В AI-проектах enrichment нужен, чтобы модель работала не с “голой строкой”, а с понятной картиной: кто пользователь, что уже известно, какие документы связаны с запросом, какие ограничения важны и какое действие допустимо. Это повышает качество ответов, маршрутизации, скоринга, поиска и автоматизации.
Главный риск enrichment — добавить красивые, но непроверенные данные. Поэтому важно хранить источник, дату обновления, уровень уверенности и не смешивать подтвержденные факты с предположениями модели. Хорошее обогащение делает запись полезнее, а не просто длиннее.
Примеры
- CRM: к лиду добавляют компанию, должность, отрасль, размер бизнеса, источник заявки и оценку готовности к покупке.
- Поддержка: к тикету добавляют категорию, тональность, срочность, похожие обращения и рекомендуемую статью базы знаний.
- RAG: к документу добавляют метаданные — отдел, владелец, дата обновления, тип документа, уровень доступа и связанные термины.
- Маркетинг: к email-контакту добавляют сегмент, интересы, прошлые касания, статус подписки и вероятность отклика.
- AI-агент: перед ответом система подтягивает профиль клиента, историю переписки, активные сделки и ограничения по правам доступа.
Где используется
- обогащение лидов и CRM-карточек
- lead scoring и квалификация заявок
- маршрутизация тикетов поддержки
- подготовка контекста для AI-агента
- поиск по базе знаний и RAG
- дедупликация и очистка данных
- персонализация email-рассылок и продаж
- обогащение документов метаданными
- аналитика клиентов, сделок и обращений
- автоматическое заполнение отчетов и сводок
Связанные термины
Частые вопросы
Чем enrichment отличается от data cleaning?
Data cleaning исправляет ошибки: дубли, пустые поля, неверные форматы. Enrichment добавляет новые полезные данные: категорию, источник, контекст, внешнюю информацию или AI-классификацию.
Какие данные можно обогащать с помощью AI?
Лиды, сделки, тикеты, документы, звонки, письма, отзывы, карточки товаров, базы знаний и аналитические события. Главное — заранее определить, какие поля нужны и как проверять качество результата.
Можно ли доверять enrichment от модели?
Не полностью. Факты лучше брать из надежных источников, а выводы модели хранить с confidence score, источником и возможностью ручной проверки.
Что хранить вместе с обогащенными данными?
Источник, дату обновления, версию правила или промпта, уровень уверенности, статус проверки и признак того, является ли поле фактом или предположением.
Где enrichment особенно полезен для AI-агентов?
В сценариях, где агент должен принять решение: кому передать тикет, как оценить лид, какой документ использовать, какой риск подсветить или какой следующий шаг предложить менеджеру.
