Внедрение искусственного интеллекта

Внедрение ИИ — это встраивание модели в уже работающий процесс, а не запуск отдельной системы рядом с ним. Модель читает данные компании, находит в них закономерность и выдаёт решение; действие по этому решению выполняет та система, где процесс живёт, — CRM, ERP, складская программа, касса, портал, мессенджер.

Поэтому проект начинается не с выбора модели, а с четырёх ответов: какие данные есть и в каком они состоянии; какое решение нужно принимать; кто и чем это решение исполняет; по какому числу будет видно, что стало лучше. Без любого из четырёх модель добавляет ещё один источник данных, за который никто не отвечает.

Где ИИ не нужен. Если правило описывается одной строкой — «остаток ниже пяти штук, оповестить закупку», — его пишут правилом: оно дешевле, предсказуемо и проверяемо построчно. ИИ уместен там, где признаков десятки, они меняются со временем, а человек до сих пор решал «на глаз»: классификация обращения, оценка спроса, поиск нетипичной операции, извлечение полей из документа произвольной формы.

Собранные данные не готовы к использованию: одна и та же позиция называется тремя способами, единицы измерения перепутаны, у половины записей нет обязательного признака, а часть строк — дубли одной операции. Модель, обученная на таком наборе, воспроизведёт беспорядок, а не найдёт закономерность.

Обработка ИИ закрывает здесь три задачи: привести записи к единому виду, расставить признаки там, где их нет, и разложить объекты по категориям, которых в исходных данных не существовало.

• Нормализация — единый формат дат, чисел, единиц измерения, телефонов, адресов и реквизитов
• Сопоставление наименований — «Кабель ВВГнг 3х2,5», «ВВГ-нг 3*2.5» и «кабель ввгнг 3х2.5 ГОСТ» сводятся к одной номенклатурной позиции
• Заполнение пропусков — недостающая категория, бренд или единица измерения предсказываются по остальным полям карточки
• Классификация — товар относится к группе, обращение к теме, платёж к статье расходов, контрагент к сегменту
• Извлечение признаков — из описания вытаскиваются характеристики: объём, вес, мощность, состав, срок годности
• Поиск дублей — две карточки одного контрагента или два документа одной поставки находятся по совокупности полей, а не по совпадению строки
• Проверка на противоречия — отрицательный остаток, дата отгрузки раньше даты заказа, сумма позиций не равна итогу документа

Действие: уверенные исправления применяются автоматически и записываются в журнал с исходным значением; спорные уходят на подтверждение владельцу справочника одним списком, а не письмами по одному.

Почему это отдельная работа

Качество данных — не разовая уборка перед проектом, а постоянный процесс: справочники пополняются каждый день, поставщики меняют форматы прайс-листов, менеджеры заводят карточки заново вместо поиска существующей. Поэтому правила и модели очистки живут в системе вместе с данными и применяются на каждой загрузке.

У каждого исправления есть автор — правило или модель, — время, старое и новое значение. Это не бюрократия: без истории невозможно разобрать, почему отчёт за прошлый месяц сегодня показывает другие числа.

Результат

Справочники перестают ветвиться, отчёты по группам товаров и статьям расходов сходятся между собой, а подготовка данных перестаёт съедать большую часть срока любого аналитического проекта.

Обычный отчёт отвечает на вопрос, который ему задали: выручка по месяцам, продажи по филиалам, остатки по складам. Вопросы задаёт человек, поэтому видно ровно то, что кто-то догадался посмотреть.

Обработка ИИ меняет здесь направление: модель просматривает срезы сама и приносит те, где поведение показателя отличается от ожидаемого. Не «нарисуй график», а «вот три места, где происходит не то, что обычно, и вот с чем это связано».

