Автоматизация урегулирования убытков: AI-чат-бот для FNOL за 3 минуты

Колл-центры перегружены: оператор тратит 20 минут на сбор данных по одному ДТП, а клиент ждёт ответа сутки. Мы решаем эту проблему с помощью AI-чат-бота, который принимает FNOL за 3 минуты — в 5 раз быстрее оператора — и автоматически формирует заявку в CRM. Наши инженеры — с опытом более 5 лет в AI для страхования — создают ботов, снижающих нагрузку на колл-центр до 70% и обрабатывающих до 80% типовых обращений без участия человека.

Внедрение чат-ботов окупается в течение нескольких месяцев за счёт сокращения time-to-resolution и FTE в колл-центре.

Почему AI-чат-бот необходим страховщикам?

Ручная обработка убытков — узкое горлышко. Бот выполняет сбор данных, проверку документов, оценку ущерба и передачу в CRM. Время от инцидента до создания дела сокращается на 80%. Стоимость обработки обращения значительно ниже, чем в колл-центре, а бот работает 24/7, обеспечивая среднее время ответа менее минуты.

Сценарии автоматизации бота

Основные сценарии: подбор и расчёт полисов (ОСАГО, КАСКО, ДМС) и урегулирование убытков (FNOL). Бот собирает VIN, СТС, стаж, рассчитывает стоимость через API РСА. Для FNOL — опрашивает по чек-листу, загружает фото повреждений, создаёт заявку с номером дела. Также реализована пролонгация полисов с напоминанием за 30, 14 и 7 дней.

Как устроен pipeline FNOL?

1. Приём обращения — клиент пишет 'Попал в ДТП'. Бот проверяет наличие пострадавших, вызывает скорую при необходимости.
2. Сбор данных — дата, место, второй участник. Фото повреждений, схема.
3. Верификация — OCR паспорта, VIN через API ГИБДД, проверка полиса в РСА.
4. Оценка ущерба — по фото и данным из справочников (RAG), предварительная сумма.
5. Создание дела — заявка в CRM с номером, прикрепление документов, уведомление оператора.

Сравнение: чат-бот vs колл-центр

Что даёт RAG в страховом боте?

RAG (Retrieval-Augmented Generation) дополняет LLM поиском по базе знаний — правилам, тарифам, регламентам. Это предотвращает галлюцинации и обеспечивает точность расчётов. Подробнее о технологии — в Retrieval-Augmented Generation. Векторная база pgvector хранит тысячи документов, поиск занимает миллисекунды.

Для снижения latency p99 мы используем кэширование embeddings в Redis и параллелизацию запросов через asyncio. Точность retrieval оценивается по метрике recall@k — на наших проектах достигает 0.95. Модель fine-tuning на корпоративных данных (LoRA, INT4 quantization) сокращает размер модели на 30% без потери качества.

Технологии обеспечения надёжности

Стек: LLM (GPT-4, LLaMA 3), LangChain для сценариев, ChromaDB для векторов, OCR (Tesseract, Azure Form Recognizer). Деплой — на Kubernetes с автоматическим масштабированием. Мониторинг: latency p99, GPU utilization, accuracy ответов. Гарантируем 99.9% uptime и обработку 100 запросов в секунду.

Состав работ

Мы сопровождаем проект на всех этапах — от аудита до продакшена и дальнейшей поддержки. Получите консультацию — оценим ваш проект за один рабочий день. Свяжитесь с нами для демонстрации.

Процесс внедрения

1. Аудит — изучаем текущие процессы: какие сценарии автоматизировать, какие данные доступны, какие API.
2. Проектирование — определяем архитектуру: LLM, RAG, интеграции. Создаём сценарии (dialog flow).
3. Реализация — пишем код на Python с использованием LangChain, настраиваем векторную базу, fine-tuning при необходимости.
4. Тестирование — прогоняем на исторических данных, измеряем точность (accuracy, recall), время ответа.
5. Деплой — разворачиваем на инфраструктуре заказчика или в облаке (Kubernetes, GPU-инстансы).
6. Мониторинг — ставим дашборды (latency p99, GPU utilization, количество эскалаций).

Сроки: MVP с FNOL и расчётом полиса — 6–8 недель; полный цикл — 3–5 месяцев. Стоимость рассчитывается индивидуально.

Гарантии качества и поддержка

Предоставляем SLA: 99.9% uptime, время реакции на инцидент — 15 минут. Ежеквартальное дообучение модели на новых данных для сохранения точности. В рамках поддержки — обновление интеграций при изменении API страховщика. Обучение команды заказчика администрированию бота (базовое администрирование, просмотр логов, донастройка сценариев).

Закажите консультацию — получите демонстрацию на реальных данных вашей страховой компании. Свяжитесь с нами для обсуждения вашего проекта.

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.