Softline внедрила ИИ SEVA: 60% заявок без GPU и рост SLA до 92%

ГК Softline внедрила собственный сервис искусственного интеллекта SEVA для автоматизации внутренней техподдержки. Система уже обрабатывает 60% обращений сотрудников с точностью свыше 95%, что позволило поднять уровень выполнения соглашений об уровне сервиса (SLA) до 92%. Компания отказалась от ручного распределения заявок, перенаправив инженеров на решение сложных задач и превентивную работу, а не на рутинную сортировку тикетов.

Как работает автоматизация поддержки

Сервис SEVA (Search Engine Vocabulary Analyzer) функционирует как «нулевой фильтр», анализируя текст обращения и мгновенно направляя его нужному специалисту. Алгоритм распознает естественный язык за секунды, определяя суть проблемы без участия человека.

Ключевые изменения в работе поддержки:

• Снижение нагрузки: Ручная работа на первой линии сократилась, так как ИИ берет на себя первичный анализ.
• Перераспределение ресурсов: Инженеры теперь тратят время на прямую коммуникацию с пользователями по сложным вопросам и поиск корневых причин сбоев.
• Экономия инфраструктуры: Система работает без использования дорогих графических ускорителей (GPU), что снижает стоимость эксплуатации.

Отказ от мощных вычислительных ресурсов в пользу оптимизированных алгоритмов показывает, что для решения задач внутренней поддержки не всегда требуются тяжелые модели ИИ, что делает внедрение доступным для компаний с ограниченным бюджетом на «железо».

Новые функции управления рисками

Разработчики расширили функционал SEVA за пределы простой маршрутизации. Теперь система выступает инструментом управления рисками и производительностью.

Встроенный детектор массовых инцидентов сканирует входящие заявки и мгновенно выявляет кластеры похожих проблем. Это позволяет автоматически повышать приоритет системных сбоев и минимизировать время простоя бизнес-процессов. Кроме того, сервис генерирует уточняющие вопросы к пользователям, исключая долгие переписки и ускоряя закрытие инцидентов. Команда планирует масштабировать эту функцию на новые категории задач.

Планы развития и интеграция

Система непрерывно дообучается на основе обратной связи от специалистов, что обеспечивает рост точности и снижение доли ручного труда. В дорожную карту развития заложен ряд важных шагов:

• Интеграция моделей: Внедрение больших (LLM) и малых (SLM) языковых моделей для самостоятельного разрешения типовых инцидентов без участия человека.
• Омниканальность: Подключение сервиса к корпоративному мессенджеру для единого канала коммуникации.
• Масштабирование: Расширение охвата категорий задач для дальнейшего роста операционной эффективности.

Илья Савкин, директор по информационным технологиям компании «Софтлайн Решения», отметил, что подход основан на глубокой кастомизации под внутренние процессы и постоянной работе с данными. Это позволяет повышать качество поддержки и производительность сотрудников при одновременной оптимизации ресурсов.

Операционные последствия и тренды

• Снижение операционных затрат: Отказ от использования GPU и автоматизация рутинных операций напрямую уменьшают расходы на содержание ИТ-инфраструктуры и ФОТ на первой линии поддержки.
• Рост квалификации инженеров: Высвобождение времени от сортировки заявок позволяет специалистам углубляться в сложные технические задачи, что повышает общую компетентность команды.
• Ускорение реакции на сбои: Автоматическое выявление массовых инцидентов сокращает время реакции на критические события, минимизируя финансовые потери от простоев бизнес-систем.
• Зависимость от качества данных: Эффективность системы напрямую зависит от непрерывности обратной связи от пользователей и специалистов, что требует налаженных процессов сбора и обработки данных.