Návrh, implementácia a porovnanie rule-based chatbota a chatbota založeného na generatívnej AI nad historickými finančnými dátami

Tato diplomová práce se zabývá návrhem, implementací a porovnáním rule-based chatbota a chatbota založeného na generativní umělé inteligenci nad databází historických finančních dat. Cílem práce je ověřit, jak se tyto dva přístupy liší při zpracování uživatelských dotazů, vyhledávání dat a generování odpovědí v prostředí, kde je důležitá přesnost, kontrola a práce s ověřitelným datovým zdrojem. V praktické části je nejprve navržena a implementována relační databáze obsahující historické devizové kurzy, ceny akciových instrumentů a údaje o úrokových křivkách. Nad touto databází jsou následně vytvořeny dvě samostatné chatbotové aplikace. První řešení využívá explicitně definovaná pravidla, intenty, entity a validační logiku. Druhé řešení využívá velký jazykový model, který přistupuje k datům prostřednictvím předem definovaných nástrojů pomocí tool-callingu. Oba chatboty jsou porovnány pomocí objektivního testování na stejné sadě scénářů a doplněny o uživatelské testování. Výsledky ukazují, že generativní chatbot dosahuje lepších výsledků zejména ve flexibilitě, srozumitelnosti odpovědí a uživatelské zkušenosti. Rule-based chatbot však poskytuje vyšší míru předvídatelnosti a kontroly nad výstupem. Práce proto ukazuje, že v prostředí finančních dat je vhodné uvažovat především o kontrolovaném generativním přístupu, v němž jazykový model slouží jako interpretační vrstva nad deterministicky prováděnými datovými operacemi.

This diploma thesis focuses on the design, implementation and comparison of a rule-based chatbot and a chatbot based on generative artificial intelligence over a database of historical financial data. The aim of the thesis is to examine how these two approaches differ in processing user questions, retrieving data and generating responses in an environment where accuracy, control and the use of a verifiable data source are important. The practical part first presents the design and implementation of a relational database containing historical foreign exchange rates, stock instrument prices and interest rate curve data. Two separate chatbot applications are then built on top of this database. The first solution uses explicitly defined rules, intents, entities and validation logic. The second solution uses a large language model that accesses data through predefined tools using tool-calling. Both chatbots are compared through objective testing on the same set of scenarios and supplemented by user testing. The results show that the generative chatbot performs better mainly in flexibility, clarity of responses and user experience. However, the rule-based chatbot provides a higher degree of predictability and control over the output. The thesis therefore shows that, in the context of financial data, it is especially appropriate to consider a controlled generative approach, in which the language model serves as an interpretation layer over deterministically executed data operations.