Интеллектуальная трансформация технической поддержки XNET

1. Вводная задача от заказчика, проблематика, цели

XNET — IT-компания из Казахстана, работающая по всему СНГ. Компания проектирует и внедряет IT-инфраструктуру, серверные решения, инженерные и сервисные системы, а также обеспечивает их дальнейшую техническую поддержку.

Каждый день служба поддержки XNET обрабатывает около 400 обращений: инциденты, запросы на обслуживание оборудования, консультации по эксплуатации и сложные технические вопросы.

На момент старта проекта:

• 25% обращений автоматически классифицировались другой системой,
• 25% отклонялись,
• 50% (около 200 обращений в день) требовали ручной классификации.

При этом:

• текущее время классификации могло достигать 10 минут;
• SLA на уведомление супервайзера составляло 8 минут;
• названия категорий были недостаточно информативны;
• структура категорий была иерархической и неравномерной (от >100 000 обращений в категории до единичных случаев).

Перед компанией стояли системные вызовы:

❌ обращения нужно вручную классифицировать на один из более чем 500 классов;

❌ распределение классов было неравномерным («длинный хвост»);

❌ чтобы ускорить обработку заявки, операторы иногда выбирали ближайшую понятную категорию;

❌ поиск информации для ответа занимал значительное время;

❌ масштабирование команды техподдержки требовало найма дорогих квалифицированных сотрудников.

Цель проекта:

✅ Автоматизировать классификацию обращений и сократить время обработки с 10 до 2 минут, создав масштабируемую архитектуру, работающую полностью внутри контура заказчика.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Проект был реализован в два этапа, каждый из которых усиливал предыдущий.

1. Мы автоматизировали классификацию обращений.

2. Создали интеллектуального ассистента для поиска информации в инструкциях и последующей генерации ответа.

Система реализована в виде микросервиса с API, интегрированного в существующую платформу заказчика.

Развертывание — on-premise: данные не покидают периметр компании, LLM запускается на GPU-серверах заказчика.

Проект 1. Автоматическая классификация обращений

➜ Проблема сложности

В системе поддержки XNET более 500 классов обращений с иерархической структурой.

Распределение обращений крайне неравномерное — одни категории содержат более 100 000 обращений, другие — единичные случаи.

Названия категорий оказались недостаточно информативными для языковой модели.

Кроме того, нужно было учитывать:

• источник обращения (влияет на приоритет),
• признак важности заявителя,
• список доступных категорий для конкретного заказчика.

Ранее тестировались классические алгоритмы машинного обучения, но качество оказалось недостаточным.

➜ Новая логика

Команда Doubletapp реализовала систему на базе LLM (большой языковой модели), развернутой в инфраструктуре заказчика. Для выбора оптимальной модели был проведен этап сравнительного тестирования.

Рассматривались локальные модели:

• Qwen 3 32B
• Mistral Small 3.1 24B

Оценка велась по стандартным метрикам:

• точность (precision),
• полнота (recall),
• F-мера.

Заказчик предоставил:

• накопленную базу обращений с правильной классификацией,
• примеры заявок с метаданными (текст, источник, важность),
• список доступных классов.

Дополнительно для каждого класса были созданы подробные текстовые описания с примерами типичных обращений, так как одних названий было недостаточно для корректной работы модели.

➜ Стратегии классификации

Мы протестировали два подхода.

➜ Подход 1. Все классы одновременно

Модель получает заявку и полный список доступных категорий с описаниями.

Плюс — полный контекст.

Минус — при большом количестве классов модель может терять фокус.

➜ Подход 2. Пакетная обработка

Категории разбиваются на группы примерно по 20 классов.

Модель проходит по группам, определяя релевантность, затем при необходимости делает финальный выбор.

В каждой группе присутствует категория «Не подходит».

Плюс — лучшая фокусировка.

Минус — потенциальное увеличение времени обработки.

По итогам этапа оценки была выбрана оптимальная конфигурация с учетом точности и времени ответа.

➜ Решение для пограничных ситуаций

Сложнее всего классифицировались обращения, которые можно было отнести к нескольким близким категориям.

Для повышения точности был добавлен механизм поиска похожих примеров:

• система ищет в базе похожие уже классифицированные обращения;
• передает их вместе с описанием классов в модель;
• принимает решение с учетом реальных аналогов.

Фактически реализована архитектура RAG, retrieval augmented generation — генерация с опорой на найденные данные, где retrieval — поиск похожих примеров.

