Разработка интеллектуального консультанта для работников СПб ГКУ «МФЦ»

Описание:

Участникам хакатона при помощи методов искусственного интеллекта и анализа больших данных, включающих базу данных описания услуг, перечня вопросов и ответов работников МФЦ, необходимо разработать расширение для LMS Joomla, совместимое с версией 3.0. В приложении должен быть предусмотрен интерфейс для ввода запроса пользователем, на которые генерируется ответ согласно сведениям, полученным из базы знаний и перечня вопросов и ответов.

🍀 Кейсодержатель:

Санкт-Петербургское государственное казенное учреждение «Многофункциональный центр предоставления государственных и муниципальных услуг». Организация предоставления государственных и муниципальных услуг по принципу «одного окна» в соответствии с соглашениями о взаимодействии с федеральными органами исполнительной власти, органами государственных внебюджетных фондов, исполнительными органами государственной власти Санкт-Петербурга, органами местного самоуправления.

🍀 Проблематика:

Повышение качества предоставления государственных услуг является одной из приоритетных задач СПб ГКУ «МФЦ». На качество предоставление услуг влияют следующие факторы:

• Увеличение количества предоставляемых услуг в МФЦ;
• Отсутствие специализации работников МФЦ, осуществляющих приём документов;
• Высокая загруженность ведущих специалистов, осуществляющих консультирование работников,
• Частое изменение законодательства и необходимость ориентироваться в большом количестве информации в базе знаний.

🍀 Решение:

Внедрение чат-бота с искусственным интеллектом позволит повысить скорость и качество поиска информации в базе знаний. Работники смогут оперативно получать необходимую консультацию, а ведущие специалисты смогут сконцентрироваться на проверке принятых обращений, что позитивно скажется на скорости и качестве предоставления государственных услуг.

Installation:

pip install -r requirements.txt

---

Project Organization

├── LICENSE
├── Makefile           <- Makefile with commands like `make data` or `make train`
├── README.md          <- The top-level README for developers using this project.
├── data
│   ├── external       <- Data from third party sources.
│   ├── interim        <- Intermediate data that has been transformed.
│   ├── processed      <- The final, canonical data sets for modeling.
│   └── raw            <- The original, immutable data dump.
│
├── docs               <- A default Sphinx project; see sphinx-doc.org for details
│
├── models             <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks          <- Jupyter notebooks. Naming convention is a number (for ordering),
│                         the creator's initials, and a short `-` delimited description, e.g.
│                         `1.0-jqp-initial-data-exploration`.
│
├── references         <- Data dictionaries, manuals, and all other explanatory materials.
│
├── reports            <- Generated analysis as HTML, PDF, LaTeX, etc.
│   └── figures        <- Generated graphics and figures to be used in reporting
│
├── requirements.txt   <- The requirements file for reproducing the analysis environment, e.g.
│                         generated with `pip freeze > requirements.txt`
│
├── setup.py           <- makes project pip installable (pip install -e .) so src can be imported
├── src                <- Source code for use in this project.
│   ├── __init__.py    <- Makes src a Python module
│   │
│   ├── data           <- Scripts to download or generate data
│   │   └── make_dataset.py
│   │
│   ├── features       <- Scripts to turn raw data into features for modeling
│   │   └── build_features.py
│   │
│   ├── models         <- Scripts to train models and then use trained models to make
│   │   │                 predictions
│   │   ├── predict_model.py
│   │   └── train_model.py
│   │
│   └── visualization  <- Scripts to create exploratory and results oriented visualizations
│       └── visualize.py
│
└── tox.ini            <- tox file with settings for running tox; see tox.readthedocs.io

---