Розробка омніканального AI-чат-бота (всі месенджери + сайт)

Уявіть: клієнт пише в Telegram, уточнює деталі, прикріплює фото. Переходить на сайт — і бот не пам'ятає діалог. За даними Zendesk, 70% користувачів ідуть, якщо доводиться повторювати інформацію. Втрачені конверсії — це не гіпотеза, а прямі збитки. Омніканальний AI-чат-бот з єдиним ядром і наскрізним контекстом вирішує цю проблему: одна раз навчена модель, одна база знань, одна аналітика. Ми розробляємо такі системи з досвідом 5+ років в AI/ML та 50+ реалізованих проєктів. Середній час відповіді скорочується на 40%, вартість одного звернення — на 30%. Отримайте консультацію з архітектури вашого бота — допоможемо підібрати оптимальний стек.

Чому омніканальність критична для AI-бота?

Без омніканальності кожен канал — ізольований бот. Клієнт перемикається та повторює інформацію, дратується, іде. Єдине ядро дає єдиний контекст: користувач може почати в Telegram, продовжити в WhatsApp, завершити на сайті — і бот пам'ятає весь діалог. Це підвищує containment rate в 1.5 рази порівняно з розрізненими ботами, а LTV клієнтів — на 25%. Зниження навантаження на саппорт досягає 50%.

Як об'єднати користувачів з різних каналів?

Глобальна задача — ідентифікація користувачів у різних каналах. Використовуємо стратегії: авторизація через єдиний акаунт сайту (лінкування месенджерів), запит номера телефону через Telegram API з подальшим матчингом з WhatsApp, email-верифікація для створення єдиного профілю. Без явного зв'язку профілі вважаються різними — це технічно чесно та захищає privacy.

Архітектура омніканальної системи

[Telegram]  [WhatsApp]  [VK]  [Viber]  [Web Widget]  [Instagram]
     ↓           ↓        ↓      ↓           ↓             ↓
[Channel Adapters — нормалізація форматів повідомлень]
     ↓
[Unified Message Router]
     ↓
[Core AI Engine]
    ├── Intent Recognition
    ├── Context Manager (Redis: user_id → conversation_state)
    ├── RAG / Knowledge Base
    ├── Tool Executor (CRM, ERP, DB)
    └── Response Generator
     ↓
[Channel Adapters — форматування під канал]
     ↓
[Telegram]  [WhatsApp]  [VK]  ...

Як написати адаптер для WhatsApp? (покроково)

1. Отримати вхідне повідомлення через WhatsApp Business API (webhook).
2. Розпарсити JSON: витягти from, text.body, timestamp, прикріпити media якщо є.
3. Створити об'єкт UnifiedMessage:
   • channel = "whatsapp"
   • user_id = f"whatsapp:{from}"
   • text = body.text
   • media = [MediaItem(url=...) ]
4. Передати в роутер. Отримати відповідь від ядра.
5. Зібрати відповідне повідомлення: якщо є кнопки — сформувати interactive об'єкт, якщо текст — text.
6. Відправити POST-запит на /{phone-number-id}/messages.

Такий адаптер пишеться за 2–3 дні для стандартного каналу.

Нормалізація повідомлень

UnifiedMessage — єдиний формат:

@dataclass
class UnifiedMessage:
    channel: str          # "telegram", "whatsapp", "vk", "web"
    user_id: str          # глобальний ID (channel:original_id)
    text: str | None
    media: list[MediaItem] | None
    timestamp: datetime
    metadata: dict        # channel-specific дані

Кожен канал конвертує вхідне в UnifiedMessage і відповідь назад в channel-native формат.

Управління контекстом діалогу

Redis зберігає стан діалогу з TTL = 24 години:

import redis, json

class ConversationContextManager:
    def __init__(self):
        self.redis = redis.Redis(decode_responses=True)

    def get_context(self, user_id: str) -> dict:
        data = self.redis.get(f"ctx:{user_id}")
        return json.loads(data) if data else {"history": [], "profile": {}}

    def update_context(self, user_id: str, update: dict):
        ctx = self.get_context(user_id)
        ctx.update(update)
        ctx["history"] = ctx["history"][-20:]
        self.redis.setex(f"ctx:{user_id}", 86400, json.dumps(ctx))

Порівняння стратегій об'єднання профілів

Як забезпечити наскрізну аналітику?

Омніканальна платформа дає наскрізну аналітику: канальний мікс, cross-channel journey, containment rate за каналами, причини перемикання. Стек: ClickHouse для подій, Grafana для real-time дашбордів. Це дозволяє виявити вузькі місця та оптимізувати маршрути. Бюджет на підтримку скорочується на 40% за рахунок автоматизації.

Масштабування та MLOps

Горизонтальне масштабування Core AI Engine (stateless + Redis), Message Queue (Apache Kafka) між адаптерами та ядром, rate limiting, graceful degradation. MLOps-процеси: моніторинг якості моделей, A/B тестування промптів, автоматичний ретриггер при падінні метрик. Це гарантує стабільність при зростанні навантаження до 10 000 RPS.

Що входить в роботу

• Архітектурна документація: схема взаємодії, вибір стеку, обґрунтування рішень.
• Вихідний код: ядро AI, адаптери каналів, інтеграції з Redis/Kafka.
• Інтеграція з CRM, ERP, базою знань (RAG).
• Конфігурація промптів та система моніторингу токсичності.
• Навчання команди замовника (2 дні) та гарантійна підтримка 3 місяці.
• Дашборди аналітики (Grafana) та алертинг.

Терміни реалізації

• Місяць 1–2: Core AI Engine, перший канал (Telegram), базовий context management.
• Місяць 3: Додавання 2–3 каналів (WhatsApp, VK, Web), unified analytics.
• Місяць 4–5: Інтеграції з CRM/системами, agent handoff, advanced персоналізація.
• Місяць 6: Навантажувальне тестування, моніторинг, промисловий запуск.

Для оцінки вашого сценарію зв'яжіться з нами. Отримайте консультацію з архітектури та попередню оцінку бюджету за 1–2 дні.

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.