Как мы строим разговорную аналитику автопарка на основе ИИ-агентов

Разговорная аналитика — следующий шаг к пониманию того, как работает автопарк, после дашбордов. Давайте признаем, их редко изучают досконально. Внедрив ИИ-агента в свою аналитическую систему, пользователь может задать ему вопрос обычными словами, тут же получить интересующую информацию и самостоятельно углубиться в детали.

Navixy также движется в этом направлении. Встроенный в BI-инструмент Dashboard Studio ИИ-агент уже позволяет создавать дашборды по запросу на естественном языке. Однако текстовый ассистент на базе большой языковой модели (LLM) не всегда может быть точен, поэтому главная задача — обеспечить правильность и актуальность ответов.

Надежность разговорной аналитики — это прежде всего вопрос архитектуры, а не чат-бота. Мы продолжаем совершенствовать нашего агента и хотим поделиться опытом, как мы это делаем.

В Navixy подход к разговорной аналитике базируется на пяти уровнях, каждый из которых устраняет определенную причину ошибок в ответах ИИ:

• Контекст
• Выполнение
• Проверка
• Прозрачность
• Управление рисками

1. Контекст: обучаем ИИ терминологии вашего автопарка

Языковые модели понимают естественный язык. Но они не знают, как тот или иной термин определен в вашей платформе или в бизнес-процессах клиента. И последствия этого разрыва можно измерить. Отраслевые исследования последовательно показывают: маршрутизация запросов через заранее определенный семантический слой метрик снижает частоту ошибок агента до двух третей. Эта «прокладка» устраняет разрыв между универсальным языком и контекстом конкретной компании.

Задача состоит не в том, чтобы «подключить LLM к базе телеметрии». Важно научить систему понимать, что означают эти данные для каждого конкретного клиента.

В мониторинге автопарка много терминов, которые лишь кажутся однозначными. Приведем лишь несколько примеров:

• Что означает «на связи»: трекер передал любое сообщение за последний час или отправил корректные данные о местоположении по GPS?
• Считается ли «временем простоя» период, когда двигатель работает, а скорость равна нулю? И какое пороговое значение при этом должно быть превышено?
• «Поездка» определяется по включению и выключению зажигания или по фактическому движению? Как задать и изменить параметры поездки внутри платформы, читайте в статье в Документации.

Если две команды используют один и тот же термин для разных расчетов, система может уверенно выдать неверный ответ. А в решении, которым пользуются несколько клиентов, определения могут отличаться и от клиента к клиенту.

2. Выполнение: доверяем расчеты контролируемой среде

ИИ-модели отлично генерируют текст. Но они не являются детерминированными вычислительными системами. Задайте один и тот же вопрос о числовом показателе дважды, и можете получить два разных ответа. Это может быть проблемой, когда речь идет о таких показателях, которые могут трактоваться моделью по-разному: пробег, моточасы или расход топлива. Именно эти показатели клиенты используют в отчетности, сравнивают или берут за основу при выставлении счетов.

Поэтому не стоит просить ИИ-модель «посчитать» что-то. Корректнее начать с просьбы сформулировать логику расчета с дальнейшим подтверждением пользователя. При этом сами вычисления выполняет алгоритм или скрипт в контролируемой среде выполнения. Тогда качество подобных операций будет заметно выше.

Надежная схема выглядит так:

Понять → Составить план → Сформировать запрос или код → Выполнить → Проверить → Объяснить.

Выполнение кода также делает ответ прозрачным и воспроизводимым. Техническая команда может посмотреть код, на основе которого получен ответ, проверить и воспроизвести результат, а не просто принять утверждение модели на веру.

3. Проверка: начинаем с узкого круга задач и постепенно его расширяем

ИИ-ассистенты хорошо справляются с конкретными вопросами. Но если предложить пользователю «спросить о чем угодно», ответы чаще оказываются неприменимыми.

Возьмем аналитику автопарка в Dashboard Studio и сравним два запроса.

