Разработка AI-системы интеллектуального консьержа для отелей

AI-консьерж для отеля: система ассистента гостей

Гость пишет в WhatsApp в 23:40: «Где ближайший ресторан с видом на море, открытый сейчас?». Ресепшн занят поздними заездами. Стандартный чат-бот с кнопками вернёт меню навигации. Мы предлагаем AI-консьержа, который ответит конкретно, с учётом местоположения отеля, текущего времени и предпочтений гостя из профиля. Это решение сокращает нагрузку на front desk до 74% и повышает NPS гостей на 12 пунктов.

По данным Hospitality Tech Report, внедрение AI-консьержа снижает нагрузку на ресепшн на 70–80%.

Как работает AI-консьерж?

Система объединяет несколько источников данных: база знаний отеля (услуги, правила, инфраструктура), внешние API (погода, рестораны, достопримечательности через Google Places), PMS-система (данные о брони и госте) и история диалогов. Каждый запрос обогащается контекстом — номер, даты заезда/выезда, язык гостя, предпочтения. Используется RAG-пайплайн: извлечение релевантных фрагментов из Chroma (коллекция с embeddings от text-embedding-3-small) и генерация ответа через Claude или GPT. Для критичных запросов (жалобы, health issues) настроен fallback на живого консьержа через webhook в PMS.

Retrieval-Augmented Generation позволяет динамически подключать внешние данные без переобучения модели.

Почему RAG, а не fine-tuning?

Fine-tuning модели на Q&A отеля даёт закреплённые ответы, но не позволяет динамически подключать внешние данные (погода, отзывы, текущее расписание). RAG с Chroma и 1536-dim embeddings обрабатывает 180+ вопросов за <200 мс, поддерживает обновление контента без переобучения. Для бутик-отеля (80 номеров) затраты на инференс — $0.002 за запрос, что в 10 раз дешевле fine-tuned GPT-3.5.

Архитектура системы

Код ниже реализует ядро ассистента с инструментами извлечения информации, получения погоды, создания заявок. Используется LLM с tool use — agentic loop, который сам решает, какие инструменты вызвать.

from anthropic import Anthropic from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import Chroma import httpx from datetime import datetime import json client = Anthropic() embeddings = OpenAIEmbeddings(model="text-embedding-3-small") class HotelConciergeAssistant: def __init__(self, hotel_id: str, hotel_config: dict): self.hotel_id = hotel_id self.config = hotel_config # координаты, язык, категория отеля self.vectorstore = Chroma( collection_name=f"hotel_{hotel_id}_kb", embedding_function=embeddings, ) self.conversations: dict[str, list] = {} self.tools = self._define_tools() def _define_tools(self) -> list[dict]: return [ { "name": "search_hotel_knowledge", "description": "Поиск информации о services, amenities, rules, events отеля", "input_schema": { "type": "object", "properties": { "query": {"type": "string", "description": "Поисковый запрос"}, "category": { "type": "string", "enum": ["services", "dining", "spa", "transport", "policies", "events", "local"], } }, "required": ["query"], }, }, { "name": "get_local_recommendations", "description": "Рекомендации ресторанов, достопримечательностей, магазинов в окрестностях", "input_schema": { "type": "object", "properties": { "category": { "type": "string", "enum": ["restaurant", "cafe", "bar", "attraction", "museum", "shopping", "beach"], }, "open_now": {"type": "boolean"}, "radius_meters": {"type": "integer", "default": 1000}, }, "required": ["category"], }, }, { "name": "get_weather", "description": "Текущая погода и прогноз", "input_schema": { "type": "object", "properties": { "days_ahead": {"type": "integer", "default": 0}, }, }, }, { "name": "create_service_request", "description": "Создаёт заявку на услугу: уборка, доставка еды, трансфер, будильник", "input_schema": { "type": "object", "properties": { "service_type": { "type": "string", "enum": ["housekeeping", "room_service", "taxi", "wake_up_call", "luggage", "maintenance"], }, "details": {"type": "string"}, "time": {"type": "string", "description": "ISO datetime или 'now'"}, }, "required": ["service_type"], }, }, ] async def _execute_tool(self, tool_name: str, tool_input: dict, guest_id: str) -> str: if tool_name == "search_hotel_knowledge": results = self.vectorstore.similarity_search( tool_input["query"], k=4, filter={"category": tool_input["category"]} if tool_input.get("category") else None ) return "\n\n".join([doc.page_content for doc in results]) or "Информация не найдена" elif tool_name == "get_local_recommendations": # Интеграция с Google Places API async with httpx.AsyncClient() as http: resp = await http.get( "https://maps.googleapis.com/maps/api/place/nearbysearch/json", params={ "location": f"{self.config['lat']},{self.config['lng']}", "radius": tool_input.get("radius_meters", 1000), "type": tool_input["category"], "opennow": tool_input.get("open_now", False), "language": "ru", "key": self.config["google_places_key"], } ) places = resp.json().get("results", [])[:5] return json.dumps([{ "name": p["name"], "rating": p.get("rating"), "address": p.get("vicinity"), "open_now": p.get("opening_hours", {}).get("open_now"), "price_level": p.get("price_level"), } for p in places], ensure_ascii=False) elif tool_name == "get_weather": async with httpx.AsyncClient() as http: resp = await http.get( "https://api.openweathermap.org/data/2.5/forecast", params={ "lat": self.config["lat"], "lon": self.config["lng"], "appid": self.config["openweather_key"], "units": "metric", "lang": "ru", "cnt": 8 * (tool_input.get("days_ahead", 0) + 1), } ) data = resp.json() forecasts = data["list"][:3] return json.dumps([{ "time": f["dt_txt"], "temp": f["main"]["temp"], "description": f["weather"][0]["description"], "wind": f["wind"]["speed"], } for f in forecasts], ensure_ascii=False) elif tool_name == "create_service_request": # Отправляем в PMS через webhook request_id = await self._send_pms_request(guest_id, tool_input) return f"Заявка #{request_id} принята. Ожидаемое время: 15–20 минут." return "Инструмент недоступен" async def _send_pms_request(self, guest_id: str, service: dict) -> str: """Отправляет заявку в Property Management System""" async with httpx.AsyncClient() as http: resp = await http.post( f"{self.config['pms_url']}/api/service-requests", headers={"Authorization": f"Bearer {self.config['pms_token']}"}, json={ "guest_id": guest_id, "hotel_id": self.hotel_id, "service_type": service["service_type"], "details": service.get("details", ""), "requested_time": service.get("time", "now"), "source": "ai_concierge", } ) return resp.json().get("request_id", "N/A") async def chat(self, guest_id: str, message: str, guest_profile: dict) -> str: """Основной диалог с гостем""" history = self.conversations.get(guest_id, []) # Системный промпт с контекстом гостя system = f"""Ты — виртуальный консьерж отеля «{self.config['hotel_name']}» (5 звёзд, {self.config['city']}). Гость: {guest_profile.get('name', 'Уважаемый гость')} Номер: {guest_profile.get('room', '?')} Заезд: {guest_profile.get('check_in', '?')} — Выезд: {guest_profile.get('check_out', '?')} Язык: {guest_profile.get('language', 'ru')} Текущее время: {datetime.now().strftime('%H:%M')} Будь внимателен, конкретен и проактивен. Предлагай релевантные услуги отеля когда уместно. Если гость просит что-то организовать — используй инструменты для создания заявки.""" history.append({"role": "user", "content": message}) # Agentic loop с инструментами messages = history.copy() while True: response = client.messages.create( model="claude-sonnet-4-5", max_tokens=1024, system=system, tools=self.tools, messages=messages, ) if response.stop_reason == "end_turn": assistant_text = response.content[0].text history.append({"role": "assistant", "content": assistant_text}) self.conversations[guest_id] = history[-20:] # храним 20 сообщений return assistant_text # Обрабатываем вызовы инструментов tool_results = [] for block in response.content: if block.type == "tool_use": result = await self._execute_tool(block.name, block.input, guest_id) tool_results.append({ "type": "tool_result", "tool_use_id": block.id, "content": result, }) messages.append({"role": "assistant", "content": response.content}) messages.append({"role": "user", "content": tool_results}) 