Что делает интеллектуальная аналитика:

• Сегментация — клиенты, точки продаж и товары группируются по фактическому поведению, а не по заранее придуманным категориям
• Разложение показателя — падение выручки раскладывается на вклад категорий, филиалов, каналов и среднего чека: видно, что именно просело
• Связи между событиями — какие признаки заказа, клиента или точки чаще сопровождают отказ, возврат, просрочку оплаты или уход клиента
• Оценка риска — вероятность того, что заказ будет отменён, счёт не оплачен в срок, клиент перестанет покупать
• Ранжирование внимания — список объектов, требующих разбора, отсортированный по возможным потерям, а не по алфавиту
• Запрос обычным языком — вопрос к данным словами, с обязательной ссылкой на источник и период в ответе

Действие: находка не остаётся в дашборде — она превращается в задачу с адресатом и сроком: разобрать точку с падением, связаться с клиентом из группы риска, проверить категорию с ростом возвратов.

Рутина — это операции, которые повторяются десятки раз в день, требуют внимания и не требуют квалификации: перенести данные из письма в карточку, отнести платёж к статье, назначить исполнителя, проверить комплектность документа, поставить статус.

Обработка ИИ нужна там, где вход не формализован: письмо написано словами, документ пришёл в чужом формате, заявка сформулирована по-разному каждым клиентом. Модель приводит такой вход к структуре, после чего процессом занимаются обычные правила — предсказуемые и проверяемые.

Что переходит в автоматический режим:

• Разбор входящих писем и заявок
• Определение темы и срочности обращения
• Назначение исполнителя и срока
• Заведение карточки клиента и сделки
• Извлечение данных из документов
• Сверка документа с заказом и счётом
• Отнесение платежа к статье и договору
• Проверка комплектности пакета документов
• Формирование ответа по типовому запросу
• Перевод и приведение текстов к единому виду
• Подготовка выписок и справок по шаблону
• Заполнение полей карточки товара по описанию
• Проверка заявки на полноту перед запуском
• Расстановка приоритетов в очереди задач
• Сводки по смене, дню и участку
• Оповещения ответственным по событиям

Действие и результат: операция выполняется системой и записывается в журнал с автором, временем и исходным значением. Сотрудник переходит от ввода данных к разбору исключений — тех случаев, где модель не уверена или где цена ошибки высока.

Данные: накладные, счета, акты, договоры, спецификации, платёжные поручения, заявления, паспорта оборудования, письма с вложениями. Форматы разные: pdf, фотография с телефона, скан, файл выгрузки, бумажный оригинал.

Обработка ИИ: распознавание текста, определение типа документа, извлечение полей и табличных частей, сопоставление позиций с номенклатурой и связывание документа с заказом, договором или контрагентом. Для каждого поля возвращается значение и уверенность в нём.

Что извлекается:

• Реквизиты сторон — наименование, регистрационные номера, адрес, банковские реквизиты
• Номер и дата документа, ссылки на договор, счёт и заказ
• Табличная часть — позиции, количество, цена, сумма, ставка налога
• Итоги — сумма без налога, налог, итог к оплате, валюта
• Сроки и условия — срок оплаты, условия поставки, гарантия, штрафы
• Подписи и печати — наличие, а не подлинность: подлинность — вопрос юридически значимого документооборота

Действие: документ сверяется с заказом и счётом, расхождения выносятся списком, документ либо проводится, либо уходит на разбор конкретному сотруднику. Результат: ввод документов перестаёт быть отдельной должностной обязанностью, а расхождения находятся до оплаты, а не при закрытии месяца.

Где проходит граница

Распознавание не даёт стопроцентной точности ни на одном наборе документов — и не должно. Смысл в другом: система показывает, каким полям она доверяет, а какие требует подтвердить. Оператор проверяет несколько выделенных полей вместо того, чтобы набирать документ целиком.

Плохое качество исходника — не повод для тихой ошибки: смазанное фото, обрезанная страница, отсутствующая вторая страница спецификации отмечаются явно и возвращаются отправителю с указанием причины.

Результат

Скорость обработки перестаёт зависеть от объёма входящего потока, а бухгалтерия и снабжение видят состояние документов в одном списке, а не в почтовых ящиках отдельных сотрудников.

Данные: письма, заявки с сайта, сообщения в мессенджерах, расшифровки звонков, переписка в чате поддержки, отзывы и оценки. Всё это текст произвольной формы, который до сих пор читал и сортировал человек.

Обработка ИИ: обращение относится к теме и подтеме, определяется срочность и тональность, из текста извлекаются номер заказа, наименование товара, адрес и другие сущности, обращение связывается с историей клиента. Повторные обращения по одному поводу склеиваются в один случай.

