Wedi'i Gadw mewn:
| Prif Awduron: | , , , |
|---|---|
| Fformat: | Recurso digital |
| Iaith: | Rwseg |
| Cyhoeddwyd: |
Zenodo
2025
|
| Pynciau: | |
| Mynediad Ar-lein: | https://doi.org/10.5281/zenodo.17849657 |
| Tagiau: |
Ychwanegu Tag
Dim Tagiau, Byddwch y cyntaf i dagio'r cofnod hwn!
|
Tabl Cynhwysion:
- <p><span>В статье представлен результат проектирования модели адаптивной архитектуры интеллектуального агента с естественным языковым интерфейсом, предназначенного для функционирования на платформе, обеспечивающей мультилинейную техническую поддержку пользователей. Проведен анализ научных публикаций исследователей, касающихся разработки интеллектуальных систем и AI-агентов, для создания высокопроизводительного инструмента автоматизированной поддержки пользователей, который снижает нагрузку на сотрудников команды технической поддержки и команды разработчиков, что обеспечивает повышение качества поддержки клиентов и сокращает время реагирования системы на их запросы. Архитектура AI-агента предназначена для предиктивного и контекстно-зависимого анализа обращений первого уровня техподдержки. Благодаря способности к самообучению и автоматической генерации решений, система способна обеспечить качественно новый уровень обслуживания клиентов и минимизировать задержку ответа. Статья описывает структуру основных модулей, включающих обоснованную выборку моделей до обучения и ключевые компоненты разработки. Важнейшие этапы разработки AI-агента включают сбор и предварительную обработку данных, обучение модели, создание основного программного модуля, проведение тестирования и интеграцию разработанной системы. Все перечисленные стадии играют ключевую роль в обеспечении эффективного взаимодействия AI-агента с пользователями, формировании точного и адекватного ответа, а также успешной интеграции с существующими каналами связи и эффективному решению поставленных задач. Исследование демонстрирует необходимость тщательного подхода ко всем этапам разработки для обеспечения высокого качества функционирования и надежности проектируемого AI-агента. Также в статье рассмотрен модуль оценки качества работы AI-агента, тестирование выполнено инструментом G-Eval и учитывающим семантику, что признано лучшим способом оценки точности ответов. В заключении представлен результат мониторинга качества генерируемых ответов и визуализация результатов.</span></p>