Статьи

Как LLM, ML и RPA трансформируют бизнес: кейсы Voxys, PIX Robotics и 7RedLines

Как LLM, ML и RPA трансформируют бизнес: кейсы Voxys, PIX Robotics и 7RedLines

На круглом столе IT-клуба “7 Red Lines Community” 24 апреля три компании – Voxys, PIX Robotics и 7 Red Lines – представили практику применения машинного обучения (ML), больших языковых моделей (LLM) и программной роботизации (RPA) в разных отраслях. Каждая из команд показала, как эти технологии уже активно работают в реальных проектах – от колл-центров до производственных линий.
Эта статья может быть полезна вам, если вы хотите:
  • Узнать, как ускорить и улучшить клиентский сервис в любой компании
  • Понять, как быстрее отбирать кандидатов при массовом найме
  • Разобраться, как используется ML в промышленности
  • Выяснить, в каких процессах лучше применимы LLM-модели, классическое машинное обучение и RPA роботы

1. Voxys: как LLM меняет работу колл-центра

Александр Токарев, CTO группы компаний Voxys, рассказал о внедрении LLM в масштабах крупнейшего аутсорсингового контакт-центра страны. У Voxys – более 7 тысяч сотрудников, 5 собственных дата-центров и собственная школа ИИ. Их технологии уже используются в проектах для РЖД, Royal Canin, AstraZeneca и других компаний.

Основные направления применения LLM в Voxys:

  • Контроль качества и маршрутизация обращений: LLM анализируют обращения клиентов и автоматически классифицируют их, направляя к нужному оператору.
  • Отчётность по неструктурированным данным: построение аналитики на основе чатов, писем и даже голосовых обращений без необходимости вручную структурировать данные.
  • Бот-суфлер для оператора: подсказки для операторов колл-центра ускоряют обучение и улучшают обслуживание, что применимо для любых клиентских менеджеров.
В одном из кейсов Voxys применили LLM для анализа обращений в крупной сети фастфуда. Ежедневно поступает от 5 до 20 тысяч обращений, часто с ошибками, сленгом и на разных языках. Классические ML или ручная обработка не справлялись. Вместо этого настроили каскад промтов, где основной промт включал до 100 строк логики, плюс 20 строк системный промт и 30 строк - конфигурация. В результате в 11 раз удалось ускорить обработку обращений и высвободить 2 FTE.
Также Voxys используют LLM для внешней отчётности по неструктурированным данным (когда информация разбросана по чатам, текстовым и табличным документам в неструктурированном виде).
Для этого специалисты компании решили модифицировать LLM, чтобы можно было получать от неё результаты через SQL. Хорошо настроенная LLM-модель позволяет сделать кластеризацию, при чем не просто разделить данные на безымянные кластеры, а автоматически генерировать названия кластеров.
В результате:
  • Время создания еженедельного отчёта сократилось с 2 часов до 6 минут;
  • Аналитики могут использовать SQL для анализа текстов без участия ML-инженеров;
  • Система работает в режиме близком к real-time.
Другой кейс – бот-суфлёр. Он помогает операторам колл-центра либо продацам в торговых сетях: анализирует диалог в реальном времени, подсказывает, как корректно ответить клиенту, и ищет информацию в базе знаний. Особенно хорошо работает, когда операторам необходим знать много новой информации по продуктам и сервисам компании. На примере производителя бытовой техники были получены следующие результаты после внедрения:
  • Время обслуживания одного клиента сократилось на 22%;
  • Срок обучения оператора уменьшился с 12 до 8 дней;
  • Экономия составила до 300 тысяч рублей в месяц.

2. PIX Robotics: как RPA + AI освобождают людей от рутины

Илья Лещенко, ведущий инженер RPA в PIX, рассказал о подходе к цифровой трансформации через программную роботизацию с элементами искусственного интеллекта. PIX Robotics – российский разработчик, лидер на рынке RPA и BI-систем по версии CNews. Их решения используют более 400 компаний, включая Газпромбанк, Комус и Московскую биржу.
Основной продукт PIX – это интеллектуальные «цифровые сотрудники» PIX RPA, которые могут:
  • Работать с офисными приложениями (Excel, Word, Outlook);
  • Заполнять документы, переносить данные между системами, формировать отчёты;
  • Анализировать тексты и классифицировать обращения.

