AI-ассистент подбора товаров для АО «Заслон»: автоматизация запросов и ускорение подбора компонентов

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.

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.

#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.

#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.

#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.

#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.