Это позволило:

• повысить точность на редких категориях;
• снизить влияние «длинного хвоста»;
• уменьшить участие человека в рутинной маршрутизации.

Проект 2. Интеллектуальный ассистент для специалистов

Если первый проект автоматизировал распределение обращений, то второй ускорил сам процесс подготовки ответа.

➜ Подготовка базы знаний

Исходные инструкции хранились в формате HTML и содержали изображения.

Для корректной работы LLM мы:

• перевели инструкции в формат Markdown;
• создали текстовые описания всех изображений;
• добавили структурированную мета-информацию об организации;
• унифицировали структуру документов.

Это позволило создать машиночитаемую базу знаний, пригодную для семантического анализа.

➜ Гибридный поиск: смысл + точные термины

Была реализована гибридная система поиска:

• семантический поиск (по смыслу),
• поиск по ключевым словам (названия технологий, оборудования).

Результаты объединяются и «перевзвешиваются» — система выбирает наиболее вероятные документы. Это особенно важно в IT-среде, где одно точное название технологии может полностью изменить решение.

➜ Генерация ответа

Когда поступает запрос:

1. Система ищет релевантные документы.

2. Учитывает контекст обращения.

3. Передает набор документов вместе с запросом в LLM, развернутую во внутреннем облаке заказчика.

4. Формирует структурированный HTML-ответ.

5. Указывает источники инструкций.

Если ответа в базе нет, система может дополнительно обратиться к интеллектуальному интернет-поиску. Ассистент не заменяет специалиста — он экономит время и снижает зависимость результата от уровня экспертизы сотрудника.

Оценка качества: от синтетических тестов к реальной практике

➜ Этап 1. Создание системы тестирования

Была разработана автоматическая система оценки качества классификации и генерации ответов.

LLM генерировала тестовые вопросы:

• по фактам,
• по документам целиком,
• по описаниям изображений.

Метрики:

• найден ли правильный класс;
• позиция правильного класса в ранжировании;
• совпадение ответа с эталонным.
• Это позволило объективно выбрать модель и стратегию классификации.

➜ Этап 2. Проверка на практике

Специалисты службы поддержки протестировали систему для обработки заявок в реальном времени. 75% ответов признаны полезными.

Система показала высокий уровень практической применимости уже при первом запуске.

3. Результаты сотрудничества

После внутренней презентации решение начало активно использоваться сотрудниками первой и второй линии поддержки.

На текущий момент:

• среди операторов первой линии около 75% ответов признаны полезными;
• среди инженеров второй линии — 30–35%.

Разница объясняется характером задач и уровнем подготовки сотрудников: первая линия обрабатывает в основном типовые ситуации силами сотрудников-джунов — и в этом случае система показывает максимальную эффективность. Вторая линия — это опытные сотрудники с большим стажем, к которым передаются сложные и нетиповые задачи.

Дополнительно:

✅ система реализована как микросервис с API;

✅ развернута на инфраструктуре заказчика;

✅ модель работает на GPU внутри периметра компании;

✅ предусмотрена возможность администрирования классов через веб-интерфейс (админку);

✅ возможно тестирование новых категорий до ввода в промышленную эксплуатацию.

Система демонстрирует реальную прикладную ценность и потенциал масштабирования.

4. Заключение

Проект для XNET стал не просто примером цифровизации бизнес-процессов, но и стратегическим шагом в развитии компании.

Новая система изменила саму логику работы технической поддержки: компания превратила накопленный опыт в управляемый цифровой актив, сделав базу знаний удобной и максимально доступной для всех сотрудников.

В результате XNET получила:

✅ устойчивую архитектуру, способную обрабатывать растущий объем обращений без пропорционального увеличения штата;

✅ сокращение времени на рутинные операции и высвобождение экспертов для решения действительно сложных задач;

✅ инструмент для ускоренного обучения новых сотрудников — система фактически передает им экспертизу компании в режиме реального времени;

✅ снижение зависимости качества сервиса от человеческого фактора.

Главное — компания создала экономическую основу для масштабирования.

Рост количества клиентов и проектов больше не требует линейного увеличения ресурсов. Снижение операционных затрат открывает новые управленческие возможности:

✅ гибко формировать ценовую политику для клиентов;

✅ повышать маржинальность проектов;

✅инвестировать высвобожденные ресурсы в развитие сервисов и технологий.

Таким образом, XNET получила не просто инструмент оптимизации процессов, а конкурентное преимущество. Синергия человека и интеллектуальных систем позволила компании выйти на новый уровень зрелости — когда технологии не догоняют бизнес, а опережают его и формируют пространство для роста.