ЗАСТОСУВАННЯ ПРИРОДНОЇ МОВНОЇ ОБРОБКИ ДЛЯ АВТОМАТИЗАЦІЇ АНАЛІЗУ ВІДГУКІВ КОРИСТУВАЧІВ
DOI:
https://doi.org/10.60022/sis.3.(02).5Ключові слова:
штучний інтелект, фінансові ризики, машинне навчання, кредитний ризик, нейронні мережі, автоматизована система управління, прогнозування, класифікаціяАнотація
Метою представленої статті є дослідження застосування штучного інтелекту в автоматизованих системах управління фінансовими ризиками для підвищення точності, оперативності та ефективності прийняття управлінських рішень у фінансовій сфері. Дослідження полягає у комплексному вивченні теоретичних і методичних основ застосування штучного інтелекту в системах управління, аналізу сучасних підходів до класифікації та оцінки фінансових ризиків із використанням алгоритмів машинного навчання, формуванні архітектури системи підтримки прийняття рішень на основі моделей прогнозування, а також оцінці ефективності побудованих моделей за результатами симуляційного моделювання. У межах проведеного дослідження розроблено модель прогнозування кредитного ризику клієнтів банку, яка дозволяє здійснювати оцінку платоспроможності на основі історичних даних та сучасних методів машинного навчання. Методом дослідження є моделювання за допомогою інструментів машинного навчання, зокрема нейронних мереж і методів ансамблевого навчання (Random Forest), а також аналізування даних із використанням платформ для візуалізації результатів і оцінки ефективності моделей. Особливу увагу приділено підготовці даних, вибору релевантних ознак, оцінці точності моделей та побудові інтерпретованих візуалізацій, таких як SHAP-графіки, ROC-криві тощо. Результатом проведеного дослідження стало створення ефективної моделі прогнозування кредитного ризику, яка демонструє достатньо високий рівень точності класифікації та здатність до адаптації при зміні вхідних умов. Практичне значення дослідження полягає у можливості впровадження розробленої моделі до існуючих автоматизованих систем управління фінансовими ризиками банківських установ, що дозволить зменшити рівень кредитних втрат, підвищити фінансову стабільність і забезпечити більш точне управління ризиками. Такий підхід сприяє розвитку інтелектуальних фінансових систем, підвищенню рівня автоматизації управлінських рішень та зміцненню конкурентоспроможності фінансових установ у сучасних ринкових умовах.
Посилання
Acheampong, F. A., Wenyu C., Nunoo-Mensah H. Text-based emotion detection: Advances, challenges, and opportu- nities. Engineering Reports. 2020. Vol. 2, No. 7.
Amazon Comprehend Documentation [Електронний реcурc] // Amazon Web Services. 2024. URL: https://docs.aws.amazon.com/comprehend/.
Amazon Reviews Dataset [Електронний реcурc] // Registry of Open Data on AWS. 2023. URL: https://registry. opendata.aws/amazon-reviews/.
Bird, S., Klein, E., Loper, E. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. O’Reilly Media, 2019. 504 p.
Chen, Z., Qian, T. Transfer Capsule Network for Aspect Level Sentiment Classification. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. 2019. P. 547–556.
Conneau, A. Unsupervised Cross-lingual Representation Learning at Scale. Proc. ACL 2020, pp. 440–451.
Devlin, J., Chang, M.W., Lee, K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Lan- guage Understanding. Proceedings of NAACL-HLT 2019. 2019. P. 171–186.
Global AI Survey: AI proves its worth, but few scale impact [Електронний реcурc] // McKinsey & Company. 2023. URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-ai-survey-ai-proves-its-worth-but-few-scale-impact.
Goldberg, Y. Neural Network Methods for Natural Language Processing. Synthesis Lectures on Human Language Technologies. 2017. Vol. 10, No. 1. P. 1–309.
Google Cloud Natural Language API [Електронний реcурc] // Google Cloud. 2024. URL: https://cloud.google.com/natural-language.
Hugging, Face Transformers Documentation [Електронний реcурc] // Hugging Face. 2024. URL: https://hugging-face.co/docs/transformers/.
Jurafsky, D., Martin, J.H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. 3rd ed. draft. Pearson, 2023. [Електронний реcурc]. URL: https://web.stanford.edu/~jurafsky/slp3/.
Kim, Y. Convolutional Neural Networks for Sentence Classification. Proceedings of the 2014 Conference on Empir- ical Methods in Natural Language Processing (EMNLP). 2014. P. 746–751.
Liu, Y., Ott M., Goyal N. et al. RoBERTa: A Robustly Optimized BERT Pretraining Approach [Електронний реcурc] // arXiv preprint. 2019. URL: https://arxiv.org/abs/1907.11692.
Mikolov, T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space. Proceed- ings of the International Conference on Learning Representations (ICLR 2013). 2013. P. 16–19.
NLTK Documentation [Електронний реcурc] // Natural Language Toolkit. 2024. URL: https://www.nltk.org/.
NLP Progress: Sentiment Analysis [Електронний реcурc] // NLP Progress. 2023. URL: http://nlpprogress.com/english/sentiment_analysis.html.
Pontiki, M., Galanis D., Papageorgiou H. et al. SemEval-2016 Task 5: Aspect Based Sentiment Analysis. Proceed- ings of the 10th International Workshop on Semantic Evaluation. 2016. P. 19–30.
Poria S., Cambria E., Gelbukh A. Aspect Extraction for Opinion Mining with a Deep Convolutional Neural Net- work. Knowledge-Based Systems. 2016. Vol. 108. P. 42–49.
PyTorch Documentation [Електронний реcурc] // PyTorch. 2024. URL: https://pytorch.org/docs/stable/.
Sanh, V., Debut L., Chaumond J., Wolf T. DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter [Електронний реcурc] // arXiv preprint. 2019. URL: https://arxiv.org/abs/1910.01108.
SemEval-2022 Tasks [Електронний реcурc] // International Workshop on Semantic Evaluation. 2022. URL: https://semeval.github.io/SemEval2022/tasks.html.
Yelp Open Dataset [Електронний реcурc] // Yelp. 2023. URL: https://www.yelp.com/dataset.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Юрій Скорін, Богдан Петренко

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.