Логистическая компания ПЭК создала экосистему искусственного интеллекта, которая объединяет технологии прогнозной аналитики, речевой аналитики, больших языковых моделей, компьютерного зрения и графового анализа данных. Решения используются для анализа клиентских обращений, прогнозирования операционных показателей, автоматизации работы сотрудников и повышения эффективности внутренних ИТ-систем. Созданная платформа уже помогает оптимизировать процессы, повышать качество клиентского сервиса и снижать нагрузку на сотрудников. О проекте рассказывает Антон Слученков, директор по данным и искусственному интеллекту ПЭК и номинант на премию Data Award.

- Как в компании пришли к реализации этого проекта? Почему он стал необходим?

В компании ПЭК активно растет количество клиентов, операций и ИТ-систем, генерируются большие объемы данных: перевозки, взаимодействия с клиентами, звонки контакт-центра, обращения, складские операции. При этом значительная часть информации о проблемах клиентов, качестве сервиса и эффективности процессов оставалась неструктурированной — в текстах обращений, комментариях операторов, звонках контакт-центра.

Мы занимались классической разработкой и генерацией отчетности — только в Power BI у нас более 600 отчетов. Но в конечном итоге пришло понимание, что классической аналитики уже недостаточно. Для системного улучшения процессов просто необходимо использовать современные технологии анализа данных и искусственного интеллекта, которые позволят не просто генерировать новые отчеты, но и аккумулировать знания и получать готовые инсайты Так возник проект по созданию комплексной платформы анализа данных и внедрения технологий ИИ в ключевые бизнес-процессы компании.

- Насколько эта задача важна для компании?

Для нас качество сервиса и эффективность процессов напрямую влияют на такие важные параметры как удержание клиентов, скорость доставки, эффективность складской обработки, загрузку инфраструктуры, прибыльность бизнеса. Использование технологий анализа данных и ИИ позволяет не только выявлять причины оттока клиентов и находить узкие места в бизнес-процессах, но и повышать точность планирования и автоматизировать рутинные задачи сотрудников. Именно поэтому проект стал важной частью стратегии развития компании в направлении data-driven управления.

- Какой подход был выбран?

Был выбран комплексный подход к внедрению технологий ИИ и аналитики. Вместо внедрения отдельных изолированных решений мы развиваем сразу несколько взаимосвязанных направлений, таких как прогнозная аналитика, речевая аналитика, создание корпоративной структурированной базы знаний (Retrieval-Augmented Generation, RAG), анализ корпоративного кода, компьютерное зрение и использование больших языковых моделей.

Все решения строятся вокруг корпоративных данных компании и интегрируются с внутренними системами. При этом важной особенностью проекта является то, что развитие всех направлений осуществляется небольшой командой из четырех специалистов, при ограниченных вычислительных и временных ресурсах.

- Что стало целью проекта?

Основная цель проекта — не просто внедрить ИИ «ради галочки», а реализовать внедрение на уровне экосистемы решений на базе существующих данных с применением искусственного интеллекта. Плюсы такого подхода очевидны: это позволяет повышать эффективность ключевых бизнес-процессов, улучшать клиентский опыт, автоматизировать рутинные операции сотрудников, выявлять проблемы в сервисе и операционных процессах, а также повышать точность прогнозирования бизнес-показателей.

- Какие требования предъявлялись к создаваемому решению?

Особое внимание мы уделяли таким принципам, как использование реальных бизнес-данных компании, интеграция решений в существующий ИТ-ландшафт, масштабируемость, минимизация ручной аналитики, автоматизация процессов обработки информации. Еще одним важным требованием было не просто попробовать поработать с ИИ, а использовать в практических кейсах — каждая разработка должна приносить реальную пользу бизнесу.

- Как и по каким критериям выбиралась платформа для реализации?

Так как на старте проекта мы имели очень ограниченные машинные ресурсы, то при выборе технологий больше всего думали о производительности при работе с большими объемами данных, открытости и гибкости архитектуры. Также важную роль сыграли возможность интеграции с корпоративными системами и доступность инструментов для работы с ИИ. Мы не искали готовую платформу, а брали доступные технологии и инструменты, включая графовые базы данных, большие языковые модели, системы речевой аналитики и компьютерного зрения.

- Что представляет собой созданное решение?

Нами была создана целая экосистема решений на базе ИИ и анализа данных, которая охватывает различные бизнес-процессы. Ее ключевые компоненты – прогнозные модели, речевая аналитика, интеллектуальный чат-бот с применением RAG, анализ кода и графы «1С», локальные большие языковые модели, компьютерное зрение и интеграция больших языковых моделей с корпоративной почтой.

Расскажу подробно про каждый из компонентов. Во-первых, в компании уже работают прогнозные модели, позволяющие прогнозировать спрос и потребление различных продуктов и материалов. Сейчас прогнозируется 209 продуктов, таких как базовые показатели (например, объем и количество грузов) и вспомогательные материалы (стрейч, гвозди и другие). Эти модели помогают оптимизировать закупки и планирование ресурсов.

