Айлок

Сценарий: техподдержка в Jira

Одну задачу платформа решает несколькими способами; человек в контуре попутно даёт данные для роста точности. Именно на таких задачах — конкретных и повторяющихся — ИИ приносит измеримую пользу; об этом Измерение 2: Правильные задачи и измеримая ценность.

Гибкость на примере

Заявки остаются в Jira — платформа подключается рядом

Выбор между принципиально разными способами решения — и есть та самая гибкость.

Заявка в Jiraпервая линия
Платформаагент · конвейер · модель
Ответ пользователюпосле проверки сотрудником

Вариант А против варианта Б

А · Разговорный агент

Первая линия, живой диалог.

  • Настройка без кода: набор разрешённых инструментов, профиль поведения и инструкция для агента
  • Знания — через гибридный поиск
  • Заявка в Jira: прямой вызов программного интерфейса Jira (APIпрограммный интерфейс приложения (Application Programming Interface)) через MCPпротокол подключения инструментов к модели (Model Context Protocol)-инструмент или собственный Python-шаг
  • Типовой модуль подключения с OAuthоткрытый протокол авторизации (Open Authorization) и вебхукомВ разработке. Сроки — в дорожной карте развития.

Гибко, быстро поднять.

Б · Фиксированный конвейер

Управляемый, проверяемый конвейер.

  • Условие запуска → классификация со строго заданным форматом ответа → поиск статей → возврат в Jira
  • Проверка сотрудником: подтвердить / отклонить / возобновить
  • Шаг согласования оператором, полный аудит выполнения шагов, защита от двойной обработки, изоляция данных подразделений; при настроенном секрете уведомление подписывается HMACкод аутентификации сообщений на основе хеша (Hash-based Message Authentication Code)

Предсказуемо, проверяемо.

Вариант В

Классификатор вместо языковой модели — обучение параллельным потоком

Классификацию делает предобученная модель вместо языковой: она работает в отдельном Python-шаге параллельно основному конвейеру — тем же механизмом шагов, что и вся остальная логика. На массовом потоке это дешевле, быстрее, понятнее и стабильнее.

Модуль обучения — отдельный Python-модуль; платформа умеет запускать его по расписанию и подавать ему размеченный корпус.

Работа модели и обучение. Запуск готовой модели — сразу, без дополнительной настройки. Регулярное дообучение (GPUграфический процессор (Graphics Processing Unit), конвейер наборов данных, реестр моделей) — отдельный сервис; его подключение к платформе выполняет ИТ-служба заказчика или поставщик. Отдельная система разметки при этом не нужна: размеченные данные накапливаются в ходе штатной работы операторов.

Сквозная нить

Человек в контуре → рост точности и разметка

Конвейерспорное решение
Пользовательский интерфейс (UIпользовательский интерфейс (User Interface)) оператораподтвердить / исправить
Корректировкиточность ↑ · корпус для обучения

Спорные случаи уходят в пользовательский интерфейс оператора (встроенный шаг контроля человеком + полный API). Оператор подтверждает или исправляет класс и маршрут.

Исправления идут двумя путями: корректируют параметры конвейера — растёт общая точность; и копятся как размеченный корпус для модуля обучения. Разметка получается побочным продуктом штатной работы — отдельную команду разметчиков сажать не нужно.

ВариантКогда братьСильная сторона
А · разговорныйпервая линия, живой диалоггибко, быстро поднять
Б · конвейерпроверяемый конвейер с человекомпредсказуемость, аудит
В · модельмассовый потокдёшево, быстро, объяснимо

Варианты комбинируются: диалог сверху, детерминированный разбор потока снизу — человек в контуре остаётся общим источником данных для улучшения.

Читать дальше