Методологічні засади універсального підходу до мовної аналітики бізнес-комунікацій на основі великих мовних моделей

Дмитро Жуковський

doi:10.26906/EiR.2025.3(98).3919

Автор(и)

Дмитро Жуковський Український державний університет науки і технологій https://orcid.org/0009-0006-1105-7434

DOI:

https://doi.org/10.26906/EiR.2025.3(98).3919

Ключові слова:

цифрова економіка, системний аналіз, штучний інтелект, обробка природньої мови, мовна аналітика, юніт економіка, великі мовні моделі, управлінський облік, методи машинного навчання

Анотація

У статті обґрунтовується доцільність застосування великих мовних моделей LLM (англ. Large Language Model) як принципово нового інструменту в задачах мовної аналітики для бізнесу. У роботі систематизовано прикладні задачі мовної аналітики, що реалізуються з використанням LLM: автоматичне резюмування діалогів, контроль дотримання скрипта, ідентифікація інтенцій звернень, тематичне тегування, аналіз емоційного тону, кваліфікація лідів, виявлення можливостей апселлінгу та кросселлінгу, обробка обірваних комунікацій та аналіз задоволеності клієнтів. Для кожної задачі запропоновано універсальні промпти із динамічними параметрами, що дозволяє адаптувати інструкції до специфіки окремих галузей бізнесу. Особливий акцент зроблено на трьох секторах із критичною залежністю від мовної аналітики — автодилерському, медичному та банківському.

Біографія автора

Дмитро Жуковський, Український державний університет науки і технологій

аспірант

Посилання

Calderon-Monge E. & Ribeiro-Soriano D. The role of digitalization in business and management: a systematic literature review. Review of Managerial Science. 2023. P. 1–43.

Turing A. M. Computing Machinery and Intelligence. Mind. 1950. Vol. 59. № 236. P. 433–460. DOI: https://doi.org/10.1093/mind/LIX.236.433

Church K. and Mercer R. Introduction to the special issue on computational linguistics using large corpora. Computational Linguistics. 19(1). 1993. P. 1-24.

Bahja M. Natural Language Processing Applications in Business. E-Business - Higher Education and Intelligence Applications. 2020. P. 1-25. DOI: https://doi.org/10.5772/intechopen.92203

5.Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł. and Polosukhin I. (2017) Attention is All You Need.Advances in Neural Information Processing Systems. № 30. P. 5998-6008.

Kang N., Singh B., Afzal Z. Using rule-based natural language processing to improve disease normalization in biomedical text. Journal of the American Medical Informatics Association. № 20(5). 2013. P. 953–958. DOI: https://doi.org/10.1136/amiajnl-2012-001173

Smith J., Brown P., Taylor R. Rule-based natural language processing for clinical practice. Journal of Clinical Informatics. № 38(4). 2024. P. 332-337.

Finkel J.R., Grenager T., Manning C. Bayesian analysis in natural language processing. Computational Linguistics. № 44(1). 2018. P. 187-218. DOI: https://doi.org/10.1162/COLI_r_00310

Hou Y., Huang J. Natural language processing for social science research: A comprehensive review. Chinese Journal of Sociology. № 11(1). P. 121-157. DOI: https://doi.org/10.1177/2057150X241306780

Ge, Y., Al-Garadi, M.A. and Sarker, A. Data Augmentation with Nearest Neighbor Classifier for Few-Shot Named Entity Recognition. Studies in Health Technology and Informatics. № 314. 2024. P. 220-225. DOI: https://doi.org/10.3233/SHTI231053

Wang J., Li Y., Chen Q. A semantics aware random forest for text classification. Pattern Recognition Letters. № 126. 2019. P. 1061-1070. DOI: https://doi.org/10.1145/3357384.3357891

Goldberg Y. A primer on neural network models for natural language processing. Journal of Artificial Intelligence Research. № 60. 2017 .P. 345-420. DOI: https://doi.org/10.1613/jair.4992

Jayatilleke N., Weerasinghe R., Senanayake N. Advancements in Natural Language Processing for Automatic Text Summarization. International Conference on Computer Systems (ICCS). 2024. P. 74-84. DOI: https://doi.org/10.1109/ICCS62594.2024.10795848

Barr V., Klavans J.L. Verification and Validation of Language Processing Systems. Proceedings of the First Meeting of the North American Chapter of the Association for Computational Linguistics. 2001. P. 6-14.

15. Saranraj R., Vasanthakumar A., Arivoli T. Pretrained Natural Language Processing Model for Intent Recognition. Atlantis Press. P. 66-76.

16. Pan Z., Bai K., Wang Y., Zhou L., Liu X. Improving Open-Domain Dialogue Systems via Multi-Turn Incomplete Utterance Restoration. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL). 2019 P. 1824-1833. DOI: https://doi.org/10.18653/v1/D19-1191