Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Технологии искусственного интеллекта в банковской сфере. Учебное пособие
.pdf
Глава 6
Рис. 46. Файл domain.yml
Для реализации запрограммированной логики обращения к
веб-серверу, а также заполнения форм необходим файл actions.py,
который реализует пользовательские действия. Пользовательские действия — это ответные действия, включающие опреде-
111
Технологии искусственного интеллекта в банковской сфере
ленную часть кода. Этот код может определять что угодно —
от простого текстового ответа до внутренней интеграции —
вызова API, подключения к базе данных или чего-либо еще,
что должен делать виртуальный помощник.
Пример файла actions.py представлен на рисунке 47.
Рис. 47. Файл actions.py
Данная логика называется действием. Действие может запустить любой запрограммированный код. Пользовательские
действия могут включать свет, добавлять события в календарь,
проверять баланс банка пользователя и многое другое. В случае сценария проверки баланса карты ключевое действие —
это заполнение формы и отправка запроса на сервер для получения информации по балансу
112
клиента.
Глава 6
Форма — это один из самых распространенных шаблонов
разговоров. Она нужна, чтобы собрать от пользователя несколько фрагментов информации для совершения конечного
действия (забронировать ресторан, вызвать API, выполнить
поиск в базе данных и т.
д.). Это также называется заполнени-
ем слотов.
В форме определены сущности, которые должны быть обязательно заполнены для совершения действия. В нашем случае
это банковский продукт (карта или счет) и тип банковского
продукта.
Затем отправляется запрос на сервер. Если сервер не нашел
указанный продукт, то пользователю проговаривается сообщение «Не могу
найти продукт: {{тип продукта}} {{продукт}}. Можете повторить запрос?». Если значения прошли
проверку, то пользователю передается сообщение со значением баланса на выбранном продукте.
В приложении был использован локальный сервер, который по GET-запросу http://localhost:3000/products/. формировал JSON-файл. Пример содержания данного файла представлен на рисунке 48.
Рис. 48. Ответ на запрос списка доступных банковских продуктов
113
Технологии искусственного интеллекта в банковской сфере
После реализации приведенных ниже файлов можем протестировать работу модуля понимания речи и систему управления диалогом.
Для этого обучим модель и перейдем в режим тестирования. Процесс тестирования представлен на рисунке 49.
Рис. 49. Тестирование обученной модели
Так, указав фразу «сколько на дебетовой карте», приложение верно распознало намерение пользователя, а также определило сущности: продукт — карта, тип продукта — дебетовая.
114
Глава 6
После разработки модуля распознавания речи и системы
управления диалогом следующим шагом должна быть связка
этих модулей с приложением для виртуального помощника.
На рисунке 50 представлены примеры диалогов в готовом
приложении.
Рис. 50. Пример работы приложения голосового помощника
Технологии искусственного интеллекта в банковской сфере
СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ
1. Шваб К. Четвертая промышленная революция. М. : Эксмо,
2017. 288 с.
2. Searching for the AI Dividend: A Leap into the Unknown? Views
of AI practitioners, from Data Scientists to the Boardroom. SAS Institute
Inc. USA, 2019. 19 p.
3. Банковское дело : учебник / О.
И. Валенцева [и др.] ; под ред. О. И. Лаврушина. М. : КноРус,
Н.
2023. 630 с.
4. Куликов Н.
И., Назарчук Н. П. Банковские ресурсы, их форми-
рование и эффективное использование : монография. Тамбов : Изд-во
ТГТУ, 2014. 108 с.
5. Ливадина Е.
А. Методика анализа валютных операций банка //
Валютное регулирование. Валютный контроль. 2018. №
6. Ткаченко С.
Н., Куценко Е. А. Использование CRM-системы
для анализа эффективности работы сотрудников банка // Вестник Балтийского федерального университета им. И. Канта. Сер.: Физико-математические и технические науки. 2020. №
7. Core Banking System // Gartner : [сайт]. URL: https://www.gart
ner.com/en/information-technology/glossary/core-banking-systems (дата об-
ращения: 15.05.2022).
8. Структура аналитического хранилища данных как инструмен-
та обработки и анализа данных банковской организации / Е.
тапова, С.
Н. Ткаченко, М. Н. Протасевич, А. Н. Алещенко // Фунда-
ментальные и прикладные исследования в области высоких технологий : сб. науч. тр. Вып. 1. Калининград : Изд-во БФУ им. И. Канта,
2023. С. 65—72.
