Разделы: Информационные технологии
Размещена 15.05.2025. Последняя правка: 07.05.2025.
Просмотров - 326

Разработка программного модуля автоматической классификации заявок с использованием нейросетевых моделей

Хомченко Владислав Евгеньевич

-

«Уфимский государственный нефтяной технический университет» (ФГБОУ ВО УГНТУ) Институт нефтепереработки и нефтехимии ФГБОУ ВО УГНТУ в г. Салавате

Студент

Гаврилов Станислав Витальевич, кафедра Информационных технологий, Уфимский государственный нефтяной технический университет, Институт нефтепереработки и нефтехимии ФГБОУ ВО УГНТУ в г. Салавате

УДК 004.8

Введение
Современные организации сталкиваются с необходимостью обработки большого количества входящих заявок, что требует значительных временных и трудовых затрат. Автоматизация этого процесса с использованием технологий искусственного интеллекта позволяет существенно повысить эффективность работы служб поддержки. Современные технологии машинного обучения и нейронных сетей предоставляют новые возможности для автоматической классификации текстовых данных. Применение таких технологий в данной области является перспективным, так как значительно помогает ускорить и упростить процесс обработки данных, повышая качество обслуживания [1].

В данной статье рассматривается разработка системы автоматической классификации заявок на основе нейросетевых технологий, интегрированной с Telegram-ботом для взаимодействия с пользователями.

Актуальность
Ручная обработка входящих запросов становится все менее эффективной по мере роста их объема. Традиционные методы фильтрации, основанные на ключевых словах, не справляются с разнообразием формулировок и постоянно меняющимися паттернами спама. Нейросетевые подходы, особенно модели, учитывающие контекст сообщений, демонстрируют значительно лучшие результаты в задачах классификации текста. Разработанное решение актуально для различных сфер, включая электронную коммерцию, финансовые услуги и государственные учреждения. В компаниях, которые получают большое количество входящих заявок, так как ручная проверка каждого запроса становится трудоемкой и затратной [2]. Автоматизация процесса поступающих обращений позволяет значительно сократить время обработки заявок и минимизировать количество ошибок.

Цели и задачи
Основной целью исследования являлась разработка системы автоматической классификации, для повышения качества и эффективности обработки заявок за счет разработки программного модуля с использованием машинного обучения.

Для достижения данной цели были решены следующие задачи:
- подготовка и сбор данных для обучения;
- выбор оптимальной архитектуры нейронной сети;
- разработка программного модуля и его интеграция в систему обработки заявок.

В работе использовались следующие технологии:

- python как основной язык программирования;
- tensorFlow и Keras для построения нейросетевой модели;

- библиотеки Pandas и NumPy для обработки данных;

- telegram Bot API для взаимодействия с пользователями;

- pyQt5 для создания графического интерфейса администратора.

Модель основана на архитектуре Bidirectional LSTM с дополнительными слоями Dropout для предотвращения переобучения [3]. Особенностью подхода является комбинация темы и текста сообщения для улучшения качества классификации.

Научная новизна работы заключается в разработке специализированной архитектуры нейронной сети, оптимизированной для обработки русскоязычных заявок. Предложенный метод комбинированного анализа темы и текста сообщения позволяет достичь более высокой точности по сравнению с традиционными подходами. Особое внимание уделено механизмам интеграции нейросетевого классификатора с мессенджером Telegram и desktop-приложением для администратора.

Нейросетевые модели, в частности двунаправленные LSTM, продемонстрировали высокую эффективность в задачах классификации и маршрутизации клиентских заявок [4]. В рамках исследования была разработана модель, которая анализирует текст заявок, включая тему и содержание, и определяет их принадлежность к одному из отделов: продажи, сопровождения, техническая поддержка или спам.

Ключевые преимущества нейросетевых моделей в данной задаче:
- для понимания смысла текста, LSTM-слои позволяют учитываться последовательно слов;
- модель адаптируется к изменениям в структуре заявок и появлению новых паттернов спама;
- снижается нагрузка на сотрудников за счет автоматической классификации и маршрутизации заявок.

Эффективность модели зависит от качества данных для обучения и предобработки текста. Внедрение механизмов автоматического дообучения и расширение датасета могут ещё больше повысить точность классификации.

Методы машинного обучения, такие как нейронные сети и алгоритмы векторизации текста, успешно применяются для предсказания результатов обработки заявок.

