Details

В данной выпускной квалификационной работе предлагается решение проблемы автоматизации клиентского сервиса в гостиничной индустрии, заключающееся в разработке и внедрении интеллектуального помощника на базе больших языковых моделей с применением технологии генерации с дополненной выборкой (Retrieval-Augmented Generation, RAG). Для эффективного решения проблемы «галлюцинаций» нейросетей и обеспечения круглосуточной мультиязычной поддержки гостей спроектирована и реализована распределенная микросервисная архитектура. В работе приводится обоснование выбора технологического стека, включающего модуль бизнес-логики на базе Java и Spring Boot, векторную СУБД Qdrant, а также специализированную модель multilingual-e5-base. Описана практическая реализация системы, включая алгоритмы семантической сегментации (чанкинга) базы знаний отеля и маршрутизацию данных через сетевые протоколы HTTP, gRPC и SSE для обеспечения потоковой генерации ответов в реальном времени. Результаты тестирования разработанного чат-бота подтверждают высокую релевантность и фактологическую достоверность генерируемых ответов. Внедрение предложенного решения с применением технологии RAG позволяет преодолевать языковые барьеры при обслуживании клиентов, существенно снижать операционную нагрузку на персонал отелей, а также значительно повышать общее качество пользовательского опыта и удовлетворенность постояльцев.

This graduation thesis proposes a solution to the problem of automating customer service in the hotel industry, consisting in the development and deployment of an intelligent assistant based on large language models using Retrieval-Augmented Generation (Retrieval-Augmented Generation, RAG) technology. To effectively address the problem of neural network “hallucinations” and provide round-the-clock multilingual guest support, a distributed microservice architecture has been designed and implemented. The paper provides a rationale for the choice of the technology stack, including a business logic module based on Java and Spring Boot, the Qdrant vector DBMS, and the specialized multilingual-e5-base model. The practical implementation of the system is described, including algorithms for semantic segmentation (chunking) of the hotel’s knowledge base and data routing via HTTP, gRPC, and SSE network protocols to enable real-time streaming response generation. Testing results of the developed chatbot confirm the high relevance and factual accuracy of the generated responses. The deployment of the proposed solution using RAG technology makes it possible to overcome language barriers in customer service, significantly reduce the operational burden on hotel staff, and substantially improve the overall quality of the user experience and guest satisfaction.