9. Туманов В.
Е. Проектирование хранилищ данных для систем
деловой осведомленности (Business Intelligence Systems) : учебное
пособие. 4-е изд. М. : Интернет-Университет информационных технологий (ИНТУИТ) ; Ай Пи Ар Медиа, 2022. 937 c.
10. Точилкина Т.
Е., Громова А. А. Хранилища данных и средства
бизнес-аналитики : учебное пособие. М. : Финансовый университет,
2017. 161 с.
И. Лаврушин, Н. Е. Бровкина,
4. С. 48—56.
4. С. 5—9.
С. По-
116
Список рекомендуемой литературы
11. Орлова М.
С. Применение модели многомерной базы данных //
Научные труды магистрантов и аспирантов : сб. науч. тр. / отв. ред.
Д.
А. Погонышев. Вып. 17. Нижневартовск : Нижневартовский госу-
дарственный университет, 2020. С. 179—182.
12. Kimball R., Ross M. The Data Warehouse Toolkit: The Definitive
Guide to Dimensional Modeling. New Jersey : Wiley, 2013.
13. ГОСТ Р 56215-2014/ISO/TS 8000-150:2011 «Качество данных».
М. : Стандартинформ, 2020.
14. Паклин Н.
Б., Орешков В. И. Бизнес-аналитика: от данных к
знаниям : учебное пособие. 2-е изд., испр. СПб. : Питер, 2013. 704 с.
15. Марасанов А.
М., Аносова Н. П., Бородин О. О., Гаврилов Е. С.
Распределенные базы и хранилища данных. М. : Национальный Открытый Университет «ИНТУИТ», 2016. 254 с.
16. Злобина А.
Наука техника и образование. 2016. №
17. Лапшина М.
В. Обзор методологии и архитектуры Data Vault //
9. С. 50—54.
Л. Экспертные системы и теория принятия ре-
шений : учебное пособие. Воронеж : ВГЛТУ, 2020. 118 с.
18. Tkachenko S., Burmistrov V., Shpilevaya S. Application of meth-
ods based on ensembles and deep neural networks to estimating the cost
of commercial real estate // X International Annual Conference «Industrial Technologies and Engineering» (ICITE 2023), Shymkent, Kazakhstan,
9—10 ноября 2023 года. 2024. Vol. 474. P. 02021. doi: 10.1051/e3
sconf/202447402021.
19. Russell S., Norvig P. Artificial Intelligence: A Modern Approach.
Hoboken : Pearson, 2020. 1023 p.
20. Lecun Ya., Bengio Y. Convolutional Networks for Images,
Speech, and Time-Series. The Handbook of Brain Theory and Neural
Networks, 1995.
21. Алгоритмы машинного обучения (обзор). Ч. 1: Задачи клас-
сификации и регрессии. Линейные алгоритмы в машинном обучении. Применение алгоритмов машинного обучения для расчета
прочностных характеристик
И.
Г. Сибаев [и др.] // Авиационные материалы и технологии. 2022.
№
3 (68). С. 130—146. doi: 10.18577/2713-0193-2022-0-3.
материалов / Е. И. Орешко, В. С. Ерасов,
22. Hyvärinen A., Oja E. Independent component analysis: algorithms
and applications // Neural Networks. 2000. Vol. 13, iss. 4—5. P. 411—430.
23. Schapire R.
E. The Strength of Weak Learnability // Machine
Learning. 1990. Vol. 5. Р. 197—227.
117
Технологии искусственного интеллекта в банковской сфере
24. Breiman L. Bagging Predictors // Machine Learning. 1996. Vol. 24.
Р. 123—140.
25. Efron B., Tibshirani R.
J. An Introduction to the Bootstrap // Mo-
nographs on Statistics and applied probability. 1993. Vol. 57.
26. Freund Y., Schapire R.
E. A Short Introduction to Boosting: Pro-
ceedings of the Sixteenth International Joint Conference on Artificial Intelligence // Journal of Japanese Society for Artificial Intelligence. 1999.
Sept. P. 771—780.
27. Friedman J.
H. Greedy function approximation: A gradient boost-
ing machine. Ann. : Statistic, 2001.
28. Фомина Е.
