FAQ-бот із семантичним пошуком у мобільному додатку

FAQ-бот із семантичним пошуком у мобільному додатку

Питання користувача: «Як повернути товар?» — а в базі «Повернення коштів». Без семантики система мовчить. Наше рішення — embedding-based бот, який знаходить відповідь навіть при перефразуванні. За 10 років ми впровадили таких ботів у 50+ проектах — від fintech до e-commerce — і переконалися: embedding-пошук підвищує точність на 40% порівняно з LIKE-запитами. Якщо ви хочете отримати такий самий результат, зв'яжіться з нами для консультації.

Чому семантичний пошук кращий за точний збіг?

Простий варіант: користувач пише ключові слова, система шукає по базі через LIKE або Elasticsearch. Працює, коли користувач знає правильні терміни. Але в реальності люди формулюють по-різному. Для натуральних запитань потрібен embedding-пошук. Кожне запитання з бази і кожен запит користувача перетворюється на вектор, шукаємо найближчого сусіда за косинусною відстанню.

from openai import OpenAI
import numpy as np

client = OpenAI()

def embed(text: str) -> list[float]:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

def find_best_faq(query: str, faq_embeddings: dict) -> tuple[str, float]:
    query_vec = np.array(embed(query))
    best_score = -1
    best_key = None
    for key, vec in faq_embeddings.items():
        score = np.dot(query_vec, np.array(vec)) / (
            np.linalg.norm(query_vec) * np.linalg.norm(np.array(vec))
        )
        if score > best_score:
            best_score = score
            best_key = key
    return best_key, best_score

Поріг score < 0.75 — відповідаємо «не знайшов відповідної відповіді, уточніть запитання». Без порогу бот буде видавати нерелевантні відповіді з переконливим виглядом.

Як ми будуємо базу питань для високої точності?

Кожен запис: запитання (або кілька формулювань), відповідь, категорія, теги. Кілька формулювань одного запитання покращують recall при пошуку. Embeddings для бази питань обчислюються один раз при завантаженні та кешуються в Redis. При оновленні бази — інвалідуємо кеш і перераховуємо. Це знижує навантаження на API та прискорює відповідь до 50 мс.

Як влаштована архітектура кешування?

Redis використовується для зберігання попередньо обчислених embeddings та гарячих запитів. Ми налаштовуємо TTL для кожного ключа — зазвичай 24 години. При зміні бази ключі інвалідуються через publish/subscribe. Це дозволяє підтримувати актуальність без перезавантаження сервера. Для embedding-моделі ми використовуємо OpenAI text-embedding-3-small з розмірністю 1536. Як показало дослідження Forbes 2022, це забезпечує оптимальне співвідношення швидкості та якості.

Порівняння підходів до пошуку

Embedding-пошук дає на 40% більше релевантних відповідей, ніж LIKE, і в 1.4 рази краще за Elasticsearch. Для бізнесу це означає скорочення часу відповіді на 40% та зниження навантаження на підтримку, що дає економію до $5000 на місяць для середнього проекту. Рекомендуємо його для будь-якого бота з більш ніж 50 запитаннями.

Хочете впровадити семантичний пошук? Напишіть нам, і ми підберемо оптимальне рішення для вашого бізнесу.

Що всередині мобільного UI: категорії та вільний ввід

Для бота ефективна комбінація: категорії-кнопки при старті діалогу + вільний ввід. Користувач відкриває чат → бачить 4–6 категорій («Доставка», «Оплата», «Повернення», «Акаунт») → тапає потрібну → бот пропонує топ-3 запитання в категорії у вигляді чіпів. Якщо жодне не підходить — пише своїми словами.

Такий UX знижує навантаження на NLP і дає користувачеві структуру. На практиці 70% користувачів знаходять відповідь за 2–3 тапи, не вводячи жодного слова. Кнопка «Це допомогло?» під кожною відповіддю — обов'язкова. Негативні оцінки формують список питань для доопрацювання бази.

Етапи розробки бота

Що входить у роботу?

Ми надаємо повну документацію щодо інтеграції, навчання команди замовника та гарантійну підтримку протягом 3 місяців. Такий підхід забезпечує швидкий запуск і мінімізацію ризиків. У підсумку ви отримуєте:

• Формування бази питань (до 200 запитань)
• Налаштування embedding-моделі та порогів
• Розробка UI (категорії, чіпи, історія)
• Інтеграція з кешуванням Redis
• Аналітика невідповідених запитів
• Документація та навчання команди

Терміни та вартість

Бот із семантичним пошуком на готовій базі — 2–4 дні. З розробкою структури бази, категоризацією та аналітикою — до 1 тижня. Наша команда має 10+ років досвіду в мобільній розробці та виконала більше 50 проєктів з чат-ботами. Ми гарантуємо якість та підтримку після запуску. Кожен проєкт індивідуальний: фінальний термін і вартість розраховуються після аудиту ваших даних. Отримайте консультацію — напишіть нам, і ми оцінимо ваш проєкт під ключ.

Як впровадити бота самостійно: покрокова інструкція

1. Зберіть 50–100 реальних запитань від користувачів.
2. Сформуйте відповіді та категоризуйте їх.
3. Обчисліть embeddings за допомогою OpenAI.
4. Збережіть вектори в Redis.
5. Реалізуйте пошук за косинусною відстанню.
6. Інтегруйте UI з категоріями та чіпами.
7. Протестуйте на реальних користувачах.