ivdon3@bk.ru
В данной статье разработана новая модель распознавания намерений и сущностей для предметной области обслуживания авиапассажиров, обозначенная как IRERAIR-TWIN, с использованием платформы разработки «без кода» вопросно-ответных систем “TWIN”. Преимущества платформы «без кода» были проанализированы с точки зрения удобства разработки прикладной вопросно-ответной системы и уменьшения объема работы по разработке прикладной модели для узкой предметной области. Результаты показывают, что система “TWIN” предоставляет интуитивно понятный пользовательский веб-интерфейс и более простой подход к разработке семантического модуля системы вопросно-ответной системы, способной решать прикладные задачи для узкой предметной области, не являющиеся чрезмерно сложными. Однако данный подход имеет ограничения для задач глубокого семантического анализа, особенно в сложном контекстном выводе и обработке больших текстовых фрагментов. В заключение статьи подчеркивается, что будущие исследования будут направлены на использование платформ “низкого (малого) кода” (англ. low code) на основе ChatGPT и больших языковых моделей для дальнейшего улучшения интеллектуальных возможностей модели IRERAIR-TWIN. Это расширение направлено на расширение сферы применения сценариев
Ключевые слова: вопросно-ответные системы, без кода, низкокодовый, распознавание намерений, распознавание именованных сущностей, аннотирование текста, инженерия признаков, предобученная модель, разработка ПО, конечный пользователь
В данной статье подробно исследуется технологическая эволюция и текущее состояние вопросно-ответных систем (Q&A). На примере задачи обслуживания клиентов авиакомпании разработана модель на основе BERT-модели, способная распознавать намерения пользователей и извлекать именованные сущности. В работе предоставлено подробное описание подготовки набора данных, методов анализа данных и методов исследования данных в рамках проекта. Представлено описание модели и настроек параметров во время процесса настройки модели и процесса ее обучения. Разработанная в этом проекте модель названа RNEEMAviCS-BERT, которая достигла точности распознавания намерений 98,2% и точности распознавания именованных сущностей 83%. Мы создали модуль семантического анализа для системы вопросов и ответов. Следующим этапом нашей работы будет интеграция набора данных для завершения компонентов “запрос-ответ” и “генерация ответа” системы вопросов и ответов.
Ключевые слова: вопросно-ответные системы, ChatGPT, BERT, машинное обучение, нейронные сети, предобученные модели, распознавание намерений, распознавание именованных сущностей, анализ данных, обучение модели
2.3.1 - Системный анализ, управление и обработка информации , 2.3.4 - Управление в организационных системах