Е. Использование алгоритма Random forest для об-
работки социально-экономических данных // Вестник ПНИПУ. Социально-экономические науки. 2022. №
1. С. 142—153.
29. Ke G., Meng Q., Finley Th. et al. LightGBM: a highly efficient
gradient boosting decision tree // Proceedings of the 31st International
Conference on Neural Information Processing Systems (NIPS'17). Curran
Associates Inc., Red Hook, N.
30. Потехин В.
В., Ассалама Л. Hand gesture recognition using
Y., 2017. Р. 3149—3157.
SEMG with XGBOOST, and averaging for augmentation // Системный
анализ в проектировании и управлении. 2023. Vol. XXVI, №
2.
Р. 74—88.
31. Дудченко Д.
задачах регрессии // Вестник науки. 2024. №
В. Применение модели градиентного бустинга в
6 (75). С. 1344—1347.
32. Cohen J. A coefficient of agreement for nominal scales // Educational and Psychological Measurement. 1960. Vol. 20. Р. 37—46.
33. Matthews B.
W. Comparison of the predicted and observed sec-
ondary structure of T4 phage lysozyme // Biochimica et Biophysica Acta
(BBA) Protein Structure. 1975. Vol. 405. Р. 442—451.
34. Chicco D., Warrens M.
J., Jurman G. The Matthews Correlation
Coefficient (MCC) is More Informative Than Cohen’s Kappa and Brier
Score in Binary Classification Assessment // IEEE Access. 2021. Vol. 9.
35. Старовойтов В.
нарной классификации // Информатика. 2020. Т. 17, №
В. Сравнительный анализ оценок качества би-
1. С. 87—101.
36. Stallkamp J., Schlipsing M., Salmen J., Igel C. Man vs. computer:
Bench marking machine learning algorithms for traffic sign recognition //
Neural Networks. 2012. Vol. 32. P. 323—332.
37. Labeled Faces in the Wild Home // Labeled Faces in the Wild. URL:
http://vis-www.cs.umass.edu/lfw/#views (дата обращения: 11.09.2024).
118
Список рекомендуемой литературы
. Viola P., Jones M.
38
J. Robust Real-Time Face Detection // Interna-
tional Journal of Computer Vision. 2004. Vol. 57. P. 137—154.
39. Qt Designer Manual. URL: https://doc.qt.io/archives/qt-4.8/desig
ner-manual.html (дата обращения: 11.09.2024).
40. Fitzpatrick M. Create GUI Applications with Python & Qt5 (PyQt5
Edition): The hands-on guide to making apps with Python (Independently
published). 2020. Р. 718.
41. Development of a Face Identification System's Prototype / S.
chenko, A.
V. Pichugina, A. A. Shpilevoy, A. I. Zakharov // Journal of
N. Tka-
Physics: Conference Series: 2, Virtual, Online, 3—6 декабря 2021 года.
2022. Vol. 2224. P. 012003. doi: 10.1088/1742-6596/2224/1/ 012003.
42. Гальченко Ю.
тональности методами машинного обучения // SAEC. 2023. №
В., Нестеров С. А. Классификация текстов по
3.
С. 369—378.
43. Романова Е.
ления системой // Хроноэкономика. 2019. №
44. Попова А.
В., Двигубский А. В. Чат-боты как элемент управ-
7 (20). С. 94—99.
Г., Чан Туан Минь. Определение особенностей ис-
пользования системы IVR в центрах обслуживания вызовов // T-Comm.
2009. №
S1. С. 51—53.
45. Ткаченко С.
Н. Основы проектирования баз данных : учебник.
М. : КноРус, 2024. 178 с.
46. Ткаченко С.
Н., Мищук Б. Р. Методы и средства проектирова-
ния информационных систем и технологий : учебник (бакалавриат).
М. : КноРус, 2022. 224 с.
Учебное издание
Ткаченко Сергей Николаевич
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В БАНКОВСКОЙ СФЕРЕ
Учебное пособие
Редактор В. Е. Москаленко
Компьютерная верстка Г.
Подписано в печать 22.11.2024 г.
Дата выхода в свет 11.12.2024 г.
Формат 60
Тираж 300 экз. (1-й завод 40 экз.). Заказ 136
Издательство Балтийского федерального университета им. И. Канта
236041, г. Калининград, ул. А. Невского, 14
90
И. Винокуровой
1
/16. Усл. печ. л. 7,5
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]