В исследовании использовались следующие подходы:
- токензиация и паддинг, предназначенные для преобразования текста в числовые последовательности для анализа;
- векторизация и эмбеддинг, для оценки важности слов и их семантического значения;
- двунаправленные LSTM, позволяющие проводить анализ текста в прямом и обратном порядке для улучшения понимания контекста [5].

Перечисленные методы позволили не только классифицировать заявки, но и прогнозировать их дальнейшую обработку по определению приоритетов, фильтрации спама, оптимизации времени обработки.

Разработанный модуль объединяет Telegram-бота, нейросетевой классификатор и интерфейс администратора в единую систему. На рисунке 1 представлен пример сбора ботом данных пользователей, которые классифицируются моделью на основе LSTM и направляются в соответствующие разделы интерфейса, представленного на рисунке 2.

Ядро системы – нейросетевой классификатор, он интегрируется непосредственно в графическое приложение, позволяя обрабатывать поступающие сообщения в реальном времени. При получении нового обращения бот через callback-функцию передает данные в главное окно приложения, где происходит их классификация и распределение по соответствующим разделам интерфейса. Особенностью реализации стало использование механизма сигналов и слотов PyQt5 для обеспечения потокобезопасности при обновлении интерфейса из фонового потока бота.

Рисунок 1. Пример диалога пользователя с ботом в телеграмм

При выборе конкретного обращения администратор получает полную информацию: время поступления, контактные данные пользователя и текст сообщения. Такая организация позволяет администратору быстро ориентироваться в потоке входящих запросов.

Рисунок 2. Пример работы программы

Важным аспектом интеграции является организация хранения и доступа к данным модели. Система предусматривает два режима работы: с предварительно обученной моделью, загружаемой из папки model_data и с возможностью повторного обучения на новых данных. Такой подход обеспечивает гибкость при эксплуатации системы и позволяет адаптировать классификатор под изменяющиеся условия.

Результатом выполненной работы стало создание целостной системы, где все компоненты работают согласованно, обеспечивая полный цикл обработки заявки от момента обращения пользователя в Telegram до появления классифицированного запроса в интерфейсе администратора.

Перспективным направлением является внедрение анализа тональности текста для определения срочности заявок и интеграция с системами аналитики для прогнозирования нагрузки на отделы. Такой подход позволит ещё больше оптимизировать бизнес-процессы и улучшить качество обслуживания клиентов.

Методы машинного обучения показывают свою эффективность в автоматизации обработки заявок, обеспечивая высокую точность, скорость и адаптивность к изменениям.

Заключение
Разработанное решение открывает новые возможности для автоматизации процессов обработки обращений в различных организациях, способствуя повышению эффективности работы служб поддержки и улучшению качества обслуживания клиентов. Модульный принцип построения системы и использование современных технологий машинного обучения создают прочную основу для дальнейшего развития и адаптации под конкретные бизнес-задачи.

Основные преимущества решения включают:
- снижение нагрузки на операторов;
- уменьшение времени обработки заявок;
- возможность адаптации под специфику различных организаций.

Разработанный модуль обладает значительным потенциалом для применения в различных сферах деятельности, где требуется автоматизация обработки текстовых обращений. Гибкость архитектуры позволяет адаптировать решение под специфические требования конкретных организаций, включая возможность добавления новых категорий классификации и интеграции с различными системами документооборота.

Перспективы дальнейшего развития системы включают внедрение механизмов автоматического дообучения на новых данных, добавление анализа эмоциональной окраски сообщений и расширение функциональности для работы с мультиязычными запросами.

1. Агравал А. Автоматизация предприятия с помощью Python / А. Агравал. - СПб.: Питер, 2022. - 203 с.
2. Кравченко В.О. Методы использования искусственных нейронных сетей / В.О. Кравченко // Устойчивое развитие науки и образования. - 2018. - С. 266.
3. Джулли А., Пал С. Библиотека Keras - инструмент глубокого обучения / А. Джулли, С. Пал; пер. с англ. - М.: ДМК Пресс, 2018. - 296 с.
4. Учебник по обработке естественного языка [Электронный ресурс]. - URL: https://isolution.pro/ru/t/natural-language-processing?alias=ucebnik-po-obrabotke-estestvennogo-azyka (дата обращения 06.05.2025)
5. Отькало И.И. Автоматизация бизнес-процессов: практическое руководство / И.И. Отькало. - М.: СПб.: Питер 2019. - 480 с.

Комментарии пользователей:

Оставить комментарий