Действие: заявка попадает в очередь профильной группы с готовыми полями, срок реакции считается по срочности, повторное обращение поднимается по приоритету, а клиент получает подтверждение с номером и ожидаемым сроком.

Результат: обращения перестают лежать в общем ящике до утра, а руководитель видит не «много жалоб», а структуру: по каким темам растёт поток, где растёт время ответа и какие продукты дают повторные обращения.

Что даёт разбор потока целиком

Отдельное обращение говорит о случае, весь поток — о продукте и процессе. Классификация по темам за период показывает, что именно вызывает вопросы: непонятная инструкция, ошибка в описании товара, сбой на конкретном этапе оформления, задержка у одной службы доставки.

Поэтому темы не берутся из головы: сначала обращения группируются по смыслу автоматически, затем получившиеся группы правятся руками и закрепляются как справочник. Дальше он живёт вместе с продуктом, а новые группы предлагаются системой.

Бот — не одна модель, а несколько связанных частей. Разделение важно практически: у каждой части своя причина отказа, свои метрики и свой способ починки.

• Понимание запроса — что человек хочет сделать и какие параметры он назвал: номер заказа, дата, товар, адрес
• Поиск по знаниям — подбор фрагментов документов и записей, на которых будет построен ответ
• Доступ к системам — набор разрешённых операций: посмотреть заказ, создать заявку, изменить дату доставки. Каждая описана явно, произвольных действий у бота нет
• Формулировка ответа — модель собирает ответ строго из найденного и полученного от систем; чего нет в источниках, в ответе не появляется
• Проверка перед отправкой — ответ сверяется с источниками, а действие — с правами пользователя и лимитами
• Передача человеку — правила эскалации: низкая уверенность, повторный вопрос, негативная реакция, тема из закрытого списка
• Журнал — что спросили, что нашлось, что бот сделал и на каком основании. Без этого разбор жалобы невозможен

Каналы подключения — сайт и личный кабинет, мессенджеры, почта, телефонная линия с распознаванием речи, внутренний портал и рабочие места сотрудников. Логика при этом одна: канал меняет форму ввода, а не то, что боту разрешено делать.

Откуда берётся ответ

Бот не «помнит» ваши документы — он ищет их в момент вопроса и отвечает по найденному. Поэтому обновление регламента действует сразу после его загрузки, а не после переобучения модели, и поэтому у каждого ответа есть источник.

Как бот запускается

Первым делом собирается набор реальных вопросов — из переписки, обращений и внутренних чатов. На нём бот проверяется до запуска: ответы сверяются с источниками, ошибки разбираются по причинам. Только после этого бот открывается пользователям, обычно сначала одной группе.

Внутренний ассистент отличается от клиентского бота исходными данными: он работает с корпоративной информацией и в правах конкретного сотрудника. Один и тот же вопрос от кладовщика и от финансового директора даёт разные ответы — потому что им доступны разные документы.

Что делает ассистент на рабочем месте:

• Отвечает по регламентам — как оформить, кто согласует, какой срок, какая форма документа, со ссылкой на пункт
• Собирает справку по объекту — клиент, сделка, договор, заказ, устройство: история, открытые вопросы, ближайшие сроки
• Готовит черновики — письмо, коммерческое предложение, ответ на обращение, описание задачи, протокол встречи
• Ведёт запись за сотрудником — итог звонка или встречи превращается в задачи, сроки и обновление карточки
• Оформляет заявки — в кадры, снабжение, техподдержку: поля заполняются из разговора, а не из формы на двадцать полей
• Готовит сводку смены — что произошло за период на участке, что осталось незакрытым, что требует решения

Результат: сотрудник тратит время на работу, а не на поиск нужного документа, вспоминание регламента и заполнение форм. Ассистент не принимает решений за человека — он снимает подготовительную часть.

Корпоративные знания редко лежат в одном месте: регламенты в одной папке, договоры во второй, техническая документация в третьей, а половина ответов — в переписке. Поиск по названию файла здесь не работает, потому что человек ищет не документ, а ответ.

Данные: регламенты и приказы, договоры и приложения, техническая и проектная документация, инструкции, база решённых обращений, протоколы, справочники, архив переписки — с указанием владельца и уровня доступа.

