Как мы внедрили Telegram-бота с ИИ в федеральной компании: от MVP до автоматизации экспертизы

Привет, Хабр!

Меня зовут Алексей, и я руковожу направлением искусственного интеллекта в одной крупной коммерческой организации федерального масштаба. Компания является лидером в своей отрасли, обладает хорошо развитой инфраструктурой и высоким уровнем автоматизации.

Сегодня хочу поделиться историей о том, как мы внедряли сервис на основе Telegram-бота с элементами искусственного интеллекта для решения конкретной бизнес-задачи. Это история про то, как мы начали с MVP, постепенно добавляли ИИ, и как это помогло сотрудникам сэкономить время и повысить точность выполнения операций.

Погружение в процессы компании

Когда я только приступил к работе, моя задача заключалась в том, чтобы понять, где внутри компании есть потенциал для внедрения технологий искусственного интеллекта. Я начал с глубокого погружения в процессы: изучал структуру, общался с руководителями отделов, анализировал существующие системы.

Особое внимание уделялось тому, чтобы выявить «точки боли» — процессы, которые были трудоёмкими, но при этом имели потенциал для автоматизации или усиления с помощью алгоритмов.

Проблема: трудоёмкий процесс создания документов

Одним из таких процессов стал следующий: сотрудникам нужно было сфотографировать объект, передать фото через несколько систем (личная почта → служебная почта → удалённый рабочий стол → программа → создание документа выбраковки), создать документ в специализированной внутренней программе и отправить его на согласование.
Теперь: ТГ-Бот → Документ выбраковки.

На всю эту операцию уходило от 40 до 60 минут. Это не только занимало много времени, но и увеличивало вероятность ошибок.

Первоначальный план проекта

Первоначально мы планировали начать с создания нескольких моделей искусственного интеллекта, способных определять ключевые параметры объекта, который подлежит выбраковке. Также предполагалось настроить порог чувствительности модели так, чтобы она могла набирать доверие со стороны экспертов.

После этого мы собирались разработать Telegram-бота, в котором пользователи смогут тестировать модель и давать обратную связь. Только после этого должен был быть создан полноценный сервис.

Но реальность внесла свои коррективы — мы решили изменить подход и начать с того, что принесёт эффект уже на ранних этапах.

Изменение подхода: MVP до ИИ

Мы приняли решение реализовать MVP (минимально жизнеспособный продукт) — простой Telegram-бот, который позволит сотрудникам:

• Сделать фото;

• Автоматически создать документ;

• Отправить его на согласование.

Технически это был Python + библиотеки + CNN, интеграция с внутренним API компании. Результат? Время выполнения задачи сократилось с 40–60 минут до менее чем 5 минут.

Это стало первым успехом, который дал нам поддержку со стороны пользователей и позволил двигаться дальше.

Версия 2: Поддержка качества загрузки

Следующим этапом стало улучшение качества фотографий, поскольку именно от них зависела точность последующего анализа.

Мы добавили в бота подсказки: как сделать фото правильно — правильный ракурс, освещение, положение объекта. Это позволило значительно снизить количество ошибок на этапе согласования и повысить эффективность всей цепочки.

Версия 3: Интеграция ИИ и снижение нагрузки на экспертов

Сейчас мы запустили третью версию сервиса, которая полностью меняет характер взаимодействия с задачей:

• Пользователь может загружать фото в любом виде.

• Система автоматически сортирует изображения и отправляет их в соответствующие нейросетевые модели.

• Каждый параметр проверяется алгоритмами искусственного интеллекта по шести критериям.

• Инспекторам остаётся лишь подтвердить или скорректировать выводы ИИ.

Это позволило существенно снизить нагрузку на экспертов, перейдя от полной ручной проверки к контролю за результатами работы моделей.

Процесс обучения и адаптации моделей

Для обучения моделей мы собрали данные самостоятельно, провели разметку внутри команды. Для работы использовались предобученные модели YOLO, которые мы тонко настраивали под наши задачи.

Процесс был итеративным: мы проводили эксперименты, сравнивали метрики, выбирали наиболее точные варианты. Интеграция с внутренними системами происходила через REST API, что позволило сохранить безопасность и гибкость.

Результаты и эффект

• Сокращение времени на операцию с 40–60 мин до <5 мин.

• Увеличение точности согласования за счёт лучшего качества данных.

• Снижение нагрузки на экспертов, благодаря ИИ-поддержке.

• Рост доверия к технологиям внутри компании.

Уроки и выводы

• Начинайте с самой острой проблемы, даже если это не связано напрямую с ИИ.

• Активно собирайте фидбэк от конечных пользователей.

• Внедрение ИИ — это не только техника, но и управление изменениями.

• Можно начинать с MVP и постепенно наращивать сложность.

Сложности, с которыми сталкивались

Хочу отметить, что путь не был лёгким. Одна из самых больших сложностей — это ограниченность ресурсов: финансовых, вычислительных и человеческих. Особенно сложно было объяснить внутреннему заказчику, что происходит "под капотом" разработки, и дать результат быстро, без возможности долгих исследований.

Эти вызовы достойны отдельной статьи, которую я обязательно подготовлю в будущем.

Перспективы

Сейчас мы работаем над расширением функционала бота: планируем добавить голосовое описание ситуации, улучшить интерфейс, а также внедрить сервис в другие отделы и регионы.

Более того, этот проект стал отправной точкой для развития всего направления искусственного интеллекта в компании. Теперь мы можем говорить о масштабировании решений и новых возможностях для автоматизации.

Если эта история была тебе интересна — подписывайтесь, будет ещё больше кейсов из мира внедрения ИИ в крупные компании!