Застосунок для виявлення емоційного тону тексту повідомлень на основі трансформерних моделей

Abstract

Метою кваліфікаційної роботи є розробка та програмна реалізація застосунку для автоматизованого розпізнавання емоційного тону користувацьких запитів у CRM-системі ТОВ «Софт Світ» з метою пріоритезації скарг та оптимізації роботи служби техпідтримки. Методами дослідження є методи системного аналізу бізнес-процесів, обробки природної мови (NLP), глибокого машинного навчання (Deep Learning), теорії трансформерних нейромережевих архітектур та математичної статистики. Внаслідок виконання роботи розроблено та практично реалізовано технологічний NLP-конвеєр та програмний застосунок на базі архітектури BERT (bert-base-multilingual-uncased). Проведено донавчання (fine-tuning) моделі на спеціалізованому українськомовному корпусі технічних звернень щодо супроводу продуктів лінійки BAS та M.E.Doc на базі PyTorch. Створено автономний вебзастосунок на фреймворку Streamlit, що функціонує за принципом on-premise та забезпечує пакетну обробку даних і генерацію інтерактивних аналітичних звітів (Bar/Pie Charts) для менеджменту. Експериментальна перевірка підтвердила загальну точність класифікації (Accuracy) 94,44% та досягнення повноти розпізнавання (Recall) 1,00 для критичного негативного класу звернень.

The aim of the qualification work is to develop and programmatically implement an intelligent application for automated emotional tone recognition of user requests in the CRM system of Soft Svit LLC to prioritize complaints and optimize the operations of the technical support service. Research methods include system analysis of business processes, natural language processing (NLP), deep learning, transformer neural network architecture theory, and mathematical statistics. As a result of the work, a technological NLP pipeline and a software application based on the BERT architecture (bert-base-multilingual-uncased) were developed and practically implemented. The model was fine-tuned on a specialized Ukrainianlanguage corpus of technical requests regarding the maintenance of BAS and M.E.Doc software products using PyTorch. An autonomous web application was built using the Streamlit framework, operating on-premise, providing batch data processing and interactive analytical reporting (Bar/Pie Charts) for management. Experimental verification confirmed an overall classification accuracy of 94.44% and a recall of 1.00 for the critical negative class of requests.