Исследование ТюмГУ может изменить инженерию знаний искусственного интеллекта
В ТюмГУ разработан новый подход для инженерии знаний в системах поддержки принятия решений на основе больших языковых моделей.
Инженерия знаний стала ключевой дисциплиной Искусственного интеллекта (ИИ) для создания баз знаний и систем поддержки принятия решений. Однако, ни ее многолетний опыт, ни богатый арсенал методов и средств до сих пор не справляются с трудоемкостью задач извлечения и применения уникального эмпирического знания специалистов.
Ученые Школы компьютерных наук ТюмГУ предложили новый подход — инженерию знаний на основе больших языковых моделей (LLM).
Проведенное исследование показало, что с помощью специальной технологии LLM могут успешно выступать в роли инженера по знаниям, проводить опросы специалистов, извлекать и объединять знания экспертов. Это способно коренным образом изменить процессы создания систем поддержки принятия решений, в том числе формировать совместные, коллаборативные знания для разрешения проблемных ситуаций при эксплуатации сложных объектов.
«Сегодня ИИ связывают с использованием огромных наборов данных для обучения искусственных нейросетей. Однако, в истории ИИ есть примеры и других систем, которые принимают решения как человек — при недостатке данных, на основе опыта и без многократных обучения.
В свое время трудности извлечения и представления экспертных знаний стали большой проблемой для создания таких систем. Но сегодня применение больших языковых моделей может стать новым витком развития этой отрасли. Этому посвящен ряд наших докладов и статей последних лет", — отметил руководитель авторского коллектива, профессор Игорь Глухих.
«В основе нашей работы лежит популярный подход RAG (Retrieval-Augmented Generation). Он позволяет давать языковой модели собственную базу знаний без дорогостоящего дообучения. Однако при таком взаимодействии LLM может „терять“ предоставленные ей данные — из‑за этого ответы на запросы становятся неточными или ошибочными. Выявив это ограничение, мы предложили комплексное решение. Оно включает три ключевых этапа: выявление нужных знаний, их сохранение в базу и организацию хранения информации таким образом, чтобы модель могла стабильно к ней обращаться», — сообщил старший преподаватель ШКН Дмитрий Глухих, соавтор статьи.
Результаты исследования будут полезны разработчикам интеллектуальных систем поддержки принятия решений (в агроиндустрии, нефтедобывающих компаниях, на транспорте и др.). Предложенный подход может стать основой для создания новых систем подготовки персонала к принятию решений и новых методик оценки знаний обучающихся.
Статья исследователей ТюмГУ опубликована в выскорейтинговом международной журнале «Machine Learning and Knowledge Extraction» (квартиль Q1 в области «Искусственный интеллект»).
Источник:
Управление стратегических коммуникаций ТюмГУ
