Итоговый отчет о реализации проекта
Компания: ООО УО «Аспект»
Аспект-ассистент: AI системы автоматизации управления в сфере ЖКХ
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Разработка модульной системы для автоматизации управления жилым фондом и оптимизации взаимодействия между управляющей компанией, жильцами и сотрудниками, с реализацией удобного веб-интерфейса. Основной целью проекта было создание нейро-консультанта (нейро-координатора), способного заменить и дополнить работу операторов контактного центра.
Проект был создан для централизации и оптимизации всех рабочих процессов в управляющей компании, связанных с обслуживанием жилого фонда. Он позволяет повысить эффективность работы сотрудников, упростить коммуникацию с жильцами через удобный веб-интерфейс, а также обеспечить прозрачное управление заявками на ремонт и обслуживание, что в конечном итоге повышает уровень удовлетворенности жильцов. Внедрение нейро-консультанта позволит сократить нагрузку на сотрудников, повысить качество обслуживания, стандартизировать коммуникации и обеспечить доступность консультаций. Автоматизация рутинных задач, таких как конвертация документов и классификация обращений, сокращает время обработки запросов и минимизирует количество ошибок.
- Тексты законодательной и нормативной базы РФ (ЖК РФ, ФЗ)
- Телефонные разговоры, сконвертированные в текст
- Файлы заказчика в формате PDF
- База данных обращений и ответов
- Данные для расчётов услуг ЖКХ
- Модульная система управления на базе Django с кабинетами для жильцов, администраторов и исполнителей.
- Система управления заявками с возможностью изменения статусов и автоматической маршрутизацией.
- Классификатор на основе модели BERT для автоматического определения типа обращений (аварийные, информационные, консультативные) с точностью до 85%.
- Скрипты для автоматической конвертации документов из PDF в TXT.
- Векторная база данных FAISS для семантического поиска и реализации технологии RAG (Retrieval-Augmented Generation).
- Испытательный стенд для тестирования моделей векторизации и LLM (OpenAI, Mistral, Gemini).
Команда проекта: Проект был реализован командой стажеров под руководством тимлида и его помощника
- Николай КусТимлид проектаНИКОЛАЙ - руководитель группы разработчиков, отвечал за полную разработку проекта.
- Елена МихноПОМОЩНИК ТИМЛИДА ПРОЕКТАЕЛЕНА отвечала за коммуникацию и организацию работы команды, а также за контроль исполнения поставленных задач.
- Анатолий Тарановинженер-строитель
- Подготовка текстов законодательной и нормативной базы РФ.
- Разметка, скрипты и эксперименты с разделителями, ревизия деления на чанки.
- Подготовка скрипта для создания FAISS индекса.
- Написание промпта, запуск и эксперименты с моделью, правка кода и промптов.
- Разработка дорожной карты для приложения, подготовка документов .xlsx базы расчётов услуг ЖКХ для создания models и базы SQL.
- Разработка архитектуры приложения, сценариев, ролей пользователей.
- Разработка бэкенда приложения, настройка urls, views, models.
- Разработка дизайна и инструментов фронтенда приложения.
- Ольга Баюковаспециалист по социальной работе
- Разработала архитектуру проекта на Django + DRF.
- Реализовала кабинеты жильца, администратора и исполнителя.
- Сделана система заявок: создание, просмотр, назначение исполнителей, изменение статусов.
- Подключен классификатор BERT для автоматического определения типа техсобытия (высокий, средний, низкий, консультация, информация).
- Настроено хранение данных в SQLite: жильцы, квартиры, дома, сотрудники, заявки, статусы.
- Подготовлено подключение нормативной базы для ответов на вопросы жильцов.
- Всеволод Волковсистемный администратор
- Подготовил исходный материал для нормативной базы, обработав файлы заказчика и сгенерировав Markdown-документы с восстановленной структурой оглавлений и актуализированными статьями на основе документов из «Консультанта».
- Создал испытательный стенд для тестирования моделей эмбеддингов и LLM:
- Индексировал нормативную базу и базу запросов/ответов с помощью 5 разных моделей эмбеддингов для сравнительного тестирования.
- Подключил трёх провайдеров LLM (OpenAI, Mistral, Gemini) для тестирования на базах с разными эмбеддингами.
- Подготовил пайплайн проекта с использованием модулей коллег (классификатор, анонимизатор): классификация, поиск чанков, анонимизация, получение ответа от LLM.
- Михаил МаркинРаботает в сфере интеллектуальной собственности
- Выполнял транскрибацию телефонных разговоров.
- Конвертировал PDF в текстовый формат и проводил разбивку на чанки.
- Занимался категоризацией данных.
- Подготавливал данные для создания эмбеддингов и объединял тексты в один файл.
- Дмитрий Жуковконсультант по внедрению ERP-систем (SAP)
- Разработал и обучил модель классификации на основе BERT.
- Доработал датасет и переобучил модель на 5 меток.
- Добился точности классификации около 85% и F1-метрики 0.84.
- Разработал и выложил на сервер скрипт для инференса модели.
- Алина ЗинченкоМаркетолог и администратор сайта
- Провела эксперименты по транскрибации аудиофайлов.
- Разработала и протестировала методы анонимизации данных с использованием Natasha NER и регулярных выражений.
- Реализовала скрипт, который автоматически обрабатывает все текстовые файлы, заменяя личные и конфиденциальные данные (имена, фамилии, телефоны, адреса, паспортные данные) на анонимные метки.
- Занималась векторизацией текста, создала FAISS-базу и сохранила метаданные.
- Николай СеряковТуристическая деятельность
- Активно участвовал в подготовке и сборе информации для презентации проекта, а также в ее представлении заказчику.
- Сергей КимРуководитель работ по экспресс-аналитике
- Участвовал в тестировании эмбеддинг-моделей.
- Евгений СпицынРуководитель компании ИИ-Автоматика
- Участвовал в переговорах с заказчиком по вопросам обработки и анонимизации данных.
- Осуществлял консультационную поддержку участников и заказчика.
- Активно участвовал в подготовке данных, включая транскрибацию аудиозаписей.
- Работал над скриптом для анонимизации данных с помощью библиотеки Faker.
- Помог в создании и настройке сервера для заказчика.
- Елена СкиндереваМенеджер по продажам и рекламе
- Занималась подготовкой базы знаний, включая разметку и разбивку на чанки.
- Провела тесты с ChatGPT по ответам на вопросы по законодательству РФ.
- Подготовила базу вопросов и ответов для тестирования.
- Владимир ЧерникинКлинический психолог
- Разработал текущие данные и выявил узкие места.
- Часть разработанной структуры была интегрирована в MVP-прототип для оценки её применимости.
- Создал методологию миграции с базы данных SQLite на PostgreSQL, включая разработку скриптов для переноса данных.
- Установил и настроил СУБД PostgreSQL на сервере.
- Автоматизировал процесс конвертации документов из формата PDF в текстовый формат TXT.
- Осуществлял консультационную поддержку участников и заказчика.
- Вячеслав ЕгоровПредставитель заказчика
- Осуществлял консультационную поддержку команды и предоставлял необходимые материалы и ресурсы для эффективной работы над проектом.