Как кастомные модели ускорили ключевые процессы клиента на 40–60%

Без модели под домен бизнес не мог безопасно автоматизировать разметку и маршрутизацию — либо дорого руками, либо рискованно «как есть» из SaaS.

Отрасль

Операции / обработка данных

Срок

3 месяца (пилот + внедрение)

Команда

4 человека

Услуги

ML‑разработка, Подготовка данных, Интеграция, MLOps

О клиенте и процессе

Клиент обрабатывал поток документов и обращений, где универсальные облачные модели давали неприемлемую долю ошибок на отраслевой терминологии и внутренних кодах. Сотрудники вручную перепроверяли результаты, из‑за чего выигрыш от «коробочного ИИ» съедался. Нужно было решение на своих данных, с понятным качеством и встраиванием в существующий контур.

• Коробочные модели ошибались на внутренних классах и терминах
• Ручная перепроверка съедала 40–60% выигрыша от автоматизации
• Не было пайплайна: данные → обучение → оценка → деплой в прод

Ограничения

• Данные нельзя выносить за периметр без маскирования
• Нужна измеримая метрика качества до раскатки на весь поток
• Интеграция в уже работающие API и очереди без простоя
• Команда клиента должна уметь мониторить drift и переобучать по регламенту

Решение

Пошли по циклу «данные → baseline → кастом → интеграция»: собрали и разметили корпус, сравнили open‑source/API baseline с fine‑tuned моделью на PyTorch/TensorFlow. Для зрения — OpenCV + классификатор/детектор под классы клиента; для текста — дообученный NLP‑конвейер. Деплой в Docker за API шлюзом, логирование ошибок, A/B на части трафика, затем полный перевод с human‑in‑the‑loop на спорных кейсах.

Результаты