Case Studies / Radaway
PRODUKCJA · WYPOSAŻENIE ŁAZIENEK I SANITARIATÓW
Przetwarzanie zamówień e-mailowych niezawodne dzięki LLM
Międzynarodowy producent Radaway potrzebował skalowalnego rozwiązania do wyodrębniania danych zamówień z nieustrukturyzowanych e-maili klientów. Ich wstępny system LLM wykazywał potencjał, ale nie był gotowy do wdrożenia produkcyjnego. Przekształciliśmy go w niezawodne rozwiązanie klasy enterprise.
Klient: Radaway – międzynarodowy producent wyposażenia łazienek obsługujący klientów na wielu europejskich rynkach.
Kluczowe wyniki
-90%
Redukcja ręcznych interwencji przy wprowadzaniu zamówień
95%+
Dokładność dopasowania produktów po udoskonaleniu
3 tyg.
Od przeglądu technicznego do systemu gotowego do produkcji
0→100%
Pokrycie przetwarzania załączników e-mail
BRANŻA
Produkcja
PRZYPADEK UŻYCIA
Ekstrakcja zamówień z e-maili
PODEJŚCIE AI
LLM + dopasowanie semantyczne
SYSTEMY
E-mail, baza danych produktów
JĘZYKI
Wielorynkowy (europejski)
WSPÓŁPRACA
Dopracowanie i hartowanie produkcyjne
Wyzwanie
Radaway przetwarza dużą liczbę zamówień napływających przez codzienną komunikację z klientami – głównie za pośrednictwem e-maila. Aby unowocześnić ten proces, wdrożyli system oparty na LLM, zaprojektowany do automatycznego wyodrębniania danych zamówień z przychodzących wiadomości.
Wstępna implementacja wykazała wyraźny potencjał, jednak w zetknięciu z rzeczywistą komunikacją klientów na dużą skalę ujawniły się ograniczenia. Szczegóły zamówień były czasem błędnie interpretowane. Odwołania do produktów nie zawsze odpowiadały bazie danych. Załączniki e-mail – w których wiele zamówień przychodziło jako pliki – w ogóle nie były objęte zautomatyzowanym procesem.
Kluczowy problem: System LLM działał w kontrolowanych warunkach, ale brakowało mu ustrukturyzowanych formatów wyjściowych, logiki walidacji i obsługi przypadków granicznych, niezbędnych do niezawodnego działania w skali przedsiębiorstwa. Nadal konieczne były częste ręczne interwencje.
Co zbudowaliśmy
Zamiast zaczynać od zera, przeprowadziliśmy szczegółowy przegląd techniczny istniejącego systemu i skupiliśmy się na konkretnych komponentach, które powodowały błędy na produkcji.
Udoskonalenie prompt engineeringu. Przeprojektowaliśmy prompty, aby kierować LLM ku precyzyjnej ekstrakcji zamówień, redukując niejednoznaczności i poprawiając dokładność. Wprowadzono ustrukturyzowane schematy wyjściowe, dzięki czemu każda odpowiedź LLM jest zgodna z przewidywalnym, czytelnym maszynowo formatem.
Semantyczne dopasowywanie produktów. Zintegrowaliśmy semantyczne dopasowanie oparte na transformerach, aby precyzyjnie identyfikować nazwy produktów – nawet gdy sformułowania klienta różniły się od bazy danych. Końcowy krok walidacji oparty na LLM ocenia kontekst przed potwierdzeniem dopasowania, znacząco redukując błędy niezgodności.
Przetwarzanie załączników. Rozszerzyliśmy system o możliwość wyodrębniania danych zamówień zarówno z treści e-maili, jak i ich załączników, eliminując lukę, która wcześniej wymagała ręcznej obsługi.
Klasyfikacja e-maili. Dodano krok klasyfikacji intencji, który określa, czy przychodzące treści dotyczą nowego zamówienia, anulowania czy innej prośby – zapewniając, że do pipeline’u ekstrakcji trafiają tylko istotne treści.
Wyniki
PRZED
Częste ręczne interwencje konieczne. Niezgodności produktów, niespójna ekstrakcja, załączniki obsługiwane oddzielnie.
PO
Niezawodny, gotowy do produkcji pipeline. Zautomatyzowana ekstrakcja end-to-end z minimalnym nadzorem ręcznym.
Dokładność ekstrakcji zamówień znacząco wzrosła. Błędy dopasowania produktów zostały istotnie zredukowane. System obsługuje teraz szeroką gamę scenariuszy wejściowych – w tym załączniki e-mail, treści wielojęzyczne i niespójne formatowanie – bez konieczności ręcznej interwencji w zdecydowanej większości przypadków.
Współpraca pokazała, jak przyrostowe, ukierunkowane ulepszenia – w połączeniu z głęboką wiedzą w zakresie LLM – mogą przekształcić obiecujący prototyp w system produkcyjny klasy enterprise.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
MEDTECH · APOQLAR
Czas realizacji kwestionariuszy bezpieczeństwa skrócony z miesiąca do tygodnia
Każdy nowy klient szpitalny wymagał wypełnionego kwestionariusza, 8–10 osób, około miesiąca, zbierając odpowiedzi z polityk różnych działów. Teraz asystent AI automatycznie tworzy odpowiedzi, oszczędzając szacunkowo 90 000 $/rok.
-75%
Czas realizacji
$90K
Roczne oszczędności
MEDTECH · APOQLAR
Wirtualny asystent GenAI zastępujący ręczne wyszukiwanie dokumentów
Pracownicy wsparcia spędzali godziny na przeszukiwaniu setek dokumentów produktowych, aby odpowiedzieć na pytania klientów i compliance. Teraz zadają pytania w języku naturalnym i otrzymują odpowiedzi z odniesieniami do źródeł w ciągu sekund.
RAG
Zintegrowany
Zarządzanie kontekstem
Zoptymalizowane