Специалисты РОЛЬФтех под руководством Владимира Терехина, руководителя продуктового портфеля, завершили основной этап нормализации исторического справочника сервисных работ, который формировался 35 лет и содержит 474 712 строк. Проект реализуется в рамках Dealer Digital Platform «Флора», предназначенной для автоматизации процессов послепродажного обслуживания автомобилей в дилерских центрах. Основная часть работы уже пройдена: массив дедуплицирован, дважды проверен экспертами, и для 96,13% работ после дедупликации подтверждён корректный узел автомобиля. Как поясняет Терехин, проект ещё не завершён, но команда решила рассказать о промежуточных результатах сейчас, не дожидаясь финального релиза, поскольку основные сложности уже пройдены и опыт может быть полезен другим специалистам, работающим с историческими справочниками, master data и LLM-классификацией.

Исходный справочник содержал множество сокращений, опечаток, дублей и записей на разных языках, что создавало серьёзные проблемы для специалистов по записи клиентов и аналитиков. Например, название «НАР РУЧКУ ДВЕРЬ РАСПАШ З ПР С/У» — не ошибка кодировки, а реальная запись, понятная только опытным мастерам. В справочнике также встречались строки вроде «РАМА КРЫШИ НАР ПР ОКР НОВ», «SETR CRE52» и «добавить для автомобилей с ГУР». Такие данные затрудняли быстрый подбор работ, оценку нормо-часов и анализ заказ-нарядов. Первая боль касалась специалиста по записи клиентов: принимая звонок, он должен быстро подобрать работу под конкретный автомобиль, но не обязан обладать технической насмотренностью мастера-консультанта с многолетней практикой. Не поняв старое название, сотрудник вынужден идти к более опытному коллеге. Вторая боль — аналитики: если одна операция записана десятками способов, запрос на динамику замены передних тормозных колодок требует ручной сборки разных названий. Проект стартовал с двухмесячного сбора проблематики: команда общалась с пользователями и стейкхолдерами, после чего отказалась от полнотекстового поиска и выбрала подход с привязкой каждой работы к узлу автомобиля.

Техническая реализация включала несколько итераций. Сначала был согласован единый справочник узлов автомобиля, который стал координатной сеткой для классификации. Затем массив прогнали через LLM для предварительной разметки, а 21 эксперт из дилерских центров проверял результаты. Обратная связь от экспертов возвращалась в правила и навыки агента, что позволяло улучшать модель. Команда также признала ошибку в оценке производительности на одной из задач — она оказалась более чем втрое ниже ожидаемой, что потребовало пересмотра архитектуры. Важной частью стало осознание того, что высокая зависимость продукта от знаний конкретных людей — нежелательна: текучка кадров и время на адаптацию новых мастеров-консультантов делают такую систему хрупкой. Экспертная валидация в этом проекте оказалась не формальностью, а ключевым элементом, поскольку LLM могут ошибаться и галлюцинировать. Показательный пример из смежной области приводит технический писатель Иван Богданов: при попытке оформить список литературы по ГОСТ с помощью ChatGPT модель выдала 55 источников, ни один из которых не существовал. Это подчёркивает, что даже при автоматизации рутинных задач необходим человеческий контроль.

Контекст проекта связан с накоплением исторических данных в автобизнесе. За 35 лет в справочник попадали данные из систем производителей, переводы, локальные записи сотрудников. Единых стандартов не существовало, что превратило справочник в «профессиональный субъективный язык». В отрасли подобные проблемы характерны для master data management, где качество данных напрямую влияет на аналитику и клиентский сервис. Опыт РОЛЬФтех показывает, что LLM в сочетании с экспертной проверкой может эффективно решать задачи нормализации, хотя и требует значительных ресурсов. Сравнение с альтернативами показывает, что традиционные методы, такие как ручная классификация или простые правила, менее эффективны при больших объёмах и разнообразии данных. Полнотекстовый поиск, от которого отказались в РОЛЬФтех, не учитывает контекст и семантику. LLM же позволяют автоматизировать процесс, но требуют качественной экспертной валидации. В других проектах, например при оформлении библиографии, LLM иногда галлюцинируют, что подчёркивает необходимость человеческого контроля.

Для российского рынка этот кейс важен как пример практического применения ИИ в legacy-системах. Многие компании сталкиваются с похожими проблемами в справочниках запчастей, услуг или клиентских баз. Подход с деревом узлов и итеративной проверкой может быть адаптирован и в других отраслях. Реакция отрасли пока неизвестна, но успех проекта может стимулировать внедрение аналогичных решений. Однако остаются вопросы о масштабируемости и стоимости поддержки таких систем. Кроме того, на фоне общего ажиотажа вокруг искусственного интеллекта, который в 2023 году породил волну хайпа и множество экспериментальных внедрений, кейс РОЛЬФтех выглядит более приземлённым и методичным: здесь ИИ используется не как модный тренд, а как инструмент для решения конкретной бизнес-задачи с измеримым результатом. Это может стать ориентиром для российских компаний, которые ищут прагматичные сценарии применения LLM.

В перспективе проект «Флора» ещё не завершён, но основная нормализация уже проведена. Остаётся внедрить результат в продукт и оценить его влияние на бизнес-процессы. Открытыми вопросами остаются поддержка справочника в актуальном состоянии, обучение новых сотрудников и интеграция с другими системами. Опыт РОЛЬФтех может стать методической основой для других российских компаний, работающих с историческими данными. Дальнейшие шаги включают масштабирование подхода и, возможно, публикацию деталей после релиза. Пока же можно констатировать, что сочетание LLM и экспертной проверки позволило подтвердить корректность 96,13% работ после дедупликации — это заметный результат для массива, который формировался 35 лет без единых стандартов. Вопрос о том, насколько такой подход экономически эффективен при постоянном обновлении справочника, остаётся открытым и потребует дальнейшей оценки.