projects/prodimex-project.md

Проект внедрения AI-системы (RAG) для автоматизации первой линии технической поддержки в компании по мониторингу сельскохозяйственной техники и оборудования

Цель проекта:

Автоматизация первой линии технической поддержки с использованием системы Maker-GPT на основе RAG (Retrieval-Augmented Generation) для улучшения качества обслуживания клиентов, сокращения времени обработки запросов и снижения нагрузки на операторов.

---

Участники проекта и зоны ответственности:

1. Компания-интегратор (разработчик системы Maker-GPT):

   • Разработка и настройка системы Maker-GPT.
   • Интеграция системы с сервис-деском клиента через API.
   • Обучение модели на предоставленных данных.
   • Техническая поддержка и доработка системы в процессе внедрения.
   • Обучение сотрудников клиента работе с системой.

2. Компания-клиент (сервис-деск по мониторингу техники):

   • Предоставление данных для наполнения базы RAG (инструкции, база вопросов и ответов, документация).
   • Тестирование системы и предоставление обратной связи.
   • Настройка процессов работы с Maker-GPT.
   • Обучение сотрудников работе с системой.
   • Обеспечение технической инфраструктуры для интеграции (API, серверы и т.д.).

---

Этапы проекта:

Этап 1: Подготовка и планирование

1. Задачи компании-интегратора:

   • Провести воркшоп с клиентом для уточнения требований.
   • Определить объем данных для обучения модели.
   • Разработать техническое задание на интеграцию.

2. Задачи компании-клиента:

   • Сформировать команду для участия в проекте (технические специалисты, менеджеры сервис-деска).
   • Подготовить доступ к данным (инструкции, база вопросов и ответов, документация).

3. Результат этапа:

   • Утвержденное техническое задание.
   • Подготовленные данные для обучения модели.

---

Этап 2: Разработка и настройка системы

1. Задачи компании-интегратора:

   • Настройка RAG-модели на основе предоставленных данных.
   • Разработка API для интеграции с сервис-деском клиента.
   • Создание интерфейса для взаимодействия с Maker-GPT.

2. Задачи компании-клиента:

   • Предоставить тестовую среду для интеграции.
   • Проверить корректность предоставленных данных.

3. Результат этапа:

   • Готовая к тестированию система Maker-GPT.
   • Настроенный API для интеграции.

---

Этап 3: Тестирование и доработка

1. Задачи компании-интегратора:

   • Провести тестирование системы на реальных данных.
   • Настроить модель для повышения точности ответов.
   • Исправить выявленные ошибки.

2. Задачи компании-клиента:

   • Провести тестирование системы в тестовой среде.
   • Предоставить обратную связь по результатам тестирования.

3. Результат этапа:

   • Протестированная и доработанная система.
   • Утверждение клиентом готовности системы к внедрению.

---

Этап 4: Внедрение и обучение

1. Задачи компании-интегратора:

   • Запуск системы в продуктивную среду.
   • Проведение обучения для сотрудников клиента.
   • Подготовка документации по использованию системы.

2. Задачи компании-клиента:

   • Организовать обучение сотрудников.
   • Обеспечить переход на новую систему.

3. Результат этапа:

   • Система Maker-GPT запущена в продуктивную эксплуатацию.
   • Сотрудники обучены работе с системой.

---

Этап 5: Поддержка и оптимизация

1. Задачи компании-интегратора:

   • Обеспечить техническую поддержку системы.
   • Проводить доработки и оптимизацию на основе обратной связи.

2. Задачи компании-клиента:

   • Собирать и передавать обратную связь по работе системы.
   • Обеспечивать актуальность данных в RAG-базе.

3. Результат этапа:

   • Стабильная работа системы.
   • Постоянное улучшение качества ответов.

---

План действий:

Этап	Сроки	Ответственные	Результат
Подготовка и планирование	2 недели	Интегратор, клиент	ТЗ, подготовленные данные
Разработка и настройка	4 недели	Интегратор	Готовая система, API
Тестирование и доработка	3 недели	Интегратор, клиент	Протестированная система
Внедрение и обучение	2 недели	Интегратор, клиент	Запуск системы, обучение сотрудников
Поддержка и оптимизация	Постоянно	Интегратор, клиент	Стабильная работа системы

---

Ключевые метрики успеха:

1. Сокращение времени обработки запросов на первой линии поддержки на 30%.
2. Увеличение доли автоматически решенных запросов до 70%.
3. Удовлетворенность клиентов качеством поддержки (NPS > 80).

---

Риски и пути их минимизации:

1. Риск: Низкое качество ответов системы.
   Решение: Регулярное обновление базы данных RAG и дообучение модели.

2. Риск: Сопротивление сотрудников внедрению новой системы.
   Решение: Проведение тренингов и демонстрация преимуществ системы.

3. Риск: Проблемы с интеграцией API.
   Решение: Тестирование API на ранних этапах и привлечение технических специалистов клиента.

---

Заключение:

Внедрение системы Maker-GPT позволит автоматизировать первую линию технической поддержки, повысить качество обслуживания клиентов и снизить операционные затраты. Четкое разделение зон ответственности и поэтапный план действий обеспечат успешную реализацию проекта.