Чат-боты служат ценным инструментом для улучшения взаимодействия с клиентами. Традиционный процесс взыскания задолженности отнимает много времени и требует значительных человеческих ресурсов. В данном исследовании мы оценили эффективность предлагаемых систем чат-ботов в оптимизации процесса сбора долгов. Кроме того, в этой работе была изучена категория риска клиента на основе истории платежей с использованием глубокого обучения с подкреплением (Deep Reinforcement Learning). В ходе исследования был разработан чат-бот с помощью инженерии промптов (prompt engineering), а проблема галлюцинаций (нерелевантных ответов) решалась с использованием методов эффективной тонкой настройки параметров (PEFT). Основываясь на категории риска клиента, предложенная модель предлагает гибкие варианты оплаты через модель чат-бота. Был составлен специализированный промпт, содержащий примеры взаимодействия при взыскании долгов, а также правила и нормы процедуры взыскания. При длительном использовании модель может иногда выдавать нерелевантные ответы. Чтобы решить эту проблему, мы создали специализированный набор данных, который фиксирует предпочтительные ответы человека, соответствующие нерелевантным ответам модели. Этот набор данных был использован для обучения с помощью PEFT с целью генерации релевантных ответов. Был проведен сравнительный анализ между GPT 3.5 и Llama 2 7B chat model с помощью инженерии промптов, а результаты были статистически проверены с использованием t-критерия. Экспериментальные результаты показали отсутствие значительных различий в производительности чат-ботов между двумя большими языковыми моделями. Предлагаемый анализ кредитного риска обеспечивает более высокую точность классификации — на 4,35% выше по сравнению с существующими алгоритмами, что было подтверждено с помощью проверки гипотез. Статистический анализ показал, что тонкая настройка с помощью метода LoRA привела к улучшению показателя ROUGE на 25,48% по сравнению с базовой моделью. Это исследование не только сравнивает несколько чат-ботов на основе больших языковых моделей, но и оценивает их по сравнению с существующими моделями чат-ботов, описанными в литературе. Чат-бот на основе большой языковой модели показывает более значимые результаты, чем существующие чат-боты для набора данных ежедневных диалогов (daily dialog dataset), с улучшением показателя BLEU на 61,39% и показателя ROUGE на 129%.

Профессор Кетан Котеча является широко известным исследователем и преподавателем в области глубокого обучения, искусственного интеллекта, компьютерных алгоритмов и машинного обучения, был признан мировым сообществом как один из 2% лучших ученых мира по версии Стэнфордского университета. В настоящее время работает в Международном университете Симбиозис (Symbiosis International University, QS 140) в должности директора и профессора института технологий, является директором центра прикладного искусственного интеллекта Симбиозис (Symbiosis Centre for Applied Artificial Intelligence).