Обработка текстовых документов

Многие компании сталкиваются с необходимостью обработки большого количества текстовых данных (заявки, договоры, документация, запись чатов службы поддержки, отзывы клиентов из различных каналов коммуникаций и др.). Анализ этой информации при помощи технологии машинного обучения позволяет узнать отношение актуальных и потенциальных клиентов к вашей компании, определить актуальные потребности клиентов, обеспечить непопадание персональных данных в публичные документы, а также автоматизировать обработку части документации.

Стоимость услуги рассчитывается индивидуально и начинается от 500 000 рублей. Финальная цена проекта формируется в зависимости от объёма работ: разработка ИТ‑стратегии, подготовка технического задания, формирование ФТТ, оценка эффективности бизнес‑процессов, аудит внедрённых решений и контроль качества реализации.

Технология обработки естественного языка при помощи алгоритмов машинного обучения обладает следующими функциями:

• Определение тональности текста (положительная / нейтральная / отрицательная).

Используется для автоматической классификации клиентских отзывов.

• Классификация текстов

Автоматическое распределение обращений в службу поддержки по направлениям: продажи, определенная группа технической поддержки, сотрудничество с партнерами и др.

• Поиск определенного типа информации

Поиск нежелательных персональных данных по всему тексту документа.

Критерии, по которым модель принимает решение, определяются в процессе ее обучения и зависят от набора данных. Таким образом, поведение модели можно гибко варьировать с помощью внесения корректировок в обучающую выборку. Модель способна оценивать не только отдельные слова, но и взаимосвязи между ними.

Особенностями модели являются поиск включений, которых не было в обучении (например, редких фамилий), и возможность ее переобучения для поиска любых других типов информации: достаточно лишь добавить размеченный набор данных в обучающую выборку.

Результаты внедрения:

• Модель исключает появление в публичных документах конфиденциальной или персональной информации.
• Модель оптимизирует и сокращает время ответа сотрудников технической поддержки. Обращения автоматически направляются профильному специалисту, что увеличивает количество обработанных обращений и уменьшает ожидание ответов клиентам.
• Модель позволяют анализировать настроение клиентов по отзывам, что помогает в принятии дальнейших решений по развитию бизнеса.

 Стек технологий