«Сколько маячков было на связи вчера?»	«Что не так с автопарком?»
✓ четкие правила ✓ проверяемый ответ ✓ можно сопоставить с данными самой платформы	✗ правила не установлены ✗ система создает самостоятельную интерпретацию запроса ✗ проверить ответ проблематично

Более надежный подход — начать с конкретных сценариев, проверенных на эталонных примерах, наиболее востребованных клиентами. Оценивая результаты, полученные от ИИ-агента, необходимо одновременно учитывать четыре критерия:

• Точность: верен ли ответ?
• Воспроизводимость: сохраняется ли результат при повторном запросе?
• Опора на исходные данные: можно ли проследить, на каких реальных данных основан ответ?
• Соблюдение границ возможностей: не вышла ли система за пределы задач, которые умеет надежно решать?

В Navixy мы дополняем круг задач только тогда, когда система соответствует всем четырем критериям. Возможности аналитической системы расширяем постепенно — никогда не опережая рост доверия к ней.

4. Прозрачность: показываем, как получен ответ

Правильный ответ и доверие к этому ответу — две разные задачи. Прозрачность помогает устранить разрыв между ними и избавляет команду поддержки от необходимости разбирать каждое обращение в духе «почему здесь такое число?».

Простой критерий: может ли обычный пользователь (диспетчер или руководитель, а не инженер) за 20–30 секунд понять, как получилось значение показателя? Если нет — проблема доверия еще не решена. У каждого, кто работает с системой разговорной аналитики, должна быть возможность достаточно быстро понять, как и на каких данных основан ответ.

Когда сотрудники регулярно видят логику расчетов, они лучше понимают, на что система способна, а на что — нет, и начинают задавать более точные вопросы. Так формируется постоянная обратная связь.

В итоге прозрачность становится частью продукта. Кроме того, она нужна для управления ИИ и подотчетности — вопросов, которые корпоративные клиенты обязательно зададут.

5. Управление рисками: соотносим самостоятельность ИИ с ценой ошибки

ИИ-ассистент может отвечать на все вопросы с одинаковой уверенностью, но последствия ошибки далеко не всегда одинаковы. Чем выше цена ошибки, тем строже должен быть контроль.

• Низкий риск — сводки, сравнения, свободный анализ поездок и использования техники. Такие задачи в значительной степени можно выполнять автоматически. Небольшая неточность может быть исправлена следующим вопросом.
• Средний риск — рекомендации, интерпретация аномалий, например необычного снижения уровня топлива или отклонения от маршрута, а также операционные решения. Здесь требуется более тщательная проверка, потому что на основе результата кто-то будет действовать.
• Высокий риск — безопасность, соблюдение нормативных требований, финансовые риски, критически важное техническое обслуживание. Здесь необходимы строгие ограничения и защитные механизмы. Ошибка — уже не неудобство, а инцидент. ИИ не должен гадать: при любой неопределенности вопрос необходимо сразу передавать профильному специалисту.

Разумный ориентир — принцип Парето: примерно в 80% рутинных задач пользователи могут сами проверить результат, тогда как 20% решений с серьезными последствиями требуют более строгого контроля.

Разговорная аналитика, которой можно доверять

Команда Navixy создает архитектуру системы разговорной аналитики не вокруг красивого диалога, а вокруг доверия! Сначала система получает бизнес-контекст. Затем переводит его в проверенные правила, по которым дальше идут все расчеты. Вычисления выполняются контролируемо по четкой и понятной логике. Каждый результат проверяется и сразу сопровождается данными, на которых он основан. Только после этого ответ попадает к принимающему решения человеку.

«Диалог с данными», который пользователи замечают, — это лишь то, что находится на поверхности. Настоящее преимущество появляется, когда система умеет не просто отвечать, а объяснять, проверять данные и привлекать человека там, где требуется его внимание. Такие аналитические системы клиенты продолжают использовать — потому что они помогают принимать решения с уверенностью.

Готовы применить эти пять уровней на практике? Свяжитесь с нами, чтобы обсудить создание ИИ-решений для автопарков, которым смогут доверять ваши клиенты.