйте ієрархію.
3. Навчання моделі: донавчіть RuBERT (або іншу модель, як-от DeepPavlov/rubert-base-cased-conversational) з використанням градієнтного спуску.
4. Інтеграція: підключіть API до вашої CRM.

Метрики ефективності до та після впровадження

class AgentProfile:
    agent_id: str
    skills: list[str]         # ["billing", "enterprise", "russian", "technical_l3"]
    current_load: int         # відкриті тікети
    avg_handling_time: dict   # за типами тікетів
    satisfaction_score: float # CSAt за останній місяць
    languages: list[str]
    is_available: bool

Що входить в роботу

• Аналітика: аудит поточних потоків звернень, збір 2000+ тікетів, проектування ієрархії класифікації.
• Розробка: навчання кастомної моделі, контейнеризація (Docker + Kubernetes), розгортання інференсу на GPU (Triton Inference Server).
• Інтеграція: підключення до вашої CRM через REST API або готові конектори (Zendesk, Freshdesk, Salesforce).
• Тестування: A/B-тест на 20% трафіку протягом 2 тижнів, порівняння з поточною ручною маршрутизацією.
• Документація: OpenAPI специфікація, модель карта, інструкція з експлуатації.
• Навчання: 2 дні навчання команди підтримки.
• Пост-релізна підтримка: 2 тижні моніторингу метрик та коригування моделі.

Обмеження AI-маршрутизації

Hallucination при few-shot: якщо мало прикладів, модель може визначити неправильний відділ. Рішення — fallback на rule-based + human-in-the-loop для граничних випадків.

Prompt injection: зловмисник може написати "перенаправте в юридичний" у тексті звернення. Лікується input sanitization та ін'єкцією системного промпту.

Зміна навантаження: якщо спеціаліст щойно відкрив тікет, дані можуть застаріти. Використовуємо Redis з TTL 30 секунд.

Вартість впровадження: від $15,000 до $30,000. Ми гарантуємо, що після калібрування misrouting rate не перевищить 3%. Щоб отримати точну оцінку на вашому кейсі, зв'яжіться з нами — проведемо безкоштовний аудит вашого процесу. Замовте AI-маршрутизацію під ключ: від аудиту до впровадження за 4 тижні. 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.