1 of 16

Чат-боты и их применение в цифровой среде

Докладчик

Кислицын Евгений Витальевич

к.э.н., заведующий кафедрой

Информационных технологий

и систем управления

2 of 16

  • Введение: зачем нам это?
  • Классификация чат-ботов
  • Архитектура и технологии чат-ботов
  • Методы обучения и подходы
  • Применение чат-ботов
  • Проблемы и ограничения
  • Немного о будущем

План лекции

3 of 16

  • Программное обеспечение, имитирующее человеческое общение через текст или голос.
  • Чат-бот может быть простым скриптовым или AI-базированным

Что такое чат-бот?

4 of 16

1966 1995 2010-е

История чат-ботов

5 of 16

  • «Как справиться с усталостью?»
  • Ответ ELIZA (1966): «Почему вы думаете, что вы устали?» или «Как давно вы чувствуете усталость?». Она не дает совета, а лишь отражает ваши слова, направляя диалог. Это техника, а не помощь.
  • Ответ ChatGPT (2024): Он, с высокой долей вероятности, сгенерирует структурированный список рекомендаций. Например:
    • «Обеспечьте себе качественный сон 7-9 часов».
    • «Попробуйте техники релаксации, например, медитацию».
    • «Обратите внимание на питание и физическую активность».
    • «Если усталость постоянная, возможно, стоит обратиться к врачу».

Пример

6 of 16

  • Поддержка клиентов
  • Образование и обучение
  • Развлечения и игры
  • Автоматизация процессов

Для чего нужны чат-боты?

7 of 16

Классификация по типу взаимодействия

Тип

Пример

Преимущества

Ограничения

Rule-based

FAQ-бот

Быстро, дешево

Жестко, ограниченный

AI/NLP

ChatGPT

Гибко, обучаемо

Требует ресурсов, ошибки

8 of 16

  • Мессенджеры (Telegram, WhatsApp, VK)
  • Веб-сайты
  • Голосовые помощники

Классификация по каналу

9 of 16

Архитектура чат-бота

Пользователь

Интерфейс

NLP

Логика

API / База

Ответ пользователю

10 of 16

  • NLU/NLP: Rasa, Dialogflow, LUIS
  • Генерация текста: GPT, LLaMA
  • Интеграция: REST API, базы данных

​

Технологии

11 of 16

  • Rule-based: жесткие сценарии
  • Машинное обучение
    • Обучение с учителем
    • Обучение с подкреплением
  • LLM
    • Промптинг
    • Fine Tuning
  • Пример диалога:
    • Скриптовый: «Я не понимаю»
    • LLM: «Можете уточнить ваш вопрос о рейсах?»

​

Методы обучения

12 of 16

  • «У меня сломался тот синий гаджет, который я купил на прошлой неделе».
  • Rule-based бот:
    • Ищет ключевые слова «сломался», «гаджет». Если для «сломался» есть скрипт, может ответить: «Для обращения в службу поддержки перейдите по ссылке...». Если слово «гаджет» не заложено в правила, может ответить: «Я не понимаю».
  • ML-бот (Supervised Learning):
    • Распознает намерение сообщить_о_поломке. Извлекает сущности товар: синий гаджет, время_покупки: на прошлой неделе. Может выполнить действие по скрипту: «Я создаю заявку в техническую поддержку по вашему заказу».
  • LLM-бот (Fine-tuned):
    • Понимает весь контекст. Может ответить: «Понимаю вашу ситуацию. Я нашел ваш заказ — синий гаджет Galaxy X, доставленный 5 дней назад. Чтобы начать процесс возврата или обмена, мне нужно уточнить, в чем именно проявляется поломка?»

​

Пример

13 of 16

  • Бизнес (поддержка, e-commerce, внутренние боты)
  • Образование (ассистенты, тьюторы, администраторы)
  • Развлечения (игры)
  • Здоровье (консультации, психологическая поддержка)

​

Применение чат-ботов

14 of 16

  • Ошибки понимания контекста
  • Генерация некорректной информации
  • Ограниченные сценарии скриптовых ботов

​

Проблемы и ограничения

15 of 16

  • Мультимодальные боты (текст, голос, изображения)
  • Персонализация под пользователя
  • Интеграция с бизнес-процессами (RPA + AI)

​

Будущее чат-ботов

16 of 16

Спасибо за внимание!

Докладчик

Кислицын Евгений Витальевич

к.э.н., заведующий кафедрой

Информационных технологий

и систем управления