AI-система выявления пробелов в знаниях организации

Отметим: когда сотрудник тратит 30 минут на поиск ответа, а база знаний молчит — это не проблема лени. Это дыра в корпусе знаний. Типичная компания с 500 сотрудниками генерирует 1000+ поисковых запросов в день, из которых 15% остаются без результата. Каждый такой запрос — потеря времени и риск ошибки. Онбординг новых сотрудников затягивается на недели, поддержка захлебывается однотипными вопросами, а корпоративная база знаний превращается в кладбище устаревших инструкций. Мы разработали AI-систему, которая автоматически находит такие дыры и оценивает их приоритет, чтобы вы могли закрыть их раньше, чем они станут критическими.

Knowledge Gap Analysis (KGA) — это метод, который выявляет разрыв между тем, что знают сотрудники, и тем, что нужно для работы. Наша AI-система анализирует корпус знаний, обращения в поддержку, поведение при поиске. Она находит области, где информации не хватает. Это не просто аудит. Это инструмент, который сам расставляет приоритеты и готовит план действий.

Gap analysis — база для этого подхода.

Источники для анализа пробелов

Система собирает данные из пяти каналов. Каждый даёт свой срез проблем.

Поисковые запросы во внутренней базе знаний — поиск без результата явно указывает на пробел. Если ответ есть, но его не кликают — контент плохой. Обращения в поддержку — повторяющиеся вопросы сигнализируют об отсутствии документации. Вопросы в корпоративных чатах — ценный неструктурированный источник. Завершаемость онбординга показывает, где новые сотрудники застревают. Система использует RAG для поиска релевантных статей в базе знаний, а ML-модели для классификации тона и темы.

Как AI определяет критический пробел?

Мы используем скоринговую модель. Она учитывает частоту запросов, количество уникальных пользователей, тренды и бизнес-влияние. Пробелы с высоким приоритетом попадают в контент-план первыми. Вот пример реализации:

class KnowledgeGapDetector:
    def analyze_search_logs(self, search_logs: list[SearchLog]) -> list[KnowledgeGap]:
        gaps = []

        # Группируем zero-result запросы по семантической близости
        zero_results = [log for log in search_logs if log.result_count == 0]
        clusters = cluster_queries(zero_results)

        for cluster in clusters:
            gaps.append(KnowledgeGap(
                topic=cluster.representative_query,
                evidence_queries=cluster.queries[:10],
                frequency=len(cluster.queries),
                unique_users=len({q.user_id for q in cluster.queries}),
                gap_type="missing_content",
                priority=self.calculate_priority(cluster)
            ))

        # Запросы с результатом, но низким engagement
        low_engagement = [
            log for log in search_logs
            if log.result_count > 0 and log.clicked_result is None
        ]
        clusters_low = cluster_queries(low_engagement)
        for cluster in clusters_low:
            gaps.append(KnowledgeGap(
                topic=cluster.representative_query,
                frequency=len(cluster.queries),
                gap_type="poor_quality_content",
                existing_articles=find_related_articles(cluster.representative_query),
                priority=self.calculate_priority(cluster)
            ))

        return sorted(gaps, key=lambda g: g.priority, reverse=True)

    def calculate_priority(self, cluster) -> float:
        # Приоритет = частота × количество уникальных пользователей × срочность
        urgency_bonus = 2.0 if cluster.has_recent_spike() else 1.0
        return (cluster.frequency * len(cluster.unique_users) * urgency_bonus) ** 0.5

Этот алгоритм сократил время онбординга на одном проекте на 40% за 3 месяца. В другом кейсе система помогла сэкономить компании с 500 сотрудниками до 2 млн рублей в год на онбординге и на 25% снизить нагрузку на поддержку.

Пошаговый процесс анализа

1. Сбор данных — из логов поиска, тикет-системы, чатов (Slack, Teams), LMS.
2. Кластеризация запросов — группировка по семантической близости (используем embeddings 1536-dim).
3. Скоринг пробелов — вычисление приоритета по формуле выше.
4. Оценка покрытия — через LLM (GPT-4) проверяем, насколько каждая тема раскрыта в базе знаний.
5. Формирование отчёта — детализированный план с дедлайнами.

Анализ покрытия базы знаний

Для каждой бизнес-темы система оценивает покрытие через LLM. Код отвечает за итерацию по темам и парсинг ответа модели.

class CoverageAnalyzer:
    def assess_coverage(
        self,
        required_topics: list[str],
        knowledge_base: KnowledgeBase
    ) -> CoverageReport:

        coverage = {}
        for topic in required_topics:
            articles = knowledge_base.search(topic, top_k=5)
            if not articles:
                coverage[topic] = CoverageStatus(level=0.0, status="missing")
                continue

            coverage_score = llm.parse(f"""Оцени покрытие темы '{topic}' по найденным статьям.

Статьи:
{format_articles(articles)}

Оцени:
- Полнота (0-1): насколько полно тема раскрыта
- Актуальность (0-1): насколько информация свежая
- Практичность (0-1): есть ли примеры, инструкции
- Что не хватает: конкретные аспекты темы без покрытия""",
                response_format=CoverageScore
            )
            coverage[topic] = CoverageStatus(
                level=coverage_score.overall,
                status="adequate" if coverage_score.overall > 0.7 else "insufficient",
                gaps=coverage_score.missing_aspects
            )

        return CoverageReport(
            total_topics=len(required_topics),
            well_covered=[t for t, c in coverage.items() if c.level > 0.7],
            gaps=[t for t, c in coverage.items() if c.level <= 0.7],
            coverage_map=coverage
        )

Результат — отчёт с детализацией по каждой теме: процент покрытия, статус, список недостающего.

Как формируется контент-план?

На основе анализа система автоматически генерирует контент-план. Для каждого пробела она предлагает структуру статьи, заголовок и автора (через Expertise Locator — поиск специалистов по тегу в корпоративной сети). Задачи создаются в Jira/Confluence с дедлайнами, которые зависят от частоты запросов: чем чаще запрашивают — тем быстрее нужно закрыть пробел. Мы гарантируем, что план будет реалистичным и сбалансированным по трудозатратам.

Что входит в работу

Мы предоставляем результат «под ключ»: от аудита до готового плана.

Общий срок — от 2 недель до 2 месяцев. Точную оценку дадим после брифинга.

Неэффективность ручного аудита знаний

Ручной анализ требует недель труда аналитика. Он субъективен и быстро устаревает. AI-система обрабатывает тысячи запросов за минуты, объективно ранжирует пробелы и обновляется автоматически. Опыт TrueTech: 30+ внедрений, 5 лет на рынке. Гарантируем качество и конфиденциальность.

Закажите демонстрацию, чтобы увидеть, как AI-анализ пробелов сокращает время онбординга на 40% и экономит до 2 млн рублей в год. Получите консультацию прямо сейчас.

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.