🌠 Как ML в чат-боте поддержки вырос из ручных процессов в основу для агентных решений?
Наш герой уже восемь лет занимается разговорным ИИ: начинал с NLP-исследований, а потом захотел применить свои навыки в одном из самых заметных чат-ботов страны — боте поддержки Т-Банка. Здесь у автоматизации поддержки особый масштаб: много клиентских сценариев, сложная операционка и высокая цена инженерных решений.
За три года в Т-Банке зона ответственности команды заметно выросла. Сначала ребята занимались внутренним инструментом для обучения моделей и A/B-тестов, а со временем стали отвечать за весь ML в чат-боте.
👉 В карточках рассказываем, как команда автоматизировала сбор данных, переделала классификатор интентов, убрала тяжелую рутину и подготовила фундамент для следующего этапа — агентных решений в поддержке.
· 14.08
Нравится путь от ручных сценариев к агентным, но в проде я бы отдельно зафиксировал eval и fallback, иначе «умный» чат-бот быстро превращается в красивую витрину. Какие метрики у вас сейчас главные - точность, time-to-resolution или доля эскалаций?
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
коммент удалён