AI-рішення для автоматичного розподілу заявок підтримки

Щодня команда підтримки тоне в потоці заявок: білінг, техпідтримка, скарги, запити на фічі. Оператори вручну читають кожне звернення і вирішують, кому його направити. Результат: час першої відповіді — години, а то й дні, misrouting — до 20%, роздратовані клієнти. Ми автоматизуємо цей процес за допомогою LLM і знижуємо час відповіді в 3–5 разів.

Як AI вирішує проблему маршрутизації?

Система на основі Large Language Model (GPT-4o, LLaMA 3, Mistral) аналізує текст звернення і миттєво визначає: тематику, пріоритет, складність, мову, сегмент клієнта. Потім призначає заявку на потрібну команду або конкретного агента з урахуванням його поточного навантаження. Точність класифікації >90% вже з першого тижня, а донавчання на ваших історичних даних піднімає її до 97%. Модель використовує few-shot prompting і динамічну контекстну інформацію (історія клієнта, SLA, час доби).

Архітектура routing-системи

class TicketRoutingDecision(BaseModel):
    team: str                    # billing, tech_support, sales, escalation
    priority: Literal["P1", "P2", "P3", "P4"]
    assignee_id: str | None      # конкретний агент або None для авто-призначення
    reasoning: str               # пояснення рішення
    suggested_response_template: str | None

def route_ticket(ticket: Ticket) -> TicketRoutingDecision:
    context = build_context(ticket)  # історія клієнта, поточне навантаження команд
    return llm_classify(ticket.text, context)

Пайплайн включає препроцесинг (лематизація, видалення стоп-слів), ембендинг (text-embedding-ada-002, 1536-вимірний вектор), пошук схожих тікетів у векторній БД (Pinecone, Qdrant) для few-shot прикладів. Це підвищує стабільність на рідкісних категоріях. Для ембендингів використовуємо text-embedding-ada-002 (OpenAI).

Порівняння моделей для маршрутизації

Балансування навантаження

Маршрутизація повинна враховувати поточне навантаження агентів. Алгоритм: первинна класифікація за компетенціями → вибір найменш завантаженого агента з потрібною компетенцією. Дані про завантаження: відкриті тікети на агента, середній час обробки, статус (онлайн/офлайн). Для екстрених випадків (P1) реалізовано ескалацію на чергового інженера з повідомленням у Slack/Telegram.

Інтеграція з helpdesk-системами

• Zendesk: Triggers API для автоматичного тегування та призначення
• Freshdesk: Webhooks + API для update ticket
• Jira Service Management: REST API, автоматичні правила
• ITSM системи: ServiceNow, OTRS — через REST API

Всі інтеграції використовують Zendesk API та аналогічні для інших систем. Ми реалізуємо кастомні конектори для систем без публічного API (через webhooks або email-парсинг).

Чому AI кращий за ручну маршрутизацію?

Які метрики відстежуємо?

Контролюємо не лише швидкість, але й якість: Routing Accuracy (частка правильно направлених тікетів), First Response Time (медіана та p95), Misrouting Rate (частка переназначених вручну), Agent Utilization (завантаження агентів). Дані візуалізуємо в Grafana + дашборди у вашій helpdesk-системі. Додатково рахуємо економічний ефект: зниження витрат на підтримку на 30–50% і окупність протягом 3–6 місяців.

Що входить в роботу?

Ми постачаємо готове рішення «під ключ»:

• Аудит поточних процесів та історичних тікетів (вибірка мінімум 1000 звернень).
• Вибір та доналаштування LLM (GPT-4o або open-source модель для конфіденційності).
• Розробка пайплайну класифікації з few-shot прикладами.
• Інтеграція з вашою helpdesk-системою через API.
• Налаштування балансування навантаження та правил ескалації.
• A/B-тестування протягом 1–2 тижнів.
• Документація, навчання команди (2 сесії по 1 годині), 1 місяць супроводу.

Скільки часу на впровадження?

Терміни: від 2 тижнів (базовий варіант з GPT-4o-mini) до 6 тижнів (кастомна модель, інтеграція з ServiceNow). Вартість розраховується індивідуально — залежить від обсягу тікетів, кількості інтегрованих систем та необхідності донавчання.

Як ми гарантуємо якість?

Фіксуємо цільові метрики в SLA: Routing Accuracy >90%, Misrouting Rate <5%, First Response Time зниження на 60%. Проводимо A/B-тестування до повного перемикання. Надаємо гарантію на точність маршрутизації в договорі.

Замовте пілотний проєкт: ми проведемо безкоштовний аудит вашої системи підтримки, оцінимо поточні метрики та підготуємо пропозицію. Зв'яжіться — обговоримо деталі. Наш досвід: 5+ років в AI та ML, понад 30 проєктів для рітейлу, фінтеху та телекому.

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.