ИИ-нетворкинг для конференций - приложение для поиска релевантных деловых контактов

1. Вводная задача от заказчика, проблематика, цели

Проблематика

Классический нетворкинг на конференциях демонстрирует низкую эффективность:

• участники взаимодействуют лишь с 10–15% потенциально полезных контактов
• знакомства происходят случайно, без учёта реальных бизнес-интересов
• значительная часть времени уходит на нерелевантные разговоры
• организаторы не могут гарантировать ценность взаимодействий

Дополнительные сложности проявляются в перегруженности и отсутствии структуры в списках участников и коммуникациях: чаты превращаются в поток несистемной информации, из которого трудно извлечь пользу. В результате спикеры и партнёры не получают ожидаемой отдачи от аудитории, а общий уровень удовлетворённости мероприятием заметно снижается.

В этих условиях перед командой стояла задача создать инструмент, который повышает точность подбора деловых контактов и сокращает время на поиск релевантных знакомств. Решение также должно было увеличивать ценность участия в мероприятии для всех сторон и легко масштабироваться под различные форматы событий.

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

В основе решения лежит многоступенчатая система обработки пользовательских данных. На первом этапе участник заполняет анкету, в которой отражает:

• профессиональные компетенции
• интересы
• цели участия
• ожидания от нетворкинга

Далее информация проходит этап интеллектуальной нормализации: система очищает текст от шума, устраняет субъективные формулировки и приводит данные к единому структурированному виду с выделением ключевых сущностей. После этого с помощью ИИ формируется лаконичное нарративное описание профиля, которое сохраняет смысл анкеты, но делает её удобной для машинного анализа.

На следующем этапе применяется модель взвешивания компетенций: используются специализированные словари навыков и интересов, каждому параметру присваивается значимость, а нестандартные формулировки автоматически сопоставляются с релевантными категориями. Это позволяет точно определить приоритетные области пользователя.

Подготовленные данные переводятся в векторное представление, что даёт возможность эффективно сравнивать профили между собой. Для поиска совпадений используются:

• алгоритм k-ближайших соседей (k-NN)
• косинусная мера сходства

На основе этого формируется ранжированный список наиболее релевантных контактов. Дополнительно результаты обрабатываются языковой моделью, которая объясняет пользователю логику рекомендаций: какие интересы и компетенции совпали и какие сценарии сотрудничества возможны. Такой подход повышает прозрачность системы и доверие к ней. В пользовательском сценарии взаимодействие сведено к минимуму: достаточно заполнить анкету, после чего участник получает персонализированные рекомендации и может сразу перейти к коммуникации.

Решение легко интегрируется с CRM, сайтами мероприятий и системами регистрации, поддерживает white-label формат и предоставляет организаторам аналитику интересов аудитории для дальнейшего развития событий.

3. Результаты сотрудничества

По итогам тестирования и пилотного использования:

• до 60–70% контактов становятся релевантными (против 10–15% при классическом нетворкинге)
• время на поиск полезных знакомств сокращается с 3–4 часов до 1–1,5 часов
• до 80–90% участников активно используют рекомендации системы
• количество потенциально ценных деловых контактов увеличивается в 3–4 раза