Розробка AI-автообдзвону для нагадування клієнтам про запис

Нагадування про запис — головний біль будь-якого сервісного бізнесу. Слот простоює, адміністратор витрачає години на обдзвін, клієнт забуває прийти. Ми розробили голосових ботів для 50+ клінік, салонів краси та автосервісів — і щоразу знижували no-show rate з 20–35% до 5–10%. Результат — прямі гроші: якщо у вас 1000 записів на місяць і середній чек 3000 грн, повернення заповнених слотів дає приріст виручки до 600 000 грн щомісяця.

Чому AI-обдзвін ефективніший за ручне нагадування?

Ручний обдзвін — навантаження на адміністраторів, пропущені дзвінки та людські помилки. AI-бот працює без перерв, обробляє до 1000 викликів паралельно і з однаковою якістю. Порівняйте: середній адміністратор витрачає 30 секунд на один дзвінок, бот — 10 секунд, тобто AI автообдзвон у 3 рази швидший за ручний. Для потоку 100 записів на день економія 12 людино-годин. Плюс бот не забуває подзвонити і не втомлюється надвечір.

Як AI-бот справляється з нестандартними відповідями?

Після того як бот додзвонився і вимовив сценарій нагадування, він аналізує відповідь клієнта за допомогою NLP-моделі (на базі трансформера). Якщо клієнт явно підтверджує — запис фіксується як підтверджений. Якщо просить перенести або скасувати — запускається відповідний підпроцес. У разі неоднозначної фрази бот перепитує. Такий підхід дає точність визначення інтенту 96%+ на реальних діалогах. Технічно це реалізовано через класифікатор на основі Sentence-BERT — ембеддінги фрази порівнюються з еталонними сценаріями косинусною близькістю.

Логіка нагадувань

REMINDER_SCHEDULE = {
    "medical_appointment": [
        {"offset": timedelta(days=2), "message": "long_reminder"},
        {"offset": timedelta(hours=4), "message": "day_reminder"},
        {"offset": timedelta(hours=2), "message": "final_reminder"},
    ],
    "beauty_salon": [
        {"offset": timedelta(days=1), "message": "long_reminder"},
        {"offset": timedelta(hours=3), "message": "final_reminder"},
    ],
    "service_center": [
        {"offset": timedelta(hours=24), "message": "long_reminder"},
        {"offset": timedelta(hours=2), "message": "final_reminder"},
    ]
}

async def schedule_reminders(appointment: dict):
    schedule = REMINDER_SCHEDULE.get(
        appointment["type"], REMINDER_SCHEDULE["beauty_salon"]
    )

    appointment_dt = datetime.fromisoformat(appointment["datetime"])

    for reminder in schedule:
        reminder_time = appointment_dt - reminder["offset"]
        if reminder_time > datetime.utcnow():
            await task_queue.schedule(
                task="send_appointment_reminder",
                args={
                    "appointment_id": appointment["id"],
                    "message_type": reminder["message"]
                },
                eta=reminder_time
            )

Сценарій нагадування

REMINDER_SCRIPTS = {
    "long_reminder": """
        Добрий день, {customer_name}!
        Нагадуємо, що ви записані до {specialist_name}
        післязавтра, {appointment_date} о {appointment_time}.
        Адреса: {address}.
        Ви плануєте відвідати нас? Натисніть 1 для підтвердження, 2 — якщо хочете перенести.
    """,
    "final_reminder": """
        Вітаємо, {customer_name}!
        Нагадуємо про ваш візит сьогодні о {appointment_time} до {specialist_name}.
        Чекаємо вас за адресою {address}. Якщо не зможете прийти — будь ласка, повідомте заздалегідь.
    """
}

Обробка відповіді на нагадування

async def handle_reminder_response(
    appointment_id: str,
    user_response: str
) -> str:
    intent = await classify_intent(user_response)

    if intent == "confirm":
        await calendar.confirm(appointment_id)
        return "Чудово! Чекаємо на вас. До побачення!"

    elif intent == "reschedule":
        slots = await calendar.get_available_slots(
            specialist_id=appointment["specialist_id"],
            days_ahead=7
        )
        return f"Найближчі доступні часи: {format_slots(slots[:3])}. Який зручний?"

    elif intent == "cancel":
        await calendar.cancel(appointment_id)
        await notify_specialist(appointment_id)
        return "Запис скасовано. Будемо раді бачити вас іншого разу!"

    return "Вибачте, не зрозуміла. Скажіть 'підтверджую' або 'хочу перенести'."

Наш досвід і результати

Компанія працює на ринку з 2019 року (понад 5 років досвіду) та реалізувала 50+ проектів. Ми впроваджуємо голосових ботів з 2019 року. За цей час розробили рішення для 50+ клінік, салонів краси та автосервісів. Середнє зниження no-show — з 25% до 8%. Один із проєктів — мережа стоматологій з філіями у 4 містах — отримала економію понад 1,5 млн грн на місяць за рахунок заповнених слотів. Гарантуємо аналогічний результат за умови коректного налаштування сценаріїв.

Порівняння: ручне нагадування vs AI-бот

Як працює система: покрокова інструкція

1. Клієнт записується через сайт, додаток або адміністратора — запис потрапляє в CRM.
2. Система автоматично створює нагадування згідно з розкладом (за 2 дні, 4 години, 2 години до візиту).
3. У призначений час бот дзвонить клієнту, використовуючи заданий сценарій нагадування.
4. Бот аналізує відповідь клієнта: підтвердження, перенесення, скасування або невизначена відповідь.
5. У разі перенесення бот пропонує вільні слоти, оновлює запис і повідомляє адміністратора.
6. Якщо клієнт не відповів — бот повторює дзвінок до 3 разів з інтервалом 15 хвилин.
7. Всі дії фіксуються в CRM для звітності.

Що входить у розробку під ключ

Також навчаємо ваших співробітників роботі з системою та надаємо 30 днів безкоштовної технічної підтримки після запуску.

Терміни та як почати

Базова система для одного типу запису — від 2 тижнів (вартість від 80 000 грн). Якщо потрібно кілька індустрій, різні сценарії нагадувань і глибока інтеграція з CRM — від 4 до 6 тижнів (вартість від 150 000 грн). Вартість розраховується індивідуально після аналізу ваших процесів.

Замовте консультацію по вашому проєкту — розрахуємо оптимальний сценарій і терміни. Отримайте демо-доступ до робочого прототипу та переконайтеся в ефективності системи до покупки. Оцінимо ваш проєкт і запропонуємо рішення під ключ — зв'яжіться з нами для консультації.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.