Следующий кейс ДО и ПОСЛЕ внедрения ИИ.

Сегодня расскажу про RAG-системы. Суть Retrieval-Augmented Generation в том, что ответ нейросети строится на конкретных данных, прописанных в источниках. В отличие от классического генеративного ИИ, LLM+RAG существенно снижает риски галлюцинаций и фантазирования со стороны ИИ. Это критично в клиентской поддержке, при работе в чувствительных областях и технически сложных сферах. Действительно: нейросеть не должна выдумывать несуществующие скидки или номенклатуры запчастей.

Так вот, кейс компании EuroAuto как раз и заключался в создании удобной справочной системы на основе RAG, чтобы упростить работу специалистов техподдержки.

ДО: Специалист тратил до 1-2 часов на общение с техлидами команд и экспертами в разных областях, чтобы определить ответственное лицо и найти ответ.

ПОСЛЕ: RAG-система на базе Onyx, интегрированная с Jira и Confluence компании, позволила практически мгновенно формировать точный ответ на запрос пользователя на основе справочников и экспертной информации. Нагрузка на операторов снизилась на 15% уже в первый месяц после внедрения системы. Время задержки ответа на технически сложные вопросы сократилось в среднем с 80 минут до 4-5 минут.

Подробности кейса здесь. А о преимуществах внедрения RAG в бизнес предлагаю почитать здесь.