Обработка ИИ: документы разбираются на фрагменты, каждый фрагмент индексируется по смыслу; вопрос сопоставляется с фрагментами, а не с заголовками. Ответ собирается из найденного и сопровождается цитатой, ссылкой на документ, страницу и редакцию.

Действие и результат: сотрудник получает ответ с источником за секунды вместо обхода коллег; спорные случаи проверяются по цитате; устаревшие документы видны сразу — если ответ пришёл из редакции двухлетней давности, это написано прямо в ответе.

Что делает базу знаний рабочей

• Одна точка входа — источники подключаются к индексу, а не переносятся руками в новое хранилище
• Версии и даты — у фрагмента известна редакция документа; действующая отделена от архивной
• Права наследуются — из систем-источников, поэтому индекс не становится способом обойти ограничения доступа
• Обновление по событию — изменённый документ переиндексируется сразу, а не по расписанию раз в месяц
• Обратная связь — «ответ не помог» отмечается в интерфейсе и попадает в разбор вместе с вопросом
• Пробелы видны — вопросы, на которые не нашлось источника, собираются списком: это задание на написание недостающего регламента

Чего база знаний не делает

Она не заменяет систему документооборота и не становится источником истины: юридически значимый документ остаётся там, где он подписан и хранится. Индекс — способ найти его и процитировать, а не отдельная копия, живущая своей жизнью.

Заявка приходит в свободной форме и по любому каналу: письмо, сообщение, форма на сайте, звонок, вложенный файл. До внедрения её читает человек, переносит данные в систему, определяет тип и назначает исполнителя — на это уходит от нескольких минут до нескольких часов ожидания в очереди.

Обработка ИИ: определяется тип заявки, извлекаются поля — объект, адрес, срок, контакт, номер договора, — проверяется полнота, оценивается срочность, заявка связывается с клиентом и его историей. Недостающее дозапрашивается автоматически в том же канале.

Действие: заявка заводится в системе с заполненными полями, назначается группа или исполнитель по правилам, ставится срок, отправляется подтверждение с номером. Дубли по одному поводу связываются, а не плодят вторую заявку.

Результат: исполнитель получает готовую заявку и начинает с работы, а не с уточнений. Время от поступления до назначения перестаёт зависеть от того, кто и когда открыл общий ящик.

Путь заявки

Что важно настроить

• Справочник типов заявок и правила назначения исполнителей
• Обязательные поля по каждому типу — иначе дозапрос не работает
• Сроки реакции по договорам и приоритетам
• Правило склейки повторных обращений по одному поводу

Модель ошибается всегда — вопрос в том, как часто, где именно и сколько это стоит. Поэтому у каждого внедрения есть два набора чисел: качество самой модели и изменение в процессе. Первое интересно инженеру, второе — бизнесу, и совпадают они не автоматически.

• Точность и полнота — по каждому классу отдельно, а не одним средним числом: редкий, но дорогой класс важнее массового
• Доля автоматических решений — сколько операций прошло без человека при заданном пороге уверенности
• Доля исправлений — сколько автоматических решений человек отменил или изменил
• Время операции — от поступления до завершения, в сравнении с базовым уровнем до внедрения
• Стоимость ошибки — что стоит пропуск и что стоит ложное срабатывание; порог настраивается по этому соотношению, а не по красоте метрики
• Дрейф данных — изменение состава входных данных, из-за которого качество падает без единой правки в системе

Порог уверенности — управляющая ручка, а не константа. Повышая его, компания получает меньше автоматики и меньше ошибок; понижая — наоборот. Значение выбирается по цене ошибки в конкретном процессе.

Что видно в панели

Эксплуатация после запуска

Модель — не разовая поставка. Данные меняются: появляются новые товары, темы обращений, форматы документов, поставщики. Поэтому в проект закладывается регулярная проверка качества на свежих данных, переобучение по расписанию или по срабатыванию порога и разбор случаев, где человек исправил решение.

Исправления операторов — самый ценный обучающий материал: они собираются в отдельный набор и используются при следующем обучении. Так система улучшается на собственной работе, а не на чужих данных.