Для крупной российской инженерной компании, мы внедрили AI-ассистента подбора товаров, который понимает естественный язык и отраслевой сленг, переводит сложные запросы в структурированные параметры и подбирает подходящие компоненты из каталога. Решение снимает зависимость от узкого круга экспертов, ускоряет подбор, снижает ошибки и потери в закупках и делает качественный подбор доступным для менеджеров без технического бэкграунда.
Подходит для:
e-commerce и B2B-маркетплейсов товаров, дистрибьюторов и производителей электронных компонентов, промышленного и строительного оборудования, поставщиков стройматериалов и медтехники, порталов для закупок, торговых домов и других компаний с большим каталогом товаров
Ассистент понимает естественный язык, отраслевой сленг и неточные формулировки, переводит их в структурированный запрос по параметрам и подбирает подходящие позиции из каталога.
ИИ сразу учитывает цену, сроки, наличие, условия применения/эксплуатации, приоритеты клиента и внутренние регламенты, чтобы предлагать только реально выполнимые варианты.
Система сама сопоставляет характеристики и условия разных вариантов, предлагает аналоги по брендам и поставщикам, подсвечивает оптимальное решение для бизнеса.
Один и тот же ИИ-помощник работает в мессенджерах, личных кабинетах, на сайте и внутренних порталах, без сложных интерфейсов и без необходимости привлекать сотрудников с техническим бэкграундом.
Решение переносится между направлениями — от e-commerce и дистрибуции до внутренних закупок и сервисных компаний — везде, где есть каталог товаров или услуг с параметрами и сложными правилами подбора.
В основе решения — ассистент на базе искусственного интеллекта, который заменяет ручной поиск по каталогу и документации диалогом в мессенджере или на сайте.
Пользователь формулирует запрос на естественном языке.
| Например: «аналог TI SN74HC595, срок — неделя». |
#1 Бизнес-аналитика и формирование требований
Проект начался с бизнес-аналитики и погружения в пользовательские сценарии. Мы проанализировали реальные запросы пользователей, определили ключевые user story и уточнили, какие параметры товаров и функции действительно необходимы для решения задачи, а какие создадут избыточную сложность.
Параллельно провели интервью с респондентами и стейкхолдерами, чтобы зафиксировать ожидания от системы, ограничения и критерии успеха. На основе собранных данных был сформирован CGM (Customer Goal Model) — модель работы будущей системы, отражающая логику взаимодействия пользователей с решением и целевые бизнес-результаты.
#2 Проектирование архитектуры и интеграций
Мы определили целевую архитектуру решения и зафиксировали контур взаимодействия с внешними и внутренними системами. Были описаны точки интеграции, потоки данных и требования к безопасности и отказоустойчивости.
Разработали архитектурные схемы, логику взаимодействия компонентов, а также проектную документацию, необходимую для дальнейшей разработки и масштабирования решения.
#3 Разработка и подготовка к измерению качества
После согласования архитектуры мы перешли к разработке: созданию LM-приложения и реализации ключевой бизнес-логики. Параллельно были разработаны тест-кейсы, которые позволяли объективно измерять качество работы модели и корректность поведения приложения в различных сценариях.
Особый фокус был сделан на воспроизводимость результатов и возможности количественной оценки точности — как самой модели, так и логики ее использования в бизнес-процессах.
#4 Тестирование и валидация функционала
На этапе тестирования мы последовательно проверили каждый шаг работы системы и все предусмотренные сценарии использования. Тестирование охватывало как отдельные функциональные блоки, так и работу решения в целом — от входных данных до финального результата для пользователя.
По итогам тестов были выявлены и устранены пограничные случаи, нетипичные сценарии и потенциальные точки деградации качества, что позволило повысить стабильность и предсказуемость работы решения.
#5 Промышленная эксплуатация и запуск для пользователей
Финальным этапом стал вывод решения в промышленную эксплуатацию. Приложение было размещено на боевых ресурсах с учетом требований к надежности, производительности и безопасности.
Дополнительно был подготовлен набор UI-компонентов и пользовательская документация, которые позволяли конечным пользователям самостоятельно начать работу с интеграционным сервисом без дополнительного обучения. Решение стало готово к масштабированию и регулярному использованию в реальных бизнес-процессах.
| Слой / Компонент | Инструменты и сервисы |
|---|---|
| Backend |
Python (backend, LLM, search integration)
MLflow (metrics, A/B testing)
|
| Модель |
LLM (Llama)
|
| Хранение данных |
PostgreSQL
|
| Интерфейс / интеграция с пользователем |
Telegram Bot API / web widget
|
| МЕТРИКИ | БЫЛО | СТАЛО |
|---|---|---|
| Подбор компонентов | Вручную | 87% запросов автоматически |
| Требования к персоналу | Нужен технический бэкграунд | Может работать любой менеджер |
| Ошибки в закупках | Частые + потери и списания | Снизились |
| Время на подбор | 15 минут — несколько часов | 2-4 секунды |
| Конверсия в корзину | — | +3% прямо из ассистента |
МШ
Михаил Шрайбман
CEO OSMI IT
ДН
Денис Нагаев
CTO OSMI IT
АШ
Артём Ш.
Менеджер проекта
КС
Калзира С.
UX-исследователь, дизайнер
МН
Максим Н.
LLM-инженер
СС
Сергей С.
QA-инженер
ПГ
Пётр Г.
Python-разработчик
Оставьте контакты — мы быстро оценим задачу, подготовим план и расскажем, как достичь ваших целей.
Заказать проект
Свяжитесь для консультации