Розробка AI-системи автообдзвону для підтвердження замовлень

Відзначимо: коли вхідні замовлення падають у CRM, а підтвердження висить годинами — починається відтік. Ми розробляємо голосових ботів для автообдзвону підтвердження замовлень, які перехоплюють цей момент: дзвонять через 30 хвилин після оформлення, через 2 години після несплати. Конверсія підтвердження — 70–80%, частка невикупів падає з 20% до 5–8%. Економія на операторському відділі досягає значної частки від поточних витрат, а вартість дзвінка розраховується індивідуально.

Нещодавно для інтернет-магазину цифрової техніки з 8000 замовлень на день ми впровадили бота: за місяць частка невикупів впала з 25% до 7%, а конверсія підтвердження досягла 82%. Операторський відділ скоротили на 40% на основі даних проєкту. Зв'яжіться з нами, щоб обговорити аналогічний кейс.

Проблеми, які вирішує AI-автообдзвін

Перша — людський фактор: оператори витрачають час на повтори, забувають передзвонювати, помиляються в статусах. Друга — масштабування: у пік сезону 100+ замовлень/годину, найняти стільки операторів нереально. Третя — обробка відмов: клієнт може скасувати замовлення або змінити адресу — це потрібно коректно обробити та передати в логістику. За швидкістю реакції AI-бот випереджає оператора в 20–40 разів: дзвінок ініціюється через 5–15 секунд проти 5–10 хвилин у людини. При цьому точність логування у бота 100%, а у оператора — не більше 70%.

Ми спроєктували систему, яка вирішує ці проблеми без втрати якості. В основі лежить діалоговий движок на LLM (GPT-4o, LLaMA 3 або Qwen — залежить від вимог до latency), який розуміє природне мовлення та гнучко реагує на відхилення від сценарію. Докладніше про технологію LLM можна прочитати на Wikipedia.

Як AI-бот обробляє скасування замовлення?

При отриманні сигналу про скасування система фіксує причину (код і коментар), блокує запуск збірки, ініціює повернення коштів (якщо було передоплачено). Всі зміни синхронізуються з CRM у real-time через WebSocket. Якщо клієнт скасовує частково — бот уточнює позиції та створює замовлення-зміну. Швидкість обробки скасування — менше секунди, що критично для логістичних вікон.

Чому retry-стратегія критична для конверсії?

До 30% замовлень на момент першого дзвінка не відповідають. Без retry ці замовлення йдуть у невикуп. Наш алгоритм використовує адаптивний розклад для retry-стратегії: перший дзвінок через 30 хвилин, другий — через 2 години, третій — через 6 годин. Якщо не додзвонилися — надсилаємо SMS з URL для підтвердження та ставимо задачу оператору. Ця схема підвищує відсоток підтверджених замовлень на 15–20%.

RETRY_SCHEDULE = [
    timedelta(minutes=30),   # перший retry
    timedelta(hours=2),      # другий retry
    timedelta(hours=6),      # третій retry
]

Після трьох невдалих спроб — push-повідомлення в мобільний додаток або дзвінок оператора.

Як впровадити AI-обдзвін за 3 кроки

1. Аудит процесів — аналізуємо поточні скрипти, тригери та інтеграції (1–2 дні).
2. Запуск MVP — реалізуємо базовий сценарій з retry-логікою та інтеграцією через REST API (5–7 днів).
3. Оптимізація — на основі даних перших 1000 дзвінків коригуємо сценарії та налаштовуємо ескалації (3–5 днів).

Порівняння: AI-бот vs живий оператор

Етапи впровадження та терміни

Що входить в роботу

• Діаграми діалогів та схеми інтеграції в Confluence
• Документація API та інструкції для операторів
• Доступ до дашборду метрик (конверсія, latency, відсоток помилок)
• Навчання команди та 2 тижні пост-релізної підтримки
• Можливість кастомізації сценаріїв під нові бізнес-процеси

Як ми це робимо: стек та архітектура

Типове рішення будується на мікросервісах:

• FastAPI — API для управління замовленнями та чергою дзвінків
• PostgreSQL + pgvector — зберігання діалогів та семантичний пошук за інтентом
• WebSocket — real-time синхронізація статусів
• Triton Inference Server / vLLM — інференс LLM з latency p99 < 500 мс
• ChromaDB — векторне сховище для few-shot прикладів

Дзвінок ініціюється через SIP-транк або WebRTC, аудіо-стрімінг в ASR (Whisper або власні моделі), відповідь генерує LLM, синтезує мовлення TTS (Silero, Coqui або ElevenLabs).

Гарантія та досвід команди

Наші спеціалісти — 5+ років у голосових асистентах, 30+ запущених проєктів в e-commerce. Маємо сертифікати з інтеграції з 1С та Bitrix24. Згідно з внутрішньою статистикою, клієнти відзначають значну економію порівняно з попередніми витратами на операторський відділ. Гарантуємо коректну обробку 100% передбачених гілок діалогу та зниження частки невикупів до 5–8% протягом першого місяця.

Отримайте консультацію — перевірте якість діалогів на своїх сценаріях. Замовте demo-дзвінок: зв'яжіться з нами, щоб обговорити інтеграцію та отримати комерційну пропозицію.

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.