способность модели обобщать на невиданные формулировки. Для итеративного добавления неопределенных примеров использовалось активное обучение, что увеличило положительный набор с 830 до 1176. Почти дубликаты были сохранены для повышения устойчивости к опечаткам и сленгу. Критерий классификации сместился с «запроса о помощи» на «подходит для вакцины», чтобы избежать срабатывания на простые вопросы. Перекрестная проверка на изменяющемся наборе данных давала вводящие в заблуждение метрики; замороженный золотой набор из 245 сообщений выявил реальные улучшения, при этом полнота выросла с 0,50 до 0,78. Отдельный тест на реальном трафике показал, что точность настраивается от 0,74 до 0,87 в зависимости от порога. Типизатор (тип проблемы) был оставлен в виде простой логистической регрессии, чтобы избежать излишнего усложнения. Система использует одну мультиязычную модель эмбеддингов как для детектора, так и для RAG — компромисс, который сэкономил ресурсы, но может ограничить полноту RAG. Архитектура представляет собой отдельный сервис FastAPI с SQLite, вызываемый производственным ботом по принципу «забыл и продолжил», с теневым режимом для безопасного тестирования.