Разработка AI-чат-бота для Facebook и Instagram с RAG и fine-tuning

Разработка AI-чат-бота для Facebook Messenger и Instagram

Вы запустили страницу в Facebook, и через час первое сообщение: «Сколько стоит доставка в Минск?» — ручной ответ отнимает время. Мы создаём AI-чат-ботов, которые обрабатывают такие запросы автоматически: захват лидов, консультации, поддержка 24/7. Стек — GPT-4, Llama 3, Mistral; RAG-пайплайны на LangChain с ChromaDB или pgvector. Интеграция через Messenger Platform API занимает 14 дней до MVP.

Какие проблемы решает AI-бот в Messenger?

Типичные сценарии: заявки на консультацию, проверка наличия товара, расчёт доставки, возвраты. Без AI операторы тратят до 40% времени на однотипные вопросы. Бот с RAG-системой подтягивает ответы из базы знаний: статьи, цены, складские остатки. Fine-tuning на исторических диалогах увеличивает точность на 15% по сравнению с чистым GPT-4. Дополнительно настраиваем классификацию интентов — бот распознаёт намерение пользователя (покупка, жалоба, вопрос по заказу) и переключает сценарий.

Например, для интернет-магазина мебели мы внедрили бота, который обрабатывает 80% запросов без участия человека. Время ответа снизилось с 30 минут до 2 секунд, а конверсия в заказ выросла на 25%. Экономия бюджета поддержки составила 60% за первые три месяца.

Почему RAG эффективнее простого GPT-4 для Messenger?

Без RAG языковая модель может галлюцинировать — выдумывать цены или сроки. RAG (Retrieval-Augmented Generation) добавляет слой верификации: запрос сначала ищет релевантные документы в векторной БД (ChromaDB, pgvector), затем формирует ответ на основе найденных фактов. Это снижает количество неверных ответов на 70% в тестовых прогонах. Для Messenger, где цена ошибки — потеря клиента, RAG — обязательный компонент.

Как мы интегрируем AI в Facebook Messenger?

Шаг 1. Регистрация приложения в Meta Business Suite, получение Page Access Token.
Шаг 2. Настройка webhook-эндпоинта на Flask (или FastAPI) с верификацией подписи для безопасности.
Шаг 3. Разработка AI-модуля: базовая генерация (GPT-4) или RAG с LangChain.
Шаг 4. Реализация диалогов: quick replies, persistent menu, generic templates.
Шаг 5. A/B тестирование — сравниваем с ручной обработкой.

Пример webhook на Flask:

from flask import Flask, request
import requests

app = Flask(__name__)
PAGE_ACCESS_TOKEN = "your_token"

@app.route("/webhook", methods=["POST"])
def webhook():
    data = request.json
    for entry in data.get("entry", []):
        for event in entry.get("messaging", []):
            if "message" in event:
                sender_id = event["sender"]["id"]
                text = event["message"].get("text", "")
                response = ai_bot.process(text, user_id=sender_id)
                send_message(sender_id, response)
    return "OK", 200

def send_message(recipient_id: str, text: str):
    payload = {
        "recipient": {"id": recipient_id},
        "message": {"text": text}
    }
    requests.post(
        f"https://graph.facebook.com/v19.0/me/messages",
        params={"access_token": PAGE_ACCESS_TOKEN},
        json=payload
    )

Для production мы используем Celery для асинхронной обработки и Redis как брокер — это гарантирует latency p99 < 500 мс даже при пиковых нагрузках.

Сравнение моделей для чат-бота в Messenger

Для Messenger оптимален гибрид: GPT-4 на сложные интенты, Mistral — на типовые ответы. Это снижает среднюю стоимость на 40%.

Типы сообщений и их использование в Messenger

Политики Messenger: что важно знать

Meta жёстко контролирует спам. Мы проектируем ботов так, чтобы каждое сообщение соответствовало политикам: маркетинг — только с согласия пользователя (subscriber). Сервисные уведомления — в любое время с правильным тегом. Для проверки соответствия используем симулятор API в песочнице. Верификация Business Manager обязательна.

Процесс работы и сроки

1. Аудит бизнес-процессов и сбор вопросов (2–3 дня).
2. Подготовка базы знаний для RAG (3–5 дней).
3. Разработка и fine-tuning модели (5–7 дней).
4. Интеграция webhook и настройка Messenger API (2–3 дня).
5. Тестирование и профилирование latency (p99 < 500 ms) (3 дня).
6. Обучение операторов и запуск (1 день).

Полный цикл: от 2 до 4 недель для enterprise-проекта.

Что входит в работу

• Документация: архитектура бота, инструкция по эксплуатации, описание AI-модели и её ограничений.
• Доступы: код проекта в приватном Git, дашборд мониторинга (Grafana).
• Обучение: вебинар для операторов, база ответов на частые вопросы.
• Поддержка: гарантийное обслуживание 30 дней, далее по SLA.

Наш опыт: 30+ внедрений чат-ботов для Facebook и Instagram, гарантия SLA 99.9%. Получите консультацию — пришлите пример диалогов, мы оценим проект за 1 день. Свяжитесь с нами для детального аудита вашей текущей поддержки.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.