Integrazione in sistemi ad agenti di una pipeline di analisi conversazionale basata su clustering e Large Language Models

Nel settore dell'automazione industriale, l'analisi manuale dei log conversazionali per l'estrazione di domande ricorrenti è un'operazione dispendiosa e cognitivamente non scalabile. Questo lavoro di tesi, sviluppato in collaborazione con Danfoss S.r.l., presenta una data pipeline automatizzata progettata per superare tale criticità. L'architettura adotta un approccio ibrido che integra tecniche di Topic Modeling non supervisionato, orchestrate tramite BERTopic con algoritmi di riduzione dimensionale e clustering, e le capacità generative dei Large Language Models (LLM). La pipeline elabora i log testuali, filtra il rumore, raggruppa semanticamente le problematiche affini e delega all'LLM la stesura automatizzata di risoluzioni strutturate. L'output finale è una Knowledge Base dinamica, validabile da operatori umani e concepita per essere direttamente integrata, mediante un tool di Semantic Caching, in sistemi ad agenti autonomi. L'approccio ingegnerizzato abbatte i costi operativi del triage manuale e abilita un ecosistema di supporto tecnico scalabile e capace di apprendimento continuo.