Почему поддержка после запуска — не опция, а необходимость
Многие заказчики считают, что после выпуска чат-бота или классификатора работа заканчивается. На практике модели деградируют: меняется лексика пользователей, появляются новые сценарии, устаревают знания из обучающей выборки. Без плановой поддержки качество ответов падает на 15–30% за первый квартал. Регулярный мониторинг метрик (accuracy, F1, user satisfaction) и своевременное дообучение позволяют держать KPI на целевом уровне. Если вы только планируете внедрение, ознакомьтесь с нашими AI-пакетами — они уже включают базовый период сопровождения.
Модели ретейнера: фиксированный, почасовый, гибридный
Выбор тарифа зависит от зрелости продукта и предсказуемости нагрузки.
- Фиксированный ретейнер — ежемесячная плата за заданный пул часов (например, 40 ч/мес). Подходит для стабильных проектов с понятным бэклогом доработок.
- Почасовой ретейнер — оплата фактических часов с минимальным гарантированным объёмом (10–20 ч). Гибко реагирует на пики, но требует прозрачного тайм-трекинга.
- Гибридный — базовый фиксированный пакет + доп. часы по согласованной ставке. Часто выбирают для AI-Бизнес проектов, где параллельно развиваются 2–3 сценария.
| Модель | Плюсы | Минусы | Типичный бюджет (₽/мес) |
|---|---|---|---|
| Фиксированный | Предсказуемые расходы, приоритет в очереди | Риск недозагрузки часов | 120 000–250 000 |
| Почасовой | Платите за реальную работу | Сложнее планировать бюджет | от 3 000/ч |
| Гибридный | Баланс стабильности и гибкости | Требует чёткого регламента доп. часов | 150 000–300 000 |
Дообучение моделей: когда и как запускать
Дообучение (fine-tuning) нужно, когда:
- появилось ≥5 000 новых диалогов, не покрытых текущей базой;
- метрика качества упала ниже порога SLA (например, accuracy < 0.88);
- изменился бизнес-процесс — новые категории тикетов, другие тонкости продукта.
Процесс: сбор размеченных данных → валидация аннотаторов → обучение на GPU-кластере → A/B-тест на 10% трафика → полный роллбак при регрессии. Рекомендуем планировать цикл раз в 4–6 недель для чат-ботов поддержки и раз в 8–12 недель для классификаторов документов.
SLA качества ответов: метрики и штрафы
Чёткий SLA превращает поддержку из «починим, когда сломается» в управляемый сервис. Минимальный набор KPI:
- Accuracy / F1 на контрольной выборке — целевое значение ≥ 0.90.
- Time to first meaningful response — ≤ 2 сек для чат-бота, ≤ 5 сек для API-классификатора.
- Escalation rate — доля диалогов, ушедших на оператора, ≤ 12%.
Штрафные санкции: за каждый процент ниже порога accuracy — 3% от месячного ретейнера; за превышение времени ответа — 2% за каждую секунду сверх нормы. Это мотивирует команду поддержки держать инфраструктуру в тонусе и вовремя запускать дообучение.
Чек-лист для заказчика перед подписанием договора
Нужна оценка проекта? Напишите в Telegram или оставьте заявку на сайте — подготовим ТЗ и прототип.