Automatizovaná klasifikace ke specializovanému zvěrolékaři, na základě NLP jazykového modelu

Klient řešil neefektivní proces přiřazování zvířecích pacientů k odborným veterinárním specialistům. Manuální rozhodování vedlo ke zpoždění, nepřesnostem a k nespokojenosti zákazníků. Automatizace rozhodování byla proto klíčová pro zvýšení efektivity, snížení nákladů a zajištění lepší zákaznické zkušenosti.

Byl vyvinut NLP klasifikační model založený na FastTextu, který na základě textových veterinárních zpráv doporučuje vhodného specialistu. Model zpracovává diagnostické popisy, využívá embeddingy slov a dokáže přesně predikovat specializaci. Řešení běží v reálném čase (odezva cca 0,03 s/100 požadavků) na běžném CPU, čímž výrazně snižuje náklady a je snadno škálovatelné.

• Recepční a call centrum (první kontakt se zákazníkem)

• Veterinární asistenti (předběžná triáž)
• Vedoucí oddělení (alokace kapacit a zdrojů)

Celková realizace trvala 3 měsíce (2 měsíce vývoj a testování modelů, 1 měsíc integrace).

FastText, Python, Bert NLP Model, Azure Container Services, JSON API, základní NLP preprocessing (tokenizace, bigramy, stopwords filtrace).

Vedoucí IT / dat / technologií

Kompletní realizace

Společná správa – provoz modelu na infrastruktuře Azure klienta, technická podpora dodavatelem.

• IT administrátor (nasazení a monitoring)
• Datový specialista (příprava nových dat, retraining)
• Koncoví uživatelé (běžné používání rozhraní)

Nízké nároky: běh na 1 CPU serveru, základní cloud hosting (Azure). Nepotřebuje GPU, provozní náklady minimální.

• Zrychlený a konzistentní proces doporučení specialistů
• Vyšší spokojenost klientů a zlepšená zákaznická zkušenost
• Snížení chybovosti při rozhodování
• Podpora datově řízeného rozhodování vedení

• Přesnost modelu ~80 %, (pro reálný provoz vyhovující)
• Čas doporučení zkrácen z minut na milisekundy (0,03 s / 100 dotazů)
• Snížení manuální zátěže o cca 30 %

„„Data Mind pro nás udělal pomocí umělé inteligence a rozpoznání jazyka NLP klasifikační model ke klasifikaci oborů s vysokou přesností Řešení se ukázalo jako vysoce efektivní a účinné řešení pro předvídání specialisty, ke kterému by mělo být zvíře odesláno, na základě popisu jeho stavu s celkovou přesností přibližně 80 % a rychlou odezvou 0,03 sekundy.” “Model nám pomohl rychle a efektivně přiřazovat pacienty ke správným odborníkům. Personál se může více věnovat péči o klienta než administrativě.”

• Správně připravená a očištěná data
• Zaměření na rychlost a nákladovou efektivitu místo pouze maximální přesnosti

• Nerovnováha dat mezi specializacemi → řešeno vyvážením datasetu a úpravou metrik
• Požadavek na reálný čas → nutnost volby FastTextu místo velkého jazykového modelu BERT

Firmy by měly při výběru AI modelu zohlednit nejen přesnost, ale i provozní náklady a použitelnost v praxi. Kritické je mít kvalitní data a zapojit business ownera do evaluace