Применение -моделей для извлечения ценовой информации из неструктурированных диалогов
(Стр. 182-193)

Цель. В данной статье рассмотрены теоретические и практические аспекты применения моделей обработки естественного языка (NLP) в бизнес-процессах организаций различного масштаба. Целью исследования является систематизация и анализ основных направлений применения NLP-моделей в современном бизнесе, а также разработка практических рекомендаций по их эффективному внедрению. Модель. Исследование опирается на работы зарубежных авторов, концептуально изучавших применение NLP-моделей применительно к различным бизнес-процессам. Методология исследования основана на системном анализе научных публикаций и отраслевых отчетов, сравнительном анализе технологических решений и структурно-функциональном подходе к систематизации областей применения NLP. Выводы. Проведен анализ основных задач, решаемых с помощью NLP-моделей в бизнесе, среди которых отмечены генерация текстового контента, классификация текстов, автоматизация клиентской поддержки, саммаризация информации, машинный перевод и персонализация маркетингового взаимодействия. Исследован технологический пайплайн создания и обучения NLP-моделей с детальным рассмотрением процессов токенизации, векторного представления данных и применения механизма внимания. Проведен эксперимент по применению NLP-моделей для решения бизнес-задачи извлечения ценовой информации из неструктурированных диалогов, который показал значительное превосходство языковых моделей (точность 75%) над традиционными подходами. Показан пример пошаговой интеграции трех методов обработки русскоязычных текстов с увеличением точности с 22,4 до 75% при идентификации финансовых параметров сделок». Результаты исследования демонстрируют высокий потенциал NLP-технологий для оптимизации бизнес-процессов. Выявлено, что, несмотря на растущий интерес к данным технологиям, их полноценное внедрение в бизнес-процессы отечественных компаний остается ограниченным. Практическое значение. Сформулированы практические рекомендации по стратегическому подходу к внедрению NLP-технологий, включающие поэтапную интеграцию с измеримыми результатами, фокус на решении конкретных бизнес-задач и необходимость инвестиций в обучение персонала. Показан пример применения модели для решения задачи по извлечению информации из корпусов текста на русском языке. Социальные последствия. Широкое внедрение NLP-технологий в бизнесе ведет к значительным изменениям в структуре занятости, требуя переквалификации специалистов и создания новых компетенций на рынке труда. Оригинальность/ценность. Исследование представляет ценность для руководителей бизнеса, ИТ-специалистов и специалистов по цифровой трансформации, предложен комплексный анализ возможностей применения NLP-технологий в различных отраслях экономики. Новизна работы заключается в систематизации направлений применения NLP-моделей в бизнесе с учетом российской специфики и текущих рыночных тенденций.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Бокарев Д.В., Никишов C.И. Применение NLP-моделей для извлечения ценовой информации из неструктурированных диалогов // Computational Nanotechnology. 2025. Т. 12. № 1. С. 182-193. DOI: 10.33693/2313-223X-2025-12-1-182-193. EDN: NDXMJR

Атоев В.В., Чувенков А.Ф. Применение технологий искусственного интеллекта для анализа удовлетворенности клиентов в сфере доставки еды // Научный вектор: сборник научных трудов. Ростов-н/Д.: Ростовский гос. экон. ун-т «РИНХ», 2024. С. 304–306. EDN: NVZEPI.
Батищев А.В., Мамедов Р.С., Кондратенко Н.А., Вол­ков А.В. Достижение бизнес-целей посредством использования NLP // Естественно-гуманитарные исследования. 2023. № 6 (50). С. 596–600. EDN: PGNTXJ.
Мартынова И.Р., Платонов Е.Н. Семантический анализ отзывов об организациях методами машинного обучения // Моделирование и анализ данных. 2024. Т. 14. № 1. С. 7–26. DOI: 10.17759/mda.2024140101. EDN: FWXPLF.
Рогаткин А.В. Использование технологий искусственного интеллекта для автоматизации процессов обслуживания клиентов и повышения качества сервиса // Хлебопечение России. 2024. Т. 68. № 2. С. 100–107. EDN: OGCJXG.
Arif W. Leveraging Natural Language Processing (NLP) for automated customer support systems. 2024. URL: https://www.researchgate.net/publication/384678656_Leveraging_Natural_Language_Processing_NLP_for_Automated_Customer_Support_Systems
Bahja M. Natural Language Processing applications in business. 2021. DOI: 10.5772/intechopen.92203. URL: https://www.intechopen.com/chapters/71990
Cappel J., Chasin F. Bridging enterprise knowledge management and Natural Language Processing – integration framework and a prototype // Design Science research for a resilient future. Proceedings of 19th International Conference on Design Science Research in Information Systems and Technology, DESRIST 2024 (Trollhättan, Sweden, June 3–5, 2024). 2024. Pp. 278–294. DOI: 10.1007/978-3-031-61175-9_19.
Collobert R., Weston J. A unified architecture for natural language processing: Deep neural networks with multitask learning // Proceedings of the 25th international conference on machine learning. 2008. Pp. 160–167.
Devlin J., Chang M.W., Lee K., Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. 2019. Pp. 4171–4186.
Fisher I.E., Garnsey M.R., Hughes M.E. Natural language processing in accounting, auditing and finance: A synthesis of the literature with a roadmap for future research // Intelligent Systems in Accounting, Finance and Management. 2016. No. 23 (3). Pp. 157–214.
Følstad A., Nordheim C.B., Bjørkli C.A. What makes users trust a chatbot for customer service? An exploratory interview study // International Conference on Internet Science. 2018. Pp. 194–208.
Howard J., Ruder S. Universal language model fine-tuning for text classification // Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics. 2018. Pp. 328–339.
Hutchins J. Machine translation: Past, present, future. N.Y.: Ellis Horwood, 1986. 382 p. (Ellis Horwood Series in Computers and their Applications)
Jelinek F. Self-organized language modeling for speech recognition // Readings in speech recognition. 1990. Pp. 450–506.
Liu Y., Ott M., Goyal N. et al. RoBERTa: A robustly optimized BERT pretraining approach // arXiv preprint arXiv:1907.11692. 2019.
Mikolov T., Chen K., Corrado G., Dean J. Efficient estimation of word representations in vector space // arXiv preprint arXiv:1301.3781. 2013.
Pennington J., Socher R., Manning C.D. GloVe: Global vectors for word representation // Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP). 2014. Pp. 1532–1543.
Sintoris K., Vergidis K. Extracting business process models using Natural Language Processing (NLP) techniques. 2017. Pp. 135–139. DOI: 10.1109/CBI.2017.41.
Turing A.M. Computing machinery and intelligence // Mind. 1950. No. 59 (236). Pp. 433–460.
Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need // Advances in neural information processing systems. 2017. Pp. 5998–6008.

искусственный интеллект, малый и средний бизнес, NLP в бизнесе, обработка естественного языка, рынок.