Работающий сервис, который превращает реальные звонки и переписки с клиентами в управляемую базу знаний для AI-ассистента, первичной квалификации и обучения менеджеров.
Система создана, работает и используется заказчиком как сервис.
AI-ассистент доступен круглосуточно и отвечает в контролируемом темпе.
При недостаточной уверенности диалог автоматически передаётся менеджеру.
Та же канонизированная база используется как тренажёр для сотрудников.
Исходная задача
Коммерческий директор внедрял квалифицирующих ботов для первичной работы с обращениями. Обычной инструкции было недостаточно: ассистенту требовались актуальные знания о продуктах, ценах, логистике и компании, а также ограничения, запрещённые темы и безопасный сценарий передачи диалога менеджеру.
Вместо искусственно составленной базы было решено извлекать знания из накопленной истории реальных коммуникаций — сообщений и телефонных разговоров.
1. Источники данных
Входящие и исходящие сообщения.
Аудиозаписи разговоров.
Контекст клиента и обращения.
Место коммуникации в воронке.
2. Подготовка разговоров
Звонок связывается со сделкой и стадией.
Речь превращается в текст с временными интервалами.
Реплики разделяются по спикерам.
Отдельный этап определяет клиента и менеджера.
Разговор готовится к смысловому анализу.
В исходном контуре обнаружились сотни гигабайт записей. Обработка построена как отдельный конвейер: аудио приводится к рабочему формату, транскрибируется, разделяется по спикерам, классифицируется по матрице услуг и только после этого поступает в общую систему знаний.
3. Как появляется проверяемое знание
Кластеризация по смыслу.
Несколько вариантов внутри одного кластера.
Продукт, услуга, параметры и контекст.
Статистический выбор или проверка ответственным.
Недостаточные данные не становятся «истиной».
Для текстового контура были проанализированы скрипты продаж и выборка переписок, построена матрица продуктов, услуг и параметров. Система группирует похожие вопросы и ответы, но не принимает наиболее частую формулировку за правильную автоматически. Спорные варианты проходят канонизацию, а вопросы без достаточного контекста получают отдельный статус.
4. Векторные базы и RAG
Назначение, параметры, ограничения и релевантные сценарии.
Подтверждённые сведения, которые допустимо использовать в ответах.
Коммерческий контекст и границы применимости информации.
Доставка, регионы и условия выполнения.
Запрещённые темы и ситуации для обязательной передачи человеку.
Входящий вопрос векторизуется, после чего система выбирает ближайшие фрагменты из подходящих тематических баз. Модель отвечает только в пределах найденного контекста. Если уверенность ниже 97 из 100 или запрос требует дополнительных данных, диалог передаётся менеджеру.
5. Работа AI-ассистента в Bitrix24
Отдельный сервер подключается к Bitrix24 как явно обозначенный AI-ассистент. Он приветствует клиента, проводит первичную квалификацию, отклоняет нецелевые обращения и отвечает на типовые вопросы. Менеджер может подключиться к уже идущему диалогу и продолжить работу с сохранённым контекстом.
- круглосуточная работа и множество параллельных обращений;
- контролируемая задержка около 10 секунд для естественного темпа общения;
- безопасная эскалация человеку при недостаточной уверенности;
- фиксация истории в коммерческом контуре, а не в личных аккаунтах сотрудников.
6. Обучение и аттестация менеджеров
Проверенные вопросы и ответы.
AI играет роль клиента.
Менеджер ведёт учебный диалог.
Ошибки и пропущенный контекст.
Стандартизированная оценка знаний.
Новый сотрудник проходит имитацию клиентских диалогов: AI задаёт вопросы из канонизированной базы, проверяет ответ, подсвечивает ошибку и объясняет правильный подход. Это самостоятельный результат проекта, который снижает зависимость обучения от устной передачи знаний.
Технологическая архитектура
Основная локальная LLM; Qwen2.5-7B-Instruct — подтверждённая дополнительная модель, gpt-4.1-mini — резервный облачный backend.
whisper-large-v3-plus-diarization, pyannote/speaker-diarization-3.1 и отдельное определение ролей.
OpenAI-совместимый API к локальным моделям; MLX Whisper для Mac и faster-whisper для альтернативного контура.
Дашборд, воркер, SQLite-очередь и статусы на VPS; тяжёлые LLM- и ASR-задачи вынесены на GPU.
Моя роль и право на продукт
Архитектура продукта, программный код и конвейеры принадлежат Константину Храпейчуку. Заказчик предоставил датасеты для разработки и эксплуатации сервиса. Моя роль включала бизнес- и системный анализ, проектирование контура знаний, разработку, интеграцию с Bitrix24 и организацию вычислительной инфраструктуры.
Подтверждённый результат
- создан глубокий контур знаний на основе реальных сообщений и звонков;
- время первого ответа сокращено примерно с 30 минут до 10 секунд;
- обеспечена работа первичного контура 24/7;
- квалификация и типовые ответы автоматизированы;
- менеджер подключается к уже содержательному диалогу;
- канонизация знаний стала управляемым процессом;
- обучение и аттестация менеджеров стандартизированы;
- вопросы без достаточных данных не превращаются автоматически в достоверный ответ.
Граница публикации
Разрешено только полностью обезличенное описание проекта. Название и отрасль заказчика, реальные артефакты и любые данные, позволяющие идентифицировать компанию, не публикуются. Отзыва заказчика нет, поэтому цитата от его имени не используется.