AI-рішення для бізнесу: як ми впроваджуємо штучний інтелект

1// Типова архітектура AI-пайплайну
2interface AIServiceConfig {
3  // Вхідні дані
4  input: {
5    source: "api" | "queue" | "webhook"
6    validation: ZodSchema
7    preprocessing: TransformFn[]
8  }
9  // Модель
10  model: {
11    provider: "openai" | "anthropic" | "custom"
12    name: string
13    parameters: {
14      temperature: number
15      maxTokens: number
16      systemPrompt: string
17    }
18  }
19  // Обробка результату
20  output: {
21    format: "json" | "text" | "structured"
22    postprocessing: TransformFn[]
23    caching: { enabled: boolean; ttl: number }
24  }
25  // Спостережуваність
26  observability: {
27    logging: boolean
28    metrics: string[]
29    tracing: boolean
30    alerting: AlertRule[]
31  }
32}

1# Класифікація та маршрутизація запитів клієнтів
2from dataclasses import dataclass
3from enum import Enum
4
5class Priority(Enum):
6    CRITICAL = "critical"
7    HIGH = "high"
8    MEDIUM = "medium"
9    LOW = "low"
10
11class Department(Enum):
12    TECHNICAL = "technical"
13    BILLING = "billing"
14    SALES = "sales"
15    GENERAL = "general"
16
17@dataclass
18class ClassificationResult:
19    department: Department
20    priority: Priority
21    confidence: float
22    suggested_response: str | None
23    requires_human: bool
24
25async def classify_ticket(text: str, context: dict) -> ClassificationResult:
26    # Аналіз тональності та теми
27    analysis = await ai_model.analyze(
28        text=text,
29        context=context,
30        schema=ClassificationResult,
31    )
32
33    # Автоматична ескалація при низькій впевненості
34    if analysis.confidence < 0.85:
35        analysis.requires_human = True
36        analysis.priority = Priority.HIGH
37
38    return analysis

1// Реалізація RAG-пайплайну
2async function ragQuery(question: string): Promise<Answer> {
3  // 1. Пошук релевантних документів
4  const embedding = await embeddings.create(question)
5  const relevantDocs = await vectorStore.search(embedding, {
6    topK: 5,
7    minScore: 0.75,
8    filter: { status: "published" },
9  })
10
11  // 2. Формування контексту
12  const context = relevantDocs
13    .map((doc) => `[${doc.title}]: ${doc.content}`)
14    .join("\n\n")
15
16  // 3. Генерація відповіді з контекстом
17  const response = await llm.generate({
18    system: `Ти — експерт компанії. Відповідай на основі наданого контексту.
19             Якщо інформації недостатньо — чесно скажи про це.`,
20    user: question,
21    context,
22    temperature: 0.3,
23  })
24
25  return {
26    answer: response.text,
27    sources: relevantDocs.map((d) => d.title),
28    confidence: response.confidence,
29  }
30}