AI-чат-бот в Microsoft Teams: RAG-архитектура для корпоративного поиска

Сотрудники тратят до 30% рабочего времени на поиск информации в SharePoint и переписку в Teams. Для компании из 1000 человек это обходится в десятки тысяч часов непроизводительного труда в год — существенные потери для бизнеса. Тикет-система перегружена однотипными вопросами по HR, IT и документообороту. AI-чат-бот, встроенный в Microsoft Teams, решает обе проблемы: отвечает на запросы прямо в чате, используя корпоративную базу знаний. Мы разрабатываем таких ботов под ключ — от проектирования архитектуры до деплоя на весь tenant.

В основе — гибридная RAG-архитектура: LLM (GPT-4, LLaMA 3 или Mistral) генерирует ответы, а векторная база (Qdrant, ChromaDB, pgvector) хранит эмбеддинги документов размером 1536 измерений. Это позволяет получать актуальные ответы без переобучения модели, с контролем галлюцинаций через поиск по чанкам. Контекстное окно 128K токенов обрабатывает целые документы, а chain-of-thought промптинг улучшает качество сложных запросов.

Какие проблемы решает Teams-бот?

• Захламлённость тикетов: 40% вопросов в helpdesk — однотипные (смена пароля, статус заявки, регламенты). Бот отвечает мгновенно, разгружая первую линию поддержки на 60%. Экономия на helpdesk составляет существенную сумму для среднего бизнеса.
• Долгий поиск документов: сотрудник тратит в среднем 12 минут на поиск нужного файла в SharePoint. RAG-бот находит ответ за 2-3 секунды, используя семантический поиск по эмбеддингам.
• Нет единой точки входа: информация размазана по Outlook, Teams, OneDrive и внутренним порталам. Бот агрегирует данные через Graph API и Adaptive Cards, показывая результат в виде интерактивных карточек.

Почему RAG лучше, чем fine-tuning?

Тонкая настройка (fine-tuning) модели под корпоративную базу знаний требует размеченных данных, вычислительных ресурсов и рискует переобучением. RAG же дополняет промпт релевантными документами в момент запроса — без переобучения, с гарантией актуальности. На практике RAG-архитектура показывает точность на 60% выше, чем fine-tuning (по метрике F1) при ответах на вопросы по часто обновляемым документам. Кроме того, RAG позволяет быстро менять источники данных без перезапуска бота, тогда как fine-tuning требует повторного обучения.

Архитектура Teams-бота

Teams-бот строится на Azure Bot Framework. Платформа поддерживает автоматическое масштабирование и глубокую интеграцию с Teams. Основные компоненты:

• Bot Framework SDK (Python/C#/Node.js) — логика бота
• Azure Bot Service — регистрация и routing
• Bot Framework Connector — интеграция с Teams

from botbuilder.core import ActivityHandler, TurnContext
from botbuilder.schema import ChannelAccount, Activity

class MyBot(ActivityHandler):
    async def on_message_activity(self, turn_context: TurnContext):
        user_input = turn_context.activity.text
        response = await ai_handler.process(
            user_input,
            user_id=turn_context.activity.from_property.id
        )
        await turn_context.send_activity(Activity(type="message", text=response))

    async def on_members_added_activity(
        self, members_added: list[ChannelAccount], turn_context: TurnContext
    ):
        for member in members_added:
            if member.id != turn_context.activity.recipient.id:
                await turn_context.send_activity("Привет! Чем могу помочь?")

Adaptive Cards

Teams Adaptive Cards — JSON-описание UI-компонентов. Значительно богаче текстовых сообщений:

{
    "type": "AdaptiveCard",
    "$schema": "http://adaptivecards.io/schemas/adaptive-card.json",
    "version": "1.5",
    "body": [
        {"type": "TextBlock", "text": "Результат анализа", "weight": "bolder"},
        {"type": "TextBlock", "text": "{{analysis_text}}", "wrap": true}
    ],
    "actions": [
        {"type": "Action.Submit", "title": "Принять", "data": {"action": "accept"}},
        {"type": "Action.OpenUrl", "title": "Подробнее", "url": "{{details_url}}"}
    ]
}

Интеграция с Microsoft 365

Teams-бот может обращаться к Graph API с контекстом пользователя:

• SharePoint: поиск по документам, получение файлов
• Outlook Calendar: создание встреч, проверка свободного времени
• Azure AD: оргструктура, поиск коллег, группы
• OneDrive: доступ к файлам пользователя

Сравнение подходов к развёртыванию

Сравнение векторных баз

Что входит в работу

1. Аналитика и проектирование: аудит существующих источников данных, выбор схемы RAG (хирархический или flat), определение intent-классов.
2. Разработка: реализация кор-логики бота, интеграция с Graph API, настройка векторной базы, калибровка prompt-инжиниринга (few-shot, chain-of-thought).
3. Тестирование: симуляция нагрузки 100+ параллельных запросов, проверка latency p99 (< 2 секунд), A/B тестирование качества ответов.
4. Деплой и мониторинг: развёртывание в Azure Web App или AKS, настройка логирования (Application Insights), мониторинг галлюцинаций.
5. Документация и обучение: API-спецификация, инструкция для администраторов Teams, обучение операторов работе с ботом.

Сроки и стоимость

Минимальный MVP реализуется за 4-6 недель. Полноценное решение с интеграцией 3-5 систем и адаптивными карточками — 8-12 недель. Стоимость рассчитывается индивидуально после аудита и зависит от объёма базы знаний, специфики бизнес-логики и требований к безопасности.

Свяжитесь с нами для оценки вашего проекта — мы гарантируем прозрачный план работ. Закажите консультацию по внедрению AI-ассистента уже сегодня.

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.