Бот нам поможет

Год назад наш любимый HR отдел обратился с просьбой: написать чат бота, который поможет в адаптации новичков в компании.

Оговоримся, что мы не разрабатываем собственных продуктов, но клиентам оказываем полный спектр услуг по разработке. Рассказ пойдет о нашем внутреннем проекте, для которого заказчиком является не сторонняя компания, а наш собственный HR. И главная задача при ограниченной доступности людей, ресурсов, времени выполнить проект в срок и выпустить продукт.

Для начала опишем задачи, которые предстояло решить.

Разработчики — люди в большинстве своём интроверты и не любят разговаривать, гораздо проще написать свой вопрос в электронном чате. С ботом не надо думать, кого спросить, кому позвонить, куда идти и вообще, где искать информацию, и актуальна ли она.

Вторая проблема это и есть информация — ee много, она в разных источниках, не всегда есть и нуждается в постоянном дополнении и обновлении.

В компании почти 500 сотрудников, они находятся в разных офисах, часовых поясах, городах России и даже за рубежом, вопросов обычно очень много, поэтому еще одна задача — снизить нагрузку на HR персонал, связанную с наиболее частыми вопросами, задаваемыми сотрудниками.

Необходимо было также автоматизировать процессы: прихода новичков в компанию, рассылки сообщений менеджерам и наставникам новичков, отправки автоматических напоминаний о курсах и тестах, которые необходимо пройти новичку для успешной адаптации.

На основе бизнес-требований были сформированы технические.

Бот должен работать на основе Скайпа (исторически так сложилось, что пользуются в компании им) поэтому выбран был сервис на Азуре.

Для ограничений доступа к нему мы стали использовать механизм авторизации через скайп.
Для распознавания текста использовали библиотеку ParlAI

Так же необходим административный web портал для настройки, обучения, отладки, настройки рассылок и других задач.

В процессе работы над проектом мы столкнулись с целым рядом проблем и сложностей.

Например, были проблемы технического характера — с аккаунтом к Azure. Майкрософт никак не хотел активировать нашу подписку из-за каких-то технических сложностей внутри их сервиса. Почти два месяца мы не могли ничего с этим сделать, поддержка Майкрософта в итоге развела руками и отправила нас к партнерам, которые успешно все настроили и выдали нам аккаунт.

Наиболее сложным этапом был старт проекта, когда нужно выбрать, что используем, какая будет архитектура, как и где хранить данные и как компоненты и модули системы будут взаимодействовать друг с другом.

В нашем случае по сути рядовые проблемы старта любого проекта осложнялись еще и стаффированием кадрами. Специфика нашего бизнеса такова, что в отличие от коммерческих, над внутренними проектами часто трудятся разработчики, у которых нет достаточных знаний в нужных областях – они просто волею судьбы оказались на лавке в ожидании следующего большого крутого коммерческого проекта. Логично, что с мотивацией в такой ситуации дела обстояли тоже весьма непросто. Производительность падает низко, в команде часто простой, в итоге приходится уговаривать (мотивировать) или менять человека. При смене разработчика нужно проводить обучение, передавать знания и опять по сути стартовать проект. Каждый новый разработчик видел архитектуру по-своему и ругал предыдущих за принятые ими решения и чужой код. Начиналось переписывание с нуля.

Так продолжалось около полугода. Мы просто топтались на месте, рефакторили код и ничего не писали нового.

Также на внутренних проектах, как правило, нет почти никакой документации, и сложно было понять, что нужно делать в каждый момент времени, и какие сейчас приоритеты. Необходимо было создать постоянную команду, наладить процессы, провести планирование и оценку хотя бы на три месяца. Но как это сделать, когда проект не коммерческий, а это значит, что человекочасы инвестировать нужно по минимуму, и при этом результат получить не хуже, чем для внешнего заказчика?

Мы определили пул ресурсов, которые участвовали в разработке проекта, знакомы с ним и хотят над ним работать. Составили расписание занятости людей на проектах. Провели оценку и согласование работ, и вписали эти работы в «дырки» между основными проектами. Через 4 месяц мы получили рабочий прототип приложения.

Теперь давайте поговорим подробнее о функциональности бота, об архитектуре и технических решениях.