Кейс: автоматизация подбора персонала

Быстро растущей компании нужно было ежедневно просматривать сотни резюме. HR-специалисты тратили до 1,5 часов на первичный отбор. Был внедрён RPA-робот с LLM:
  • HR загружает описание вакансии;
  • Робот сам ищет резюме на сайтах (например, HeadHunter);
  • LLM анализирует соответствие кандидатов по навыкам и опыту;
  • Формируется готовый отчёт со списком релевантных кандидатов.
Результат:
  • Время анализа одного резюме сократилось с 10 до 1 минуты;
  • Отчёт формируется за 5 минут вместо 1,5 часа;
  • Высвобождено до 1,5 FTE на одного специалиста.
Илья подчеркнул, что любое решение по внедрению “цифровых сотрудников” важно внедрять по PDCA циклу постоянного улучшения:
  1. Поиск идей для роботизации (проводя бизнес-игры или, например, с помощью продукта Pix Процессы, позволяющего оцифровывать процессы, находить в них узкие места и оценивать потенциальную выгоду от роботизации),
  2. Реализация роботизации с применением ИИ (на базе PIX RPA),
  3. Анализ эффективности и визуализация метрик (с помощью PIX BI).

3. 7RedLines: когда ML работает лучше, чем LLM

Константин Антоневич, руководитель аналитических продуктов ИТ интегратора “7 красных линий”, рассказал о ключевых различиях между ML и LLM и привёл два конкретных кейса, реализованных компанией.

Кейс: Классификация обращений в Service Desk

На Челябинском трубопрокатном заводе (ЧТПЗ) ежедневно поступало большое количество обращений в ИТ-службу. Возникли трудности с распределением заявок и потерей времени на ручную обработку.
Решение:
  • Распознавание голоса через Yandex SpeechKit;
  • ML-модель классифицирует обращения и определяет, кому передать;
  • RPA-робот регистрирует заявки в системе Service Desk.
В результате:
  • Сокращение времени обработки с 3,88 до 2,25 минут;
  • Снижение трудозатрат на 42%;
  • Внедрение заняло 6 месяцев.

Кейс: Предиктивная аналитика на производственной линии

Крупный пищевой производитель столкнулся с проблемой внеплановых простоев оборудования. Решение:
  • Установка 100+ датчиков на линии;
  • Сбор телеметрии (температура, давление и пр.);
  • Обучение ML-модели на данных за 6+ месяцев;
  • Внедрение системы предиктивной аналитики.
Результат:
  • 92% точность предсказания на трёх линиях;
  • Возможность реагировать на сбои до их возникновения;
  • Существенная экономия на ремонте и простоях.
Для оценки возможностей автоматизации можно использовать следующую памятку:

Выводы

  1. LLM – мощный инструмент, но не панацея. Они хороши там, где есть текст, контекст и свобода формулировок. Но при работе с цифровыми данными, предсказаниями и строгими зависимостями ML эффективнее.
  2. RPA без LLM – это просто автоматизация. Но в связке с ML и LLM роботы становятся «умными» помощниками, освобождая сотрудников для более творческой работы.
  3. Гибридные архитектуры побеждают. Лучшие решения сегодня строятся на миксе: LLM + SQL, RPA + LLM, ML + RAG, облако + on-premise.
  4. Проекты надо начинать с задач, а не с технологий. Сначала – бизнес-проблема. Потом – анализ данных. И только затем – выбор стека и архитектуры.
  5. Автоматизация – это не внедрение, а путь. С постоянным обучением, сопровождением и пересборкой решений по мере роста компании.
Пишите нам на почту k.antonevich@7rlines.com, если у вас появятся вопросы и желание попробовать такие решения в своей компании!
2025-04-24 21:00