Скоринговая оценка Клиента Банка

На площадке Компании развернут стенд, на котором установлено приложение с подключенной библиотекой TensorFlow для обучения нейросети. Данное приложение может принимать в качестве исходных данных для обучения информацию об организации в виде числовых и качественных параметров и полученный рейтинг. В результате обучения приложение формирует нейросеть, которая загружается в Систему оценки Клиентов и расчета рейтингов (java web-приложение), где используется в качестве расчетной модели рейтингования Клиентов.

Аналогично обучается нейросеть по скоринговым картам физических лиц по соответствующим исходным данным. Система построена таким образом, что нейросеть может дообучаться в процессе работы и при получении новых данных.

Тональность высказываний

Анализ тональности высказываний пользователей в чатах и социальных сетях заключается в определении эмоциональной окраски сообщений. Основная задача заключается в определении, является ли высказывание позитивным, негативным или нейтральным.

Для анализа тональности используются различные методы машинного обучения и обработки естественного языка. Некоторые из них включают использование словарей, статистических алгоритмов, анализа синтаксических структур и машинного обучения на размеченных данных.

Дополнительные методы могут включать использование глубокого обучения, анализа эмоциональных выражений, учёта контекста и других факторов, чтобы повысить точность анализа.

Анализ тональности высказываний пользователей в чатах и социальных сетях может быть полезен для определения общественного мнения, выявления настроений пользователей, анализа реакции на продукты и услуги, мониторинга репутации и других целей.

Анализ тональности высказываний возможен в следующих применениях:

Простое применение анализа тональности высказываний – деление на позитивные, негативные и нейтральные отзывы для определения общественного мнения, выявления настроений пользователей, для составления рейтинга продукта, персоны, явления и (как вариант) своевременного отклика, коррекции мнений.

При сложном анализе тональности высказываний возможен учёт градаций позитивного, негативного и нейтрального отклика, например для оценок товара: “мне ужасно не нравится, но если бы было то-то и то-то..”, “мне не нравится и не понравится ни при каких условиях”, “’это невозможно использовать, но хотелось бы такой же, но с чёрным низом и белым верхом..”, ”мне категорически всё равно”, “мне очень нравится, но есть нюанс..” и так далее.

В зависимости от градаций оценок пользователей можно принимать решение о целесообразности учитывать этот отзыв и необходимости с ним работать (отвечать на сообщения, производить замену товара, предлагать рекламировать товар).

Использование нейросети для прогнозирования входящих звонков call-центра

По заказу одного из call-центра Калифорнии, США был реализован пилотный вариант робота приема входящих звонков, который на основе обработки поступающего звонка (персона, тема) и анализа ранее полученной информации из соц.сетей маршрутизирует звонок нужному оператору с короткой справкой по теме.