В современном мире чат-боты стали неотъемлемой частью бизнес-процессов, предлагая компаниям эффективный инструмент для автоматизации обслуживания клиентов — от ответов на типовые запросы до обработки транзакций [1]. Особенно востребованы чат-боты закрытого домена в сфере финансовых услуг и денежных переводов, так как они обеспечивают круглосуточную поддержку и снижают нагрузку на операторов. Однако их эффективность напрямую зависит от качества диалоговых сценариев, которые определяют логику взаимодействия с пользователями [2].
Несмотря на преимущества, разработка таких сценариев остается трудоемкой задачей. Решить эту проблему можно за счет автоматизации их создания на основе анализа исторических диалогов с помощью машинного обучения. Изучение данных, особенно запросов пользователей, оставшихся без ответа, помогает выявить пробелы в существующих сценариях. Такой подход не только сократит затраты на поддержку чат- бота, но и повысит качество обслуживания за счет более точных и релевантных ответов.
Целью данной работы является разработка алгоритма генерации диалоговых сценариев для чат-бота «Korona» с использованием методов машинного обучения.
Для достижения этой цели решаются следующие задачи:
1) формализовать задачу модели машинного обучения;
2) собрать и предобработать данные;
3) провести аналитику данных;
4) разработать модель машинного обучения;
5) протестировать и оценить качество модели;
6) реализовать алгоритм генерации сценариев с помощью полученной модели.
Стоит отметить, что для выполнения требований соглашения о неразглашении, реальные примеры данных и сценариев не будут приведены в этой работе.
В данной работе была решена задача создания алгоритма автоматической генерации диалоговых сценариев для чат-бота закрытого домена “Korona” на основе методов машинного обучения. Основные результаты работы включают реализацию двухэтапной кластеризации диалоговых реплик, создание архитектуры на основе FastGTN, показавшую высокую эффективность в задаче предсказания диалоговых переходов. Разработан комплексный подход к обработке сгенерированных сценариев, включающий алгоритм устранения дублирующих поддеревьев и механизм преобразования в естественно¬языковые шаблоны с использованием LLM.
Практическая значимость работы подтверждается тем, что 25% сгенерированных сценариев требуют минимальных правок перед внедрением, а 18,75% готовы к использованию. Предложенный алгоритм особенно эффективен для обработки типовых, часто повторяющихся запросов, составляющих основную массу пользовательских обращений.
Перспективными направлениями дальнейших исследований являются:
1) разработка алгоритмов обработки редких запросов;
2) оптимизация алгоритмов интеграции новых сценариев в работающие системы
В целом, работа демонстрирует эффективность графовых методов и машинного обучения для автоматизации создания диалоговых сценариев. Полученные результаты подтверждают целесообразность использования графовых методов и машинного обучения для автоматизации создания диалоговых сценариев. Предложенное решение может быть успешно применено в коммерческих чат-ботах, обеспечивая снижение эксплуатационных затрат при сохранении качества пользовательского опыта. Дальнейшие исследования в этом направлении могут привести к созданию более эффективных диалоговых систем.