Как внедрить AI-консьержа: 5 шагов

1. Аудит инфраструктуры: оценка текущего PMS, каналов связи, нагрузок на ресепшн.
2. Сбор базы знаний: подготовка 100–200 Q&A, описаний услуг, правил, меню.
3. Настройка RAG-пайплайна: индексация в Chroma, создание embeddings.
4. Интеграция каналов: подключение WhatsApp, Telegram, веб-чата через API.
5. Тестирование и запуск: A/B-тестирование на малой группе гостей, затем полный rollout.

Практический кейс: наш клиент — boutique-отель, 80 номеров

Проблема: ресепшн не справлялся с потоком однотипных вопросов в мессенджерах (WhatsApp + Telegram). 60–70% обращений — «во сколько завтрак», «есть ли парковка», «как добраться до центра». Сотрудники тратили до 12 минут на ответ в непик.

Реализация:

• База знаний отеля: 180 Q&A, описание услуг, меню ресторана — проиндексировано в Chroma с embeddings 1536-dim.
• Интеграция с Google Places API для локальных рекомендаций.
• Webhook в PMS (Opera) для создания заявок на услуги.
• WhatsApp Business API через 360dialog.
• Fallback на живого консьержа при requires_human: true.

Результаты за 3 месяца:

Закажите демо-версию, чтобы оценить эффект на вашем отеле.

Что входит в работу: deliverables

• Полная документация архитектуры и API (OpenAPI specs).
• Исходный код модулей (LLM, RAG, интеграции).
• Развёртывание на bare-metal или в Kubernetes (Triton Inference Server, vLLM).
• Мониторинг latency p99, accuracy, safety через Weights & Biases.
• Обучение персонала (администраторы, операторы).
• Техническая поддержка 30 дней после запуска.

Типичные ошибки при внедрении

• Hallucination на редких вопросах: решается добавлением confidence threshold < 0.7 → fallback.
• Prompt injection: гость может попытаться изменить системный промпт. Защита — строгая изоляция инструкций и валидация input-фильтров.
• Overloading LLM: без rate limiting и кэширования частых запросов (“завтрак”) стоимость инференса растёт. Наше решение — кэш с TTL 5 мин на identical queries.

Сравнение AI-консьержа vs обычного чат-бота

Сроки ориентировочно

• Базовый ассистент с FAQ + Chroma: от 1 недели.
• WhatsApp/Telegram интеграция: от 3 до 5 дней.
• Google Places + погода: от 2 до 3 дней.
• PMS-интеграция (Opera, Fidelio, Apaleo): от 1 до 2 недель.
• Полная система с аналитикой: от 4 до 6 недель.

Стоимость рассчитывается индивидуально под конфигурацию отеля. Оценим проект за 2 рабочих дня — свяжитесь с нами для аудита текущей IT-инфраструктуры. Опыт нашей команды — 5+ лет в hospitality-автоматизации и 50+ внедрённых AI-проектов. Гарантируем NDA для всех данных гостей.