Produkcja · Wyposażenie łazienek i sanitariatów
Przetwarzanie zamówień z e-maili na tyle niezawodne, by działało na produkcji
Radaway, międzynarodowy producent wyposażenia łazienek, potrzebował wyodrębniać dane zamówień z nieustrukturyzowanych e-maili od klientów, i to na dużą skalę. Pierwszy system oparty na LLM już działał i dobrze rokował. Przejęliśmy go i w trzy tygodnie zrobiliśmy z niego niezawodny system klasy enterprise, zachowując wszystko, co już się sprawdzało.
Kluczowe rezultaty
Klient: Radaway
Międzynarodowy producent wyposażenia łazienek, który obsługuje klientów na wielu rynkach europejskich.
- Branża
- Produkcja
- Zastosowanie
- Ekstrakcja zamówień z e-maili
- Podejście AI
- LLM z dopasowaniem semantycznym
- Systemy
- Poczta e-mail i baza produktów
- Języki
- Wiele rynków europejskich
- Współpraca
- Dopracowanie systemu i przygotowanie do produkcji
W skrócie
Czego potrzeba, by ekstrakcja była gotowa na produkcję
- Zamówienia do Radaway przychodzą tak, jak piszą je klienci: e-mailem, w dowolnym brzmieniu i formacie.
- Pierwszy system LLM wyodrębniał już dane zamówień i działał w kontrolowanych warunkach. Przy prawdziwej poczcie od klientów, w dużej skali, cztery obszary wymagały jeszcze pracy: szczegóły zamówień, dopasowanie produktów do bazy, załączniki oraz odróżnianie zamówień od pozostałych wiadomości.
- Przeanalizowaliśmy istniejący system, zamiast go zastępować, i wzmocniliśmy dokładnie te cztery elementy: prompty, semantyczne dopasowanie produktów, przetwarzanie załączników i klasyfikację intencji.
- Ręcznych interwencji jest o 90% mniej, trafność dopasowania produktów wynosi 95% i więcej, a zamówienia z załączników, wcześniej obsługiwane ręcznie, po raz pierwszy przechodzą przez system automatycznie.
Punkt wyjścia
Wyzwanie
System LLM działał w kontrolowanych warunkach, ale brakowało mu ustrukturyzowanych formatów wyjściowych, logiki walidacji i obsługi przypadków brzegowych, których wymaga niezawodna praca w przedsiębiorstwie. Ręczne interwencje wciąż były częste.
Radaway przetwarza dużą liczbę zamówień, które napływają w ramach codziennej komunikacji z klientami, przede wszystkim e-mailem. Aby unowocześnić ten proces, firma wprowadziła system oparty na LLM, który miał automatycznie wyodrębniać dane zamówień z przychodzących wiadomości.
Pierwsze wdrożenie pokazało wyraźny potencjał. Zderzenie z prawdziwą komunikacją klientów na dużą skalę ujawniło jednak ograniczenia: szczegóły zamówień bywały błędnie interpretowane, nazwy produktów nie zawsze pasowały do bazy, a załączniki e-maili, w których przychodzi wiele zamówień, w ogóle nie były objęte automatyzacją.
Brakowało warstwy, dzięki której system jest niezawodny, a nie tylko obiecujący: ustrukturyzowanych formatów wyjściowych, logiki walidacji i obsługi przypadków brzegowych.
Budowa
Co zbudowaliśmy
Zamiast zaczynać od zera, przeprowadziliśmy szczegółowy przegląd techniczny istniejącego systemu i zajęliśmy się czterema elementami, od których zależy, czy może on działać bez nadzoru.
Prompty napisane od nowa z myślą o precyzji
Przeprojektowaliśmy prompty tak, by kierowały model ku dokładnej ekstrakcji zamówień i usuwały niejednoznaczności. Dzięki ustrukturyzowanym schematom wyjściowym każda odpowiedź ma teraz przewidywalną, czytelną maszynowo postać zamiast tekstu, który trzeba dopiero parsować.
Dopasowanie tego, co napisał klient, do tego, co jest w bazie
Klienci nie posługują się nazwami z katalogu. Dodaliśmy semantyczne dopasowanie oparte na transformerach, dzięki któremu produkt zostaje rozpoznany nawet przy innym sformułowaniu, a po nim krok walidacji z użyciem LLM, który przed potwierdzeniem sprawdza kontekst. Liczba błędnych dopasowań wyraźnie spadła.
Wreszcie także załączniki
System wyodrębnia teraz dane zamówień zarówno z treści e-maila, jak i z jego załączników. To zamyka lukę, przez którą cała kategoria zamówień trafiała do ręcznej obsługi.
Rozpoznanie, co w ogóle jest zamówieniem
Klasyfikacja intencji ustala, czy przychodząca wiadomość to nowe zamówienie, anulowanie czy coś innego, więc do ekstrakcji trafiają tylko istotne treści.
Co się zmieniło
Rezultaty
Przed
Częste ręczne interwencje. Błędnie dopasowane produkty, niespójna ekstrakcja i załączniki obsługiwane osobno przez człowieka.
Po
Niezawodny proces na produkcji. Pełna, automatyczna ekstrakcja przy minimalnym nadzorze, łącznie z załącznikami.
Dokładność ekstrakcji znacząco wzrosła, a błędów w dopasowaniu produktów jest wyraźnie mniej.
System obsługuje teraz bez udziału człowieka bardzo różne dane wejściowe: załączniki, treści w wielu językach i niespójne formatowanie.
Doprowadzenie obiecującego systemu do produkcji to osobna umiejętność i zwykle wychodzi taniej niż budowa od nowa: tutaj wystarczyły trzy tygodnie skoncentrowanej pracy.
Pytania o ten projekt
Ekstrakcja zamówień z e-maili. System LLM działał w kontrolowanych warunkach, ale brakowało mu ustrukturyzowanych formatów wyjściowych, logiki walidacji i obsługi przypadków brzegowych, których wymaga niezawodna praca w przedsiębiorstwie. Ręczne interwencje wciąż były częste.
Mniej ręcznych interwencji przy wprowadzaniu zamówień: –90%. Trafność dopasowania produktów po dopracowaniu systemu: 95%+. Od przeglądu technicznego do systemu gotowego na produkcję: 3 tyg.. Obsługa zamówień przychodzących w załącznikach e-maili: 0 → 100%.
LLM z dopasowaniem semantycznym. Wykorzystana technologia: Duże modele językowe (LLM), Prompt engineering, Dopasowanie semantyczne na bazie transformerów, Ustrukturyzowane schematy wyjściowe, Klasyfikacja e-maili, Przetwarzanie załączników, Python.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
Motoryzacja · Planowanie produkcji
Dane planistyczne z SAP BW na pytanie zadane zwykłym językiem
Czytaj więcej
Logistyka · Działalność globalna
Każdy e-mail logistyczny wygląda inaczej, a reguły za tym nie nadążały
Czytaj więcej
Telekomunikacja · Obsługa call center