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
- Николай КусТимлид проекта
- Отвечал за полную разработку проекта.
- Елена МихноПОМОЩНИК ТИМЛИДА ПРОЕКТА
- Отвечала за коммуникацию и организацию работы команды, а также за контроль исполнения поставленных задач.
- Анатолий Тарановинженер-строитель
- Подготовил тексты законодательной и нормативной базы РФ
- Занимался разметкой, скриптами и экспериментами с разделителями, проводил ревизию деления на чанки
- Подготовил скрипт для создания FAISS индекса
- Написал промпт, провел запуск и эксперименты с моделью, правил код и промпты
- Разработал дорожную карту для приложения, подготовил документы .xlsx базы расчётов услуг ЖКХ для создания models и базы SQL
- Разработал архитектуру приложения, сценарии, роли пользователей
- Разработал бэкенд приложения, настраивал urls, views, models
- Разработал дизайн и инструменты 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
- Подключил классификатор BERT для автоматического определения типа техсобытия (высокий, средний, низкий, консультация, информация)
- Настроил хранение данных в SQLite: жильцы, квартиры, дома, сотрудники, заявки, статусы
- Подготовил 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 ЗинченкоDigital- маркетолог в компании "МореСнеков"
- 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 ЧерникинГениральный директор ООО Нейросфера
- Разработал текущие данные и выявил узкие места
- 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.