ИИ-ассистент для промышленного каталога или как мы превратили сложные инженерные запросы в быстрый подбор товаров

2026-06-16 13:47:12 Время чтения 6 мин 109

Для крупной российской инженерной компании, мы внедрили AI-ассистента подбора товаров, который понимает естественный язык и отраслевой сленг, переводит сложные запросы в структурированные параметры и подбирает подходящие компоненты из каталога. Решение снимает зависимость от узкого круга экспертов, ускоряет подбор, снижает ошибки и потери в закупках и делает качественный подбор доступным для менеджеров без технического бэкграунда.

Клиент — АО «Заслон», крупная российская инженерная компания, занимающаяся разработкой и производством высокотехнологичного оборудования и электроники для авиации, флота и наземной инфраструктуры.

Цель — сократить время и трудозатраты на подбор электронных компонентов, уменьшить ошибки и списания в закупках и сделать качественный подбор доступным для широкого круга менеджеров, а не только для узкой группы инженеров-экспертов.

Что сделали

Чтобы снять зависимость от узкого круга экспертов, ускорить подбор и снизить количество ошибочных закупок, мы внедрили ИИ-ассистента подбора товаров и ситуативного поиска. Он работает в формате диалога на естественном языке — в Telegram и на сайте — и превращает сложный технический запрос в понятный интерфейс для менеджеров любого уровня.

В основе решения — ассистент на базе искусственного интеллекта, который заменяет ручной поиск по каталогу и документации диалогом в мессенджере или на сайте.Пользователь формулирует запрос на естественном языке.

Например: «аналог TI SN74HC595, срок — неделя».Ассистент обрабатывает запрос через LLM-ядро и семантический поиск, понимает технический сленг, исправляет опечатки и приводит запрос к формату, понятному системе подбора.Пользователи пишут нужные им характеристики электронных компонентов и поиск происходит строго по этим параметрам. Далее движок подбора учитывает условия применения (срок поставки, цену, температурный режим и другие параметры), сопоставляет их с базой компонентов и выдаёт точные совпадения и аналоги. Если товара с нужными требованиями нет — система предлагает его аналоги.В ответе пользователь получает сравнение вариантов, альтернативы по брендам и наличию, сведения по документации и остаткам, а также сравнение характеристик — то, что ранее требовало отдельного ручного анализа.Ассистент одинаково уверенно работает как в Telegram, так и в web-виджете на сайте, что позволяет использовать его и внутренним сотрудникам, и внешним пользователям.

Этапы проекта

#1 Бизнес-аналитика и формирование требований

Проект начался с бизнес-аналитики и погружения в пользовательские сценарии. Мы проанализировали реальные запросы пользователей, определили ключевые user story и уточнили, какие параметры товаров и функции действительно необходимы для решения задачи, а какие создадут избыточную сложность.

Параллельно провели интервью с респондентами и стейкхолдерами, чтобы зафиксировать ожидания от системы, ограничения и критерии успеха. На основе собранных данных был сформирован CGM (Customer Goal Model) — модель работы будущей системы, отражающая логику взаимодействия пользователей с решением и целевые бизнес-результаты.

Этап 2. Проектирование архитектуры и интеграций

Мы определили целевую архитектуру решения и зафиксировали контур взаимодействия с внешними и внутренними системами. Были описаны точки интеграции, потоки данных и требования к безопасности и отказоустойчивости.

Разработали архитектурные схемы, логику взаимодействия компонентов, а также проектную документацию, необходимую для дальнейшей разработки и масштабирования решения.

Этап 3. Разработка и подготовка к измерению качества

После согласования архитектуры мы перешли к разработке: созданию LM-приложения и реализации ключевой бизнес-логики. Параллельно были разработаны тест-кейсы, которые позволяли объективно измерять качество работы модели и корректность поведения приложения в различных сценариях.

Особый фокус был сделан на воспроизводимость результатов и возможности количественной оценки точности — как самой модели, так и логики ее использования в бизнес-процессах.

Этап 4. Тестирование и валидация функционала

На этапе тестирования мы последовательно проверили каждый шаг работы системы и все предусмотренные сценарии использования. Тестирование охватывало как отдельные функциональные блоки, так и работу решения в целом — от входных данных до финального результата для пользователя.

По итогам тестов были выявлены и устранены пограничные случаи, нетипичные сценарии и потенциальные точки деградации качества, что позволило повысить стабильность и предсказуемость работы решения.

Этап 5. Промышленная эксплуатация и запуск для пользователей

Финальным этапом стал вывод решения в промышленную эксплуатацию. Приложение было размещено на боевых ресурсах с учетом требований к надежности, производительности и безопасности.

Дополнительно был подготовлен набор UI-компонентов и пользовательская документация, которые позволяли конечным пользователям самостоятельно начать работу с интеграционным сервисом без дополнительного обучения. Решение стало готово к масштабированию и регулярному использованию в реальных бизнес-процессах.