Что касается речевой аналитики, то у нас реализована система анализа звонков контакт-центра. Сначала звонки автоматически транскрибируются в текст, потом выполняется суммаризация разговоров. Далее производится категоризация обращений. В результате звонки автоматически оцениваются (положительный, нейтральный, отрицательный). На следующем этапе проекта повышается точность распознавания речи, анализируется соответствие разговоров установленным скриптам и осуществляется интеграция с CRM — автоматическое заполнение карточек клиентов.

Также нами был создан интеллектуальный чат-бот с использованием RAG, работающий с внутренними источниками знаний компании. Система интегрируется с Confluence, внутренними инструкциями, регламентами и документацией «1С». Чат-бот не просто ищет информацию используя предобученную модель, а формирует связные ответы на естественном языке с учетом внутренних корпоративных данных, что помогает сотрудникам быстрее находить ответы.

В свою очередь, для анализа корпоративных ИТ-систем реализован проект анализа кода «1С». Здесь мы используем такие технологии, как Code Property Graph, анализ AST-структур и графовая база данных Neo4j. Все это позволяет выявлять взаимосвязи между модулями и объектами системы, что значительно облегчает разработку и сопровождение корпоративных решений, в том числе и подготовку функциональных требований для разработки.

В компании ведется работа с локальными LLM-моделями, включая GPT, Gemma, Qwen и Mistral. Проводится дообучение моделей (CPT, SFT, LoRA) на внутренних данных компании для адаптации моделей под логистическую терминологию, код «1С» и внутренние бизнес-процессы компаний.

Мы пробуем развивать направление компьютерного зрения для складской логистики. Так, на основе модели YOLO реализована система распознавания и подсчета поддонов на складах, что позволило автоматизировать контроль складских зон и повысить точность учета.

Нами был разработан MCP-сервер (Model Control Protocol), который позволяет подключать LLM к корпоративной почте. Система позволяет выполнять команды на естественном языке для поиска писем, формирования кратких резюме сообщений, автоматической подготовки ответов, сохранения вложений, классификации входящих обращений.

- Какие данные охватывает созданная платформа?

Платформа работает с такими типами информации, как операционные данные логистики, данные заказов и перевозок, клиентские обращения, звонки контакт-центра, текстовые комментарии клиентов, внутренние документы и регламенты, корпоративный код информационных систем и даже видеоизображения складских зон.

- Где возникали основные проблемы?

Основными сложностями стали ограниченные ресурсы команды, необходимость адаптации моделей под специфику логистического бизнеса, а также сложность корпоративных ИТ-систем.

- Кто является пользователями аналитической платформы?

Основные пользователи системы — это руководители подразделений, сотрудники клиентской поддержки, аналитики, разработчики и сотрудники отдела продаж. Сейчас с системой работает уже более 200 сотрудников, а до конца 2026 года планируем выйти на цифру 1 тыс. человек.

- Какие результаты достигнуты?

В результате реализации проекта удалось не только повысить точность прогнозирования бизнес-показателей и расширить количество прогнозируемых метрик (от десятков до сотен), но и снизить нагрузку на сотрудников клиентской поддержки, а также повысить качество обслуживания клиентов. Помимо этого, мы автоматизировали анализ звонков контакт-центра, ускорили работу разработчиков и системных аналитиков и снизили количество ручных операций при работе с CRM.

- Чем можно особенно гордиться?

Проект формирует основу для дальнейшего внедрения технологий ИИ в ключевые процессы компании. Он отличается тем, что нами была создана полноценная экосистема решений на базе ИИ, охватывающая различные типы данных и бизнес-процессы.

В рамках проекта одновременно развиваются несколько направлений, таких как прогнозная аналитика, речевая аналитика контакт-центра, интеллектуальные чат-боты и RAG-поиск по внутренним знаниям, использование локальных больших языковых моделей, компьютерное зрение для складской логистики, графовый анализ корпоративного кода.

При этом ключевой особенностью является то, что развитие всех этих направлений осуществляется очень небольшой командой. Таким образом, внутри компании фактически сформирована внутренняя ИИ-лаборатория, которая не только исследует технологии, но и внедряет их в реальные бизнес-процессы. Это позволяет быстро тестировать новые идеи, масштабировать успешные решения и системно внедрять технологии искусственного интеллекта в деятельность компании.

- В чем выражаются полученные эффекты с финансовой точки зрения?

Финансовый эффект проявляется через такие важнейшие факторы, как снижение операционных затрат, повышение эффективности работы сотрудников, снижение времени обработки обращений клиентов, оптимизацию закупок и складских процессов и повышение точности планирования ресурсов.

- Какую роль играет проект для бизнеса компании?

Значение проекта трудно переоценить: он является основой для внедрения технологий ИИ в бизнес-процессы компании. Благодаря этому будут автоматизированы рутинные операции, повысится качество клиентского сервиса, улучшится эффективность внутренних процессов. Ну а главное — будут приниматься взвешенные решения на основе данных. Таким образом, это не просто внедрение новой технологии, а важная часть цифровой трансформации компании.

- Каковы основные направления развития проекта?

В наших ближайших планах — дальнейшее развитие речевой аналитики и повышение точности распознавания речи, расширение использования больших языковых моделей внутри компании, развитие предиктивной аналитики, расширение применения компьютерного зрения на складах и развитие интеллектуальных ассистентов для сотрудников.