# Вопросы и ответы

<details>

<summary>Каков технический механизм распознавания пользовательского ввода?</summary>

Распознавание основано на вычислении семантической близости в векторном пространстве. Пользовательский запрос преобразуется в числовой вектор (embedding), который затем сравнивается с векторами обучающих фраз для каждого намерения и Q\&A. Модель определяет наиболее близкое по смыслу намерение. Если вычисленный коэффициент уверенности (confidence score) превышает установленный в настройках проекта порог, распознавание считается успешным.

</details>

<details>

<summary>Почему модель не распознает фразу, семантически близкую к обучающей выборке?</summary>

Если модель не распознает фразу, несмотря на наличие похожих примеров, это может быть связано с недостаточной вариативностью обучающей выборки. Для корректного распознавания рекомендуется добавить данную или аналогичные фразы в соответствующее намерение и провести дообучение модели. Также следует убедиться, что порог классификации не установлен на слишком высоком уровне.

</details>

<details>

<summary>Почему бот не реагирует на запрос, если намерение было распознано?</summary>

Распознавание намерения — это только первый этап. Для выполнения действия необходимо, чтобы это намерение было привязано к активному сценарию в качестве триггера. Если намерение существует, но не используется ни в одном сценарии, система не будет знать, какое действие выполнить. В таком случае, если это было единственное распознанное намерение, диалог будет переведен на оператора (fallback-сценарий).

{% hint style="warning" %}
Для корректной работы диалоговой логики все намерения должны быть сопоставлены с соответствующими сценариями.
{% endhint %}

</details>

<details>

<summary>Как система обрабатывает орфографические ошибки и опечатки?</summary>

Платформа не использует препроцессинг для исправления ошибок в запросе пользователя, чтобы избежать искажения исходного смысла. Вместо этого NLU-модель вычисляет семантический вектор всего предложения, включая опечатки. Этот подход, дополненный тем, что в процессе обучения в кластеры попадают примеры с естественными ошибками, обеспечивает высокую точность распознавания.

</details>

<details>

<summary>Приведет ли установка порога классификации на 100% к улучшению точности?</summary>

Нет. Установка порога на 1.0 (100%) приведет к тому, что модель будет распознавать только точные совпадения с обучающей выборкой, теряя способность к генерализации. Это сделает модель нечувствительной к малейшим синонимическим или стилистическим отклонениям. Оптимальное значение порога, как правило, находится в диапазоне 0.7-0.85, что обеспечивает баланс между точностью и способностью к обобщению.

</details>

<details>

<summary>Почему при распознавании нескольких намерений в одном запросе бот отвечает только на одно из них?</summary>

Это происходит, если сценарий для первого обработанного намерения содержит шаг, требующий ввода от пользователя (например, блок «Намерение» или «Сущность»). В этом случае диалоговый менеджер переходит в состояние ожидания ответа и приостанавливает выполнение сценариев для остальных распознанных намерений до тех пор, пока текущая ветка диалога не будет завершена.

</details>

<details>

<summary>Каков технологический стек NLU-ядра?</summary>

В основе NLU-ядра платформы лежит архитектура BERT (Bidirectional Encoder Representations from Transformers). Для оркестрации компонентов и реализации бизнес-логики используется язык программирования Python.

</details>

<details>

<summary>Какие языки поддерживаются платформой?</summary>

Основным языком является русский. По запросу возможна активация поддержки других языков, включая английский, испанский, немецкий, китайский и другие.

</details>

<details>

<summary>Требуются ли навыки программирования для создания сценариев?</summary>

Нет. Визуальный редактор сценариев позволяет создавать сложные диалоговые потоки без необходимости написания кода. Навыки программирования (в частности, JavaScript) требуются только для реализации кастомной логики в сниппетах.

</details>

<details>

<summary>В каких отраслях есть успешные кейсы внедрения?</summary>

Платформа успешно внедрена и эксплуатируется в различных секторах, включая FoodTech, E-commerce, EdTech, MedTech, кикшеринг, телекоммуникации, такси, маркетплейсы, беттинг и Travel.

</details>

<details>

<summary>Каковы кадровые требования для поддержки проекта?</summary>

Для поддержки среднего проекта достаточно одного специалиста для актуализации контента. Для развития проекта и реализации сложной логики могут потребоваться аналитик (для проектирования сценариев) и JS-разработчик (для написания сниппетов).

</details>

<details>

<summary>Какие метрики используются для оценки эффективности?</summary>

Ключевые метрики включают: **покрытие** (доля запросов, на которые бот смог дать ответ), **уровень автоматизации** (доля диалогов, закрытых без участия оператора), **доля нераспознанных запросов** и **точность распознавания**.

</details>

<details>

<summary>Какова максимальная производительность платформы?</summary>

Архитектура платформы позволяет горизонтально масштабироваться и выдерживать нагрузку в десятки тысяч сообщений в минуту.

</details>