Сфера применения
Классификация данных и транзакций (Industry Classification)
Описание
Ramp, быстрорастущий финтех-единорог, столкнулся с критической проблемой масштабирования. Их система классификации бизнес-клиентов представляла собой «лоскутное одеяло» из самописных таксономий, ручного ввода данных продаж и сторонних баз. Это приводило к невозможности аудита, ошибкам в комплаенсе и разрозненности данных: один и тот же бизнес мог попасть в разные категории в зависимости от источника. Компании требовался единый, автоматизированный и точный источник правды.
Как работает
Команда инженеров Ramp внедрила архитектуру RAG (Retrieval-Augmented Generation), отказавшись от жестких правил в пользу гибкости LLM.
Результат
Внедрение RAG трансформировало работу с данными. Хаотичная внутренняя таксономия была заменена на стандартизированную международную систему. Это не только упростило внутреннюю аналитику, но и сняло нагрузку с отделов продаж, которым больше не нужно вручную гадать над категорией клиента.
KPI
Классификация данных и транзакций (Industry Classification)
Описание
Ramp, быстрорастущий финтех-единорог, столкнулся с критической проблемой масштабирования. Их система классификации бизнес-клиентов представляла собой «лоскутное одеяло» из самописных таксономий, ручного ввода данных продаж и сторонних баз. Это приводило к невозможности аудита, ошибкам в комплаенсе и разрозненности данных: один и тот же бизнес мог попасть в разные категории в зависимости от источника. Компании требовался единый, автоматизированный и точный источник правды.
Как работает
Команда инженеров Ramp внедрила архитектуру RAG (Retrieval-Augmented Generation), отказавшись от жестких правил в пользу гибкости LLM.
- Knowledge Base: Использовали официальные коды NAICS как эталон.
- Векторизация: Описания компаний и коды NAICS были переведены в эмбеддинги.
- Пайплайн: При поступлении новой транзакции система ищет релевантные коды в базе (Retrieval), а затем LLM анализирует контекст и выбирает единственно верный код из предложенных вариантов, жестко ограничиваясь стандартом NAICS.
Результат
Внедрение RAG трансформировало работу с данными. Хаотичная внутренняя таксономия была заменена на стандартизированную международную систему. Это не только упростило внутреннюю аналитику, но и сняло нагрузку с отделов продаж, которым больше не нужно вручную гадать над категорией клиента.
KPI
- +60% улучшение метрики accuracy@k на этапе рекомендаций.
- 5-15% рост точности "fuzzy accuracy" на этапе финального предсказания.
- Полная автоматизация аудируемости данных.
У вас есть своя идея и сомневаетесь как реализовать?
Давайте обсудим. Просто оставьте Ваши контакты в форме ниже.
Давайте обсудим. Просто оставьте Ваши контакты в форме ниже.
