Разработка интеллектуальной системы аналитики текстовой информации с помощью больших языковых моделей
Ключевые слова:
большие языковые модели, аналитика текста, маркетинг, интерпретация данных, классификация, бизнес процессы, интеллектуальные системыАннотация
В работе рассматривается подход к созданию интеллектуальной системы аналитики текстовой информации в маркетинге на основе больших языковых моделей. Предложена схема бизнес-процессов, вариантов использования и архитектура системы. Внедрение системы, основанной на разработанных бизнес‑процессах и архитектурных принципах, создаёт предпосылки для значительного повышения эффективности работы маркетинговых, продуктовых и аналитических подразделений, а также способствует ускорению принятия решений, повышению качества клиентской аналитики, своевременному выявлению трендов и рисков, а также формированию более точных и обоснованных стратегических рекомендаций для развития цифровых продуктов и коммуникаций с пользователем.
Библиографические ссылки
Иванов, А. А. Анализ пользовательского контента в социальных сетях для оценки репутации бренда / А. А. Иванов, М. С. Лебедев // Маркетинг и маркетинговые исследования. – 2021. – № 4. – С. 22–31.
Соловьёв, И. В. Методы мониторинга социальных медиа в задачах управления клиентским опытом / И. В. Соловьёв, Е. А. Громова // Управление. – 2022. – № 3. – С. 45–54.
Киселёв, П. Н. Применение интеллек-туальных систем для анализа отзывов и обращений потребителей / П. Н. Киселёв, Л. В. Сафонова // Информационные системы и технологии. – 2021. – № 6. – С. 112–120.
Морозова, Т. В. Технологии анализа больших данных в маркетинге: инструменты и подходы / Т. В. Морозова, А. П. Данилов // Вестник РГГУ. Серия: Экономика. – 2018. – № 4. – С. 89–98.
Махтибеков, А. Управление репутацией бренда через социальные медиа как стратегический инструмент PR / А. Махтибеков // Theoretical & Applied Science. – 2025. – № 4(144). – С. 24-28.
Федоров, А. М. Метод интеграции больших языковых моделей в алгоритмы фокусированного мониторинга открытых данных социальных медиа / А. М. Федоров, И. О. Датьев, И. Г. Вишняков // Информатика и автоматизация. – 2025. – Т. 24, № 6. – С. 1623-1648.
Пимешков, В. К. Комбинированный метод извлечения терминов для задачи мониторинга тематических обсуждений в социальных медиа / В. К. Пимешков, М. Л. Никонорова, М. Г. Шишаев // Информатика и автоматизация. – 2024. – Т. 23, № 4. – С. 1110-1138.
Буравлев, А. С. Анализ качества реконструкции бизнес-процессов с помощью языковой модели ChatGPT / А. С. Буравлев, Д. Е. Демидова, Е. А. Ткачева // Техника средств связи. – 2025. – № 1(169). – С. 84-97.
Серова, В. С. Гибридный метод класси-фикации текстовых данных с узкоспециа-лизированной терминологией / В. С. Серова, А. В. Голлай, Е. В. Бунова // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2025. – Т. 25, № 3. – С. 42-52.
Мухамедиев, Р. И. Облачные сервисы для обработки текстов на естественном языке / Р. И. Мухамедиев, Л. А. Анварова, Я. Кучин, А. Сымагулов // Современные информационные технологии и ИТ‑образование. – 2018. – Т. 14, № 3. – С. 540–551.
Технология обработки естественного языка / Microsoft Azure Architecture Center // Microsoft Learn. – 2023. – URL: https://learn.microsoft.com
Поспелов, Д. А. Применение методов машинного обучения для анализа текстовой информации в корпоративных системах / Д. А. Поспелов, Е. В. Крылова // Информационные системы и технологии. – 2021. – № 6. – С. 118–126.
Чернышов, А. В. Применение технологий искусственного интеллекта для автоматизации обработки текстовых данных / А. В. Чернышов, Л. С. Громова // Информационные технологии и телекоммуникации. – 2022. – Т. 10, № 1. – С. 15–27.
