Детальная информация

Целью работы является создание, обучение и оценка эффективности специализированного программного инструмента для автоматизированной генерации B2B-контента на базе больших языковых моделей (LLM). Методология проведения работы включает теоретический анализ предметной области, методы сбора и предварительной обработки естественного языка, семантический обратный инжиниринг, а также методы эффективного дообучения нейронных сетей (QLoRA, SFT, IPO) и автоматизированной оценки качества текстов с использованием парадигмы LLM-as-a-Judge. В ходе работы получены следующие основные результаты: сформирован репрезентативный датасет из 40 000 публикаций ИТ-компаний в Telegram; произведено дообучение языковой модели Gemma-4; реализован полноценный вычислительный конвейер генерации контента. Сравнительный анализ показал, что модель, прошедшая этап SFT, демонстрирует наивысшую эффективность при создании глубоких технических гайдов, тогда как базовая модель лучше справляется с форматом классических кейс-стади. Областью применения результатов работы являются маркетинговые отделы и SMM-агентства, специализирующиеся на продвижении продуктов и услуг в корпоративном секторе (B2B ИТ). Внедрение разработанного инструмента на базе LLM решает проблему «бутылочного горлышка» технической экспертизы в ИТ-маркетинге. Использование дообученной модели позволяет делегировать искусственному интеллекту перевод сложной инженерной информации на язык профессионального маркетинга, что снижает удельные затраты на производство контента и повышает рентабельность маркетинговых инвестиций без потери фактологической точности.

The objective of this thesis is to develop, train, and evaluate the effectiveness of a specialized software tool for the automated generation of B2B content based on large language models (LLMs). The methodology of the work includes a theoretical analysis of the subject area, methods for collecting and preprocessing natural language, semantic reverse engineering, as well as methods for effective fine-tuning of neural networks (QLoRA, SFT, IPO) and automated text quality assessment using the LLM-as-a-Judge paradigm. The following key results were obtained during the work: a representative dataset of 40,000 publications by IT companies on Telegram was created; the Gemma-4 language model was fine-tuned; and a full-fledged computational pipeline for content generation was implemented. A comparative analysis showed that the model that underwent the SFT stage demonstrates the highest effectiveness in creating in-depth technical guides, whereas the base model performs better with the classic case study format. The results of this work are intended for marketing departments and social media marketing (SMM) agencies specializing in the promotion of products and services in the corporate sector (B2B IT). The implementation of the developed LLM-based tool addresses the bottleneck of technical expertise in IT marketing. Using the fine-tuned model allows for delegating the translation of complex engineering information into professional marketing language to artificial intelligence, which reduces the unit cost of content production and increases the return on marketing investment without compromising factual accuracy.