Один из самых важных для меня проектов в этом году — AI-помощник, который отвечает на вопросы сотрудников.

Масштаб задачи примерно такой: 50 000 сотрудников, сотни сервисов, огромное количество регламентов, программ и внутренних процессов. Только по фиксируемым обращениям мы получаем больше 70 000 вопросов.

Сейчас мы уже на финишной прямой: помощник работает в личном кабинете для ограниченной аудитории. И, наверное, самое интересное в этом проекте для меня — не сам факт, что мы сделали ещё одного AI-ассистента, а количество нюансов, которые обнаружились по дороге.

Например, база знаний.

Одним из вариантов и одним из источников для неё мы изначально рассматривали наши регламенты и инструкции. Логика довольно понятная: дать AI доступ к большому массиву корпоративных документов, чтобы он мог определить контекст вопроса, найти нужную информацию и сформировать ответ.

Но на практике оказалось, что при таком подходе качество ответа сильно падает.

Регламенты разрознены, их много, а к каждому может прилагаться ещё целый набор дополнительных документов и инструкций. В итоге сам по себе доступ к большому массиву корпоративной документации ещё не означает, что помощник сможет стабильно давать качественный ответ на конкретный вопрос сотрудника.

Поэтому мы пошли ещё одним путём — решили собрать отдельную базу из более чем 2 000 вопросов и ответов.

Но здесь появляется следующая проблема. Собрать и проверить больше 2 000 ответов — огромная работа, особенно если прийти к ответственным за каждое направление и попросить их написать всё с чистого листа.

Поэтому мы постарались максимально облегчить эту работу.

Взяли накопленные вопросы сотрудников, регламенты, инструкции и другие доступные материалы и на их основе предварительно подготовили уже наполненную базу вопросов и ответов. Ответственным за направления оставалось проверить её, при необходимости скорректировать или удалить ответы и подтвердить правильные.

В результате примерно за две недели мы смогли собрать и проверить более 2 000 ответов, которые уже можно использовать в помощнике.

Для меня здесь важный момент: мы использовали AI, чтобы максимально сократить ручную работу по подготовке базы, но оставили экспертам финальную проверку там, где для нас критично качество.

Другой интересный нюанс появился уже в интерфейсе.

Мне было важно, чтобы помощник не только отвечал на вопрос, но и подсказывал, что ещё можно спросить. Изначально он смотрел на контекст разговора с сотрудником и на его основе предлагал следующий потенциально полезный вопрос.

На первый взгляд всё логично. Но довольно быстро обнаружилась проблема.

Ассистент сам предлагает человеку нажать на вопрос, человек нажимает — а ассистент отвечает, что не знает ответа.

Потому что вопрос хорошо продолжал разговор, но нужной информации в нашей базе не было.

В итоге мы поменяли саму механику. Теперь помощник берёт контекст разговора, ищет связанные с ним вопросы в базе знаний и преимущественно предлагает те, на которые у нас уже есть ответ.

Казалось бы, маленькая деталь. Но именно такие вещи очень сильно влияют на пользовательский опыт.

Ещё одна часть — персонализация.

Помощник встроен в личный кабинет, поэтому система понимает, кто именно ей пишет: например, должность, роль сотрудника и другие доступные атрибуты. Этот контекст можно использовать, чтобы делать ответы более релевантными конкретному человеку.

При этом глубокой персонализации пока нет. Например, помощник ещё не сможет ответить: «Сколько именно у меня осталось дней отпуска?» или «Почему именно у меня такой расчёт зарплаты?».

Это уже следующий шаг — связать общие знания с персональными данными и информацией из других систем. Я надеюсь, что частично мы сможем сделать это в этом году и завершить в следующем.

И ещё одна важная для меня часть всей системы — аналитика.

Мы логируем обезличенные диалоги и смотрим на активность, количество вопросов в сессии, лайки и дизлайки, структуру разговора. Это позволяет не только оценивать, насколько помощник был полезен и помог ли решить проблему.