Разработка AI-системы выявления системных проблем из обращений клиентов

Проектируем и внедряем системы искусственного интеллекта: от прототипа до production-ready решения. Наша команда объединяет экспертизу в машинном обучении, дата-инжиниринге и MLOps, чтобы AI работал не в лаборатории, а в реальном бизнесе.
Показано 1 из 1Все 1566 услуг
Разработка AI-системы выявления системных проблем из обращений клиентов
Средний
~5 дней
Часто задаваемые вопросы

Направления AI-разработки

Этапы разработки AI-решения

Последние работы

  • image_website-b2b-advance_0.webp
    Разработка сайта компании B2B ADVANCE
    1284
  • image_web-applications_feedme_466_0.webp
    Разработка веб-приложения для компании FEEDME
    1196
  • image_websites_belfingroup_462_0.webp
    Разработка веб-сайта для компании БЕЛФИНГРУПП
    901
  • image_ecommerce_furnoro_435_0.webp
    Разработка интернет магазина для компании FURNORO
    1119
  • image_logo-advance_0.webp
    Разработка логотипа компании B2B Advance
    586
  • image_crm_enviok_479_0.webp
    Разработка веб-приложения для компании Enviok
    853

Разработка AI-системы выявления системных проблем из обращений клиентов

Отдельное обращение — частный случай. 50 похожих обращений за неделю — системная проблема, требующая решения на уровне продукта или процесса. AI-система находит такие паттерны прежде, чем они становятся кризисом.

Отличие системной проблемы от случайных обращений

Критерии системной проблемы:

  • Частота: > N обращений за T период по одной теме (пороги настраиваются)
  • Разные клиенты: не один недовольный клиент с повторными обращениями
  • Воспроизводимость: клиенты описывают одинаковые шаги и ситуации
  • Отсутствие решения: ни одно обращение не закрыто с реальным решением

Кластеризация и агрегация

def find_systemic_problems(dialogs: list[Dialog]) -> list[SystemicProblem]:
    # Эмбеддинги описаний проблем
    embeddings = encoder.encode([d.problem_description for d in dialogs])

    # Кластеризация HDBSCAN
    clusters = hdbscan.HDBSCAN(min_cluster_size=5).fit_predict(embeddings)

    problems = []
    for cluster_id in set(clusters):
        if cluster_id == -1:  # шум
            continue
        cluster_dialogs = [d for d, c in zip(dialogs, clusters) if c == cluster_id]

        # Кластер — потенциальная системная проблема
        if len(set(d.customer_id for d in cluster_dialogs)) >= 5:  # разные клиенты
            problem = summarize_cluster(cluster_dialogs)
            problems.append(problem)

    return sorted(problems, key=lambda p: p.affected_customers, reverse=True)

Root Cause Analysis

После выявления кластера AI пытается определить первопричину:

  • Анализ временного паттерна: когда началось? Совпадает ли с деплоем/изменением?
  • Контекст обращений: что общего у всех — версия приложения, регион, тариф, браузер?
  • Ссылки на упомянутые сценарии использования

Гипотеза root cause формулируется в читаемый текст с доказательствами из диалогов.

Actionable recommendations

Отчёт о системной проблеме содержит:

  • Описание проблемы (синтез из диалогов)
  • Масштаб: N уникальных клиентов, M обращений, динамика
  • Гипотеза о причине
  • Рекомендуемые действия (по типу проблемы: техническая → Jira ticket, процессная → регламент, информационная → база знаний)
  • Ответственные (по тематике проблемы)

Интеграция: автоматическое создание задачи в Jira с заполненным описанием при обнаружении системной проблемы выше порога.