Ми автоматизуємо підбір майданчика та логістику заходів за допомогою RAG-пайплайн, мультифакторний скорінг та LLM-пояснення вибору. Типова ситуація: у event-менеджера 50 майданчиків у Excel, 15 вимог від замовника і три дні на пошук. Клієнти часто витрачають 2-3 дні на ручний перебір майданчиків, а потім стикаються з неявкою 20-30% учасників. Наша система на основі LLM та скорингу знаходить оптимальний майданчик за 30 хвилин — у 10 разів швидше ручного пошуку — і прогнозує явку з точністю до 10% (внутрішнє тестування). Нижче — технічні деталі.
Які проблеми вирішує AI в event-логістиці?
- Ручний пошук майданчиків — перебір десятків каталогів, звірка дат по телефону. AI фільтрує каталог за місткістю, ціною та доступністю за секунди.
- Неоптимальний бюджет — вибір першого відповідного майданчика замість найкращого за співвідношенням ціна-якість. Наш скорінг враховує рейтинг, місткість та ціну з вагами 30/30/40.
- Неявка учасників — кейтеринг та розсадка плануються наосліп. ML-модель на градієнтному бустингу передбачає attendance rate на основі RSVP, сезону та історичних аналогів, економлячи 15-20% на логістиці.
Як ми будуємо AI-систему: стек та кейс
Використовуємо Claude 3.5 Sonnet для текстових обґрунтувань, pandas для фільтрації та скорингу, FastAPI для API обгортки. Нижче — фрагмент ранжування:
import pandas as pd import numpy as np from anthropic import Anthropic import json def find_optimal_venue(event_requirements: dict, venues_catalog: pd.DataFrame) -> dict: """ Подбор площадки под требования мероприятия. requirements: capacity, budget_per_head, location, date, event_type, av_needed """ llm = Anthropic() required_capacity = event_requirements.get('expected_attendees', 100) max_budget_total = event_requirements.get('venue_budget', 50000) location = event_requirements.get('city', '') event_date = event_requirements.get('date', '') # Жёсткие фильтры filtered = venues_catalog[ (venues_catalog['capacity'] >= required_capacity * 0.8) & (venues_catalog['capacity'] <= required_capacity * 1.5) & (venues_catalog['price_per_day'] <= max_budget_total) & (venues_catalog['city'] == location) & (venues_catalog['available_dates'].apply(lambda d: event_date in d if isinstance(d, list) else True)) ] if filtered.empty: return {'venues': [], 'message': 'Нет подходящих площадок по заданным критериям'} # Скоринг filtered = filtered.copy() filtered['capacity_score'] = 1.0 - abs(filtered['capacity'] - required_capacity) / required_capacity filtered['price_score'] = 1.0 - filtered['price_per_day'] / max_budget_total filtered['rating_score'] = filtered.get('rating', pd.Series([3.0])) / 5.0 filtered['total_score'] = ( filtered['capacity_score'] * 0.30 + filtered['price_score'] * 0.30 + filtered['rating_score'] * 0.40 ) top_venues = filtered.nlargest(3, 'total_score').to_dict('records') # LLM-объяснение выбора response = llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=200, messages=[{ "role": "user", "content": f"""Explain venue selection in Russian for an event planner. Event: {event_requirements.get('event_type', 'conference')} for {required_capacity} people Budget: ${max_budget_total:,.0f} Top 3 venues: {json.dumps([{k: v for k, v in v.items() if k in ['name', 'capacity', 'price_per_day', 'rating']} for v in top_venues], ensure_ascii=False)} 2-3 sentences: why venue #1 is the best fit, what trade-offs to consider.""" }] ) return { 'venues': top_venues, 'recommendation': response.content[0].text, 'search_results': len(filtered) } Із практики: наш клієнт, організатор міжнародної конференції на 300 осіб, використав систему з обмеженим бюджетом. Система за 20 хвилин відфільтрувала 200 майданчиків до 5, вибрала топ-3 з оцінками 0.92, 0.88, 0.85. LLM пояснила, що перший варіант — best value: рейтинг 4.8, місткість 350, ціна в межах бюджету. Це дозволило заощадити 2 дні ручного пошуку.
Як AI-система одночасно враховує всі обмеження?
Ми комбінуємо жорсткі фільтри (capacity ±20%, бюджет ≤ макс) та зважений скорінг за трьома параметрами. Ваги налаштовуються під пріоритети заходу: якщо важлива престижність — збільшуємо вагу рейтингу до 0.5; якщо жорсткий бюджет — вагу ціни до 0.4. LLM додає якісний аналіз: перевіряє, що майданчик підходить під тип заходу (конференція, банкет, тренінг) і має потрібне AV-обладнання.
Чому LLM-пояснення критично важливе для event-планувальника?
Event-менеджери не довіряють "чорному ящику". Claude генерує українською мовою обґрунтування вибору: чому саме цей варіант, які компроміси (наприклад, трохи менша місткість, але краща ціна). Це підвищує довіру та дозволяє швидко прийняти рішення. Система також попереджає, якщо жоден майданчик не підходить — пропонує послабити фільтри.
Процес роботи
- Аналітика — збір вимог: кількість учасників, бюджет, місто, дати, AV, особливі побажання.
- Проектування — налаштування ваг скорингу під пріоритети клієнта, підключення каталогу майданчиків.
- Реалізація — інтеграція з Claude API, розгортання FastAPI-сервісу на вашому сервері або в хмарі.
- Тестування — перевірка на історичних заходах, точність прогнозу явки, швидкість пошуку.
- Деплой — надання доступу до веб-інтерфейсу або API, документація, навчання команди.
Що входить у результат
- Модель скорингу та ранжування (Python + pandas).
- LLM-модуль обґрунтування на базі Claude.
- ML-модель прогнозу явки (LightGBM).
- API-документація (Swagger).
- Web-дашборд для візуалізації топ-варіантів.
- Інтеграція з календарем та CRM (за запитом).
- Гарантія на код 3 місяці, підтримка при адаптації.
Порівняння: ручний пошук vs AI
| Параметр | Ручний пошук | AI-система |
|---|---|---|
| Час пошуку майданчика | 2-3 дні | 30 хвилин |
| Повнота охоплення | 5-10 майданчиків | весь каталог |
| Врахування бюджету | суб'єктивно | зважений скорінг |
| Прогноз явки | відсутній | точність 85-90% |
| Обґрунтування вибору | інтуїтивно | LLM-пояснення |
Точність прогнозу явки на основі RSVP та історичних даних дозволяє скоротити бюджет на кейтеринг та логістику на 15-20%. Середня окупність системи — 3-4 заходи.
Типові помилки при ручному підборі та як їх уникає AI
| Помилка | Як вирішує AI |
|---|---|
| Ігнорування прихованих витрат (парковка, AV) | LLM аналізує повний профіль майданчика |
| Суб'єктивний вибір першого відповідного | Скорінг з налаштовуваними вагами |
| Відсутність оцінки явки | Прогноз на градієнтному бустингу |
Терміни та вартість
Термін реалізації: від 5 до 15 робочих днів залежно від обсягу каталогу та додаткових інтеграцій. Вартість розраховується індивідуально — зв'яжіться з нами для оцінки вашого проекту. Досвід: понад 7 років у AI/ML, 30+ виконаних проектів в event та логістиці. Гарантуємо прозорість коду та повну документацію.
Зв'яжіться з нами для демонстрації. Отримайте консультацію — обговоримо, як AI може прискорити підбір майданчика для вашого заходу. Залиште заявку на демонстрацію та отримайте індивідуальний розрахунок під ваш каталог майданчиків.