СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧЕ АВТОМАТИЗИРОВАННОГО РАСПРЕДЕЛЕНИЯ ЗАДАЧ

Abstract

В данной статье рассматривается проблема автоматизации распределения входящих заявок (задач) между сотрудниками ИТ-подразделения с использованием методов машинного обучения (ML) и обработки естественного языка (NLP). Проведен детальный сравнительный анализ классических подходов (на базе алгоритма TF-IDF) и современных методов извлечения признаков на основе нейросетевых архитектур-трансформеров (семейства BERT), включая эмуляцию работы векторных баз данных (k-NN) для семантического поиска. В ходе исследования выявлена фундаментальная проблема специфичности предметной области, из-за которой предобученные языковые модели без тонкой настройки (fine-tuning) демонстрируют значительное снижение точности по сравнению с частотными алгоритмами. Установлено, что адаптация (дообучение) нейросетевой модели под корпоративный контекст позволяет повысить общую точность (Accuracy) классификации на 30 сильно несбалансированных классов с 41.5% (классический метод) до 48.4%, существенно улучшая способность системы распознавать редкие классы. Дополнительно доказана практическая эффективность гибридного векторного поиска (Fine-Tuned BERT + k-NN), который при сопоставимой предсказательной способности (47.1%) обеспечивает высокую интерпретируемость решений (Explainable AI) и архитектурную устойчивость к изменениям кадрового состава без необходимости регулярного переобучения всей системы. Ключевые слова: машинное обучение, обработка естественного языка (NLP), векторные базы данных, BERT, TF-IDF, классификация текстов, автоматизация Service Desk, Explainable AI.