Одним из главных требований HR было распознавание текста, написанного пользователем для корректного ответа на вопрос. Ему можно написать — я хочу пойти в отпуск, хочу в отпуск или пойти бы в отпуск, и он поймет и ответит соответствующим образом. Или вдруг у сотрудника сломался стул, и он хочет написать — «стул сломался» или «У меня стул треснул» или «Спинка у стула отвалилась», при правильном обучении бот распознает такие запросы. Качество распознавания текста само собой зависит от обучения бота, о котором мы поговорим позднее.

Следующим требованием и частью функционала является система диалогов бота. Была разработана система, при которой бот может вести диалог и понимать контекст текущего вопроса. Он может в ответ на ваш вопрос задать какие-либо уточняющие вопросы и продолжить разговор, если мы обучили бота сделать это. Скайп поддерживает простые пункты меню для подсказки пользователям о возможных вариантах продолжения диалогов. Также если мы вели диалог, но вдруг решили задать вопрос не по теме, то бот тоже это поймет.

Бот дает возможность отправлять различные артефакты пользователю, основываясь на его личных данных. Например, на его локации. Предположим, если человек захотел найти туалет, то ему будет показана карта офиса, ведущая его в туалет. И карта будет выбрана в зависимости от того, в каком офисе компании находится сотрудник.

Одной из важнейших задач является защита личной информации пользователей. Мы не можем позволить каждому человеку получить доступ к конфиденциальным данным, которыми оперирует наш бот. Необходимость в авторизации для такого бота является неотъемлемой его частью. Бот просит у пользователя пройти авторизацию прежде, чем он сможет вести с ним какой-либо диалог. Это происходит при первом обращении сотрудника к боту. Сама авторизация переадресует пользователя на соответствующую страничку, где пользователь получает токен, который потом вставляет в скайп-сообщение. Если авторизация проходит успешно, то можно начинать общение с ботом.

Авторизация проходит через скайп — портал- authorization service, корпоративную сеть и LDAP. Таким образом, авторизация зависит от текущих данных о пользователе в корпоративной сети.

В процессе разработки бота мы поняли, что нужна некая система, встроенная в функционал портала, которая сможет помочь HR производить быструю отладку бота. Мы добавили такую страницу портала, на которой HRы могут увидеть ошибки, зафиксированные пользователями при работе с ботом и решить их с помощью переобучения или оставить для разработчиков.

Возможность обучения бота прямо на портале не была заложена с самого начала. В процессе разработки мы поняли, что обучение бота это самая частая задача, которую будут выполнять сотрудники отдела HR при работе с ним, и отправлять файлы с текстом разработчикам для дополнительного обучения бота совершенно неприемлемо. Это съедает слишком много времени и порождает слишком много ошибок и проблем.

Мы написали UI на портале для User-frirendly обучения бота. Он позволяет HR видеть текущее обучения бота, дообучать его и вносить коррективы в текущее обучение. Обучение представлено древовидной структурой, в которой ноды, то есть ветви являются продолжением диалога с ботом. Можно создавать простые вопросы-ответы, а можно увесистые диалоги, все зависит от HR и их нужд.

Несколько слов об архитектуре решения.

Архитектура решения модульная. В нее входят сервисы, отвечающие за различные задачи, а именно:
• Сервис скайп бота на Azure — принимает и обрабатывает запросы пользователей. Это достаточно простой сервис, который первым принимает запрос и производит его первичную обработку.
• Админ портал — сервис, предоставляющий веб-интерфейс для настройки портала и для самого бота. Бот всегда обращается сначала к порталу, а портал уже решает, что делать с запросом дальше.
• Сервис авторизации — предоставляет механизмы аутентификации для бота и для админ портала. Авторизация происходит по протоколу Oauth2. При положительной авторизации сервис проводит авторизацию в корпоративной сети согласно валидным данным пользователя, так что система может контролировать ошибки, связанные с рассинхроном в данных.
• AI Модуль распознавания текста, написанный на питоне и использующий фреймворк ParlAI для самого распознавания текста. Это нейронная сеть, по крайней мере в текущей реализации. Мы используем алгоритм tfDiff для понимания вопросов. Модуль предоставляет API для общения с ним и обучения.

В заключении хочу сказать, что это наш первый опыт в создании чат бота, и мы старались сделать систему как можно проще, но при этом функциональной, при минимальных трудозатратах на неё. Думаю, у нас получился весьма интересный продукт. Со своей системой обучения, логирования ошибок, рассылок уведомлений, так же его можно интегрировать с любым другим месседжером.

Источник: habr.com