Т2: обработали миллион упоминаний за месяц с помощью ИИ

Своевременно и качественно обрабатывать огромный поток сообщений в соцсетях (до 1 млн упоминаний в месяц).

Такой крупный мобильный оператор, как Т2, неизбежно находится в центре общественного внимания. И тот объём упоминаний, который формируется вокруг него, создаёт серьёзные вызовы: информационный шум, сложность определения тональности и контекста, а также необходимость круглосуточного мониторинга.

Классическая ручная обработка упоминаний перестаёт быть эффективной: фокус теряется, продолжительность процесса растёт, а точность — падает.

Для повышения эффективности обработки упоминаний о Т2 мы применили комплексный подход: использовали инструменты Brand Analytics и дополнили их AI-разработкой, которая стала ключевым элементом проекта.

Инструменты Brand Analytics

Чтобы структурировать большой массив данных, мы настроили:

1. Автотеги

Система автоматически проставляет тег и тональность, используя сложные текстовые фильтры. Это позволяет быстро собирать отчёты в нужном формате и снижает долю ручной работы.

2. Правила

Технические алгоритмы находят закономерности в сообщениях: длина текста, уникальность слов, количество абзацев, CapsLock, лексическое разнообразие.

Система определяет WOM-сообщения, находит спам-сообщества и помогает качественно фильтровать данные.

Инструмент Airis

Airis — стартап-разработка на базе 5 крупных языковых моделей, созданная специально для обработки упоминаний и присвоения им качественных признаков.

Airis заменяет значительную часть ручного труда, работает быстрее, дешевле и точнее классических инструментов.

Ключевые преимущества:

• 10 тыс. сообщений/час (для сравнения: у классических систем — 300-500)

• 90-95% точности

• Не зависит от того, на какой платформе хранятся данные

• Работает по инструкции, которую создаёт аналитик или клиент

• Позволяет масштабировать обработку без увеличения команды

Как работает Airis

1. Загружаем массив данных: система принимает тексты из любой клиентской платформы.

2. Создаём инструкцию: аналитик формирует правила и признаки для поиска нужных сообщений.

3. Оптимизируем движком: система подбирает параметры, снижает стоимость обработки.

4. Подключаем набор дообученных моделей (GPT, Gemini, LLAMA).

5. Проводим тегирование, кросс-очистку и валидацию.

6. Выгружаем протегированные данные в нужном формате и интегрируем их обратно в мониторинг клиента.

7. Аналитик корректирует систему для следующего цикла.

Так мы создали непрерывный процесс обработки данных с высокой скоростью и минимальной вероятностью ошибки.

Благодаря нашему подходу Т2 получает реальное понимание общественного восприятия и быстрые инсайты, которые помогают улучшать продукт и коммуникацию.