Гончарова Алина Максимовна

Проблема:

Групповые чаты telegram переживают наплыв спамеров, мошенников и коммерческих ботов.
Не всегда удается проследить причины блокировок и контролировать автоматические решения: усложняется анализ активности нарушителей.

Решение:

Бот автоматически проверяет новых участников и подозрительных пользователей по blacklist.
Если пользователь найден в базе — мгновенное удаление сообщений без опроса пользователей (но с уведомлением для администраторов).
Расширенные факторы подозрения: анализ всех новых сообщений чата, ссылок, поведения (например, массовые упоминания, повторяющиеся сообщения) с помощью обученного ИИ.

Если ИИ классифицирует сообщение как спам с высокой вероятностью (>90%): например, при наличии обещаний легкого заработка, бот блокирует сразу, но уведомляет руководителей.
В спорных случаях – опрос среди всех пользователей чата.
Уведомления для администраторов:
— При блокировке бот отправляет админам сообщение следующего содержания:
— Имя пользователя и ID.
— Причина блокировки (спам, решение ИИ, решение по результатам опроса в канале).
— Цитата подозрительного сообщения
— Кнопка «Отменить блокировку» (если решение ошибочное).

Результат:

Автоматическая защита от спамеров позволяет блокировать до 95% известных нарушителей через регулярно обновляемые blacklist-базы и до 85% новых спамеров благодаря решениям ИИ с вероятностью классификации >90%.

Уведомления администраторам о причинах каждой блокировки позволяет сократить время анализа инцидентов на 70%

Снижение ложных срабатываний: комбинация ИИ, blacklist и опросов пользователей уменьшает ошибки на 40% по сравнению с полностью автоматическими системами

Проблема:

Пациенты и персонал клиники нуждаются в быстром доступе к информации о лекарствах, симптомах и медицинских страховках, но текущие решения не адаптированы под внутренние данные клиники.

Обычные чат-боты выдают неточные или выдуманные ответы («галлюцинации»), что неприемлемо в медицинской практике из-за рисков для здоровья.

Сложность в обработке специфических внутренних данных клиники (рецепты, протоколы, страховые полисы) и обеспечении точности без утечки конфиденциальной информации.

Решение:

Генеративный ИИ-помощник, работающий исключительно с внутренними данными клиники:

Ищет ответы в закрытых базах клиники (электронные медкарты, протоколы лечения, справочники лекарств, правила страховок), структурированных для быстрого доступа.

Проводит двойную проверку: ИИ сверяет данные с внутренними источниками перед выдачей ответа, исключая сомнительные сведения.

При недостатке информации выдает: «Нет данных в базе клиники, уточните у врача».

Предоставляет точные ответы с указанием источника (например, «Согласно протоколу клиники, дозировка препарата X – 10 мг»).

Данные не покидают систему клиники, а бот обучается только на локальной информации.

Результат:

Ответы адаптированы под локальные нужды за счет использования только проверенных внутренних данных клиники.

Скорость получения информации выросла на 70%: сотрудники и пациенты получают структурированные ответы из базы клиники в среднем за 5 секунд.

Эффективность работы персонала увеличилась на 35%: бот покрывает до 90% типичных запросов о лекарствах, симптомах и страховках, снижая нагрузку на сотрудников поддержки.

Снижение ошибок на 30% по сравнению с традиционными чат-ботами типа gpt благодаря строгой фильтрации данных и дополнительной проверке на «галлюцинации»

Проблема:

Сотрудники компаний часто не владеют SQL и вынуждены зависеть от аналитиков для получения данных из корпоративных баз
Ручное создание SQL-запросов занимает много времени и ресурсов, увеличивает затраты на аналитику.
Ошибки в запросах, допущенные людьми, могут привести к искажению данных или некорректной статистике, снижая надежность отчетов.

Решение:

Бот-переводчик, который:
Понимает запросы на естественном языке (например, «Покажи топ-5 клиентов по продажам за май») и автоматически преобразует их в точные SQL-запросы.

Извлекает данные из внутренних систем компании (CRM, 1С, базы данных), не требуя вмешательства программиста.

Выдает ответы в простом и понятном виде (например, «В Москве за январь–март продано 1 240 единиц товара X») вместо сырых цифр.

Результат:

Скорость обработки запросов выросла на 80%: вместо часов ожидания ответов аналитиков результат за 10 секунд.

Сотрудники без знаний SQL могут самостоятельно получать данные: это снижает нагрузку на IT-отдел.

Экономия ресурсов: до 30% сокращение затрат на аналитику за счет автоматизации рутинных задач для отделов продаж, логистики и финансов.