Інтелектуальний агент аналізу відгуків користувачів банківських сервісів
Автор: Рудий Петро Андрійович
Кваліфікаційний рівень: магістр
Спеціальність: Аналіз даних (Data Science)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Останні роки характеризуються стрімким розвитком технологій обробки природної мови (Natural Language Processing, NLP) та поширенням великих мовних моделей (Large Language Models, LLM), які радикально змінили методи аналізу текстових даних. Їхнє впровадження у сфери бізнес-аналітики, фінансових технологій і клієнтської підтримки відкрило нові можливості для інтелектуальної автоматизації процесів, створення систем підтримки прийняття рішень і глибшого розуміння поведінки користувачів. Завдяки контекстній чутливості, високій точності класифікації та здатності до інструкційного навчання, LLM стали ефективним інструментом для вирішення завдань класифікації, сентимент-аналізу, резюмування й генерації текстів у реальному часі. Метою даної магістерської роботи є дослідження можливостей застосування великих мовних моделей для автоматизації аналізу клієнтських відгуків у банківській сфері, розроблення архітектури системи, що забезпечує повний цикл обробки текстових даних, та створення інтелектуального агента, який здатний надавати аналітичні висновки у зручній для користувача формі. Актуальність теми зумовлена зростанням обсягів неструктурованих даних, необхідністю швидкої реакції банків на проблеми користувачів, а також потребою у підвищенні якості клієнтського обслуговування та довіри до цифрових сервісів. У роботі розглянуто сучасні підходи до аналізу текстових відгуків, зокрема лексикон-базовані методи, алгоритми машинного навчання, трансформерні архітектури та доменно-специфічні моделі для фінансового сектору (FinBERT, FinEAS). Особливу увагу приділено використанню LLM у режимах zero-shot і few-shot класифікації, що дають змогу досягати високої узгодженості з експертними оцінками без потреби у великих мічених наборах даних. Окремо проаналізовано регуляторні аспекти обробки даних у фінансовій сфері — відповідність принципам GDPR, ISO/IEC 27001 та вимогам НБУ щодо безпеки інформаційних систем і конфіденційності клієнтських відгуків. У рамках дослідження розроблено архітектуру інтелектуальної системи, що базується на хмарній інфраструктурі Amazon Web Services (AWS) та включає сервіси S3, Lambda, Bedrock і Aurora. Така інтеграція забезпечує повний життєвий цикл даних — від завантаження неструктурованих текстів до генерації аналітичних звітів. Запропоновано двоетапну схему класифікації, яка включає первинне визначення типу відгуку (issue, praise, suggestion) та подальшу тематизацію за продуктами і процесами (наприклад, кредити, депозити, перекази коштів). Для комунікації аналітика із системою створено інтелектуального агента, що здатний формувати SQL-запити до бази даних і повертати узагальнені результати у форматі природномовного діалогу. У ході тестування система була випробувана на синтетичному банківському датасеті, створеному на основі реальних анонімізованих відгуків. Результати експериментів показали ефективність обраної архітектури та доцільність двоетапного підходу до класифікації: загальна точність визначення тематики відгуків досягла 82%, а рівень частково правильних класифікацій становив 12%. Тестування із залученням експертів підтвердило високу узгодженість результатів роботи агента з оцінками аналітиків, що свідчить про практичну корисність запропонованого рішення. Розроблена система демонструє, що поєднання LLM з хмарними технологіями AWS забезпечує масштабованість, відмовостійкість і можливість швидкого розгортання у корпоративному середовищі без порушення політик безпеки. Інтелектуальний агент дозволяє автоматизувати значну частину ручної праці аналітиків, зменшити час опрацювання звернень і підвищити якість аналітики у банківських установах. Отримані результати свідчать про потенціал інтеграції таких систем у бізнес-процеси банків для моніторингу клієнтського досвіду, виявлення критичних проблем та прогнозування рівня задоволеності користувачів. Практична цінність розробки полягає у створенні комплексного інструменту аналізу відгуків, що поєднує можливості великих мовних моделей, методів машинного навчання та хмарних сервісів. Система може бути масштабована до корпоративного рівня і використовуватися для аналізу текстових звернень, внутрішніх звітів і комунікаційних потоків у різних галузях. Подальший розвиток передбачає удосконалення агентної архітектури шляхом інтеграції Retrieval-Augmented Generation (RAG), розширення мовної підтримки (українська, англійська, польська) та впровадження автоматичних метрик оцінювання достовірності результатів. Ключові слова: LLM, AWS Bedrock, аналіз відгуків, sentiment analysis, банківські сервіси, інтелектуальний агент, класифікація текстів, AWS Aurora, автоматизація аналітики.