МЕТОД ОБРАБОТКИ ИНФОРМАЦИИ И ИЗМЕНЕНИЯ ПОРОГОВЫХ ПАРАМЕТРОВ ПРАВИЛ В МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЕ С ИСПОЛЬЗОВАНИЕМ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ

Доу Л

Об авторах

Доу Л

Московский государственный технический университет им. Н. Э. Ба́умана, 2-я Бауманская ул. д. 5, стр.1, Москва, Россия АО НИИ Вычислительных комплексов им. М. А. Карцева, ул. Профсоюзная, д. 108, Москва, Россия

Скачать PDF

УДК: 004.89 + 004.021 + 007.52
DOI: 10.24412/2413-7383-2025-4-39-194-205
Язык: Русский

Аннотация: Целью работы является автоматизация изменения пороговых параметров правил в миварной экспертной системе с использованием больших языковых моделей. Предложен метод динамического изменения пороговых параметров миварных правил на основе большой языковой модели DeepSeek, обеспечивающий постоянное изменение миварной базы знаний посредством человеко-машинного взаимодействия. Метод нацелен на сценарий изменения пороговых параметров, при котором анализируются исторические данные для корректировки этих параметров. Научная новизна заключается в создании комплексного метода человеко-машинного взаимодействия, который систематизирует процедуры изменения параметров с использованием передовых возможностей больших языковых моделей, что обеспечивает более высокую производительность миварных экспертных систем в реальных динамических условиях.

Ключевые слова: алгоритм, экспертная система, мивар, миварная экспертная система, большая языковая модель, автоматическое обновление базы знаний, искусственный интеллект, изменение параметров

Список литературы

1. Варламов О. О. Эволюционные базы данных и знаний. Миварное информационное пространство / О. О. Варламов // Известия ЮФУ. Технические науки. – 2007. – № 5(77). – С. 77-81. – EDN JXEEOF.
2. Платонов Ю. Г. Анализ перспектив перехода инфо рмационных систем на сервисно -ориентированную архитектуру / Ю. Г. Платонов // Проблемы информатики. – 2011. – № 4(12). – С. 56-65. – EDN ONKKEX.
3. Шэнь Ц. Динамическое планирование траектории робота на основе семантического обнаружения объектов с использованием миварной экспертной системы / Ц. Шэнь, Ш. Гун, О. О. Варламов и др. // Проблемы искусственного интеллекта. – 2024. – № 4(35). – С. 164-176. – DOI 10.24412/2413-7383- 2024-4-164-176. – EDN DHVOFC.
4. Коценко А. А. Разработка моделей миварного логического пр остранства для обеспечения трехмерного движения автономных роботов / А. А. Коценко // МИВАР'24: Сборник научных статей, Москва, 18 –20 апреля 2024 года. – Москва: ИНФРА -М, 2024. – С. 361-366. – EDN HBLZQY.
5. Wang S. A novel maritime autonomous navigation dec ision-making system: Modeling, integration, and real ship trial / S. Wang, Y. Zhang, X. Zhang и др. //Expert Systems with Applications. – 2023. – Т. 222. – С. 119825.
6. Доу Л. Модель принятия решений для обнаружения пожаров на основе распознавания образов и миварной экспертной системы / Л. Доу // Системы управления и информационные технологии. – 2025. – № 3(101). – С. 59-65. – EDN NJVEWG.
7. Dou L. A Multimodal Target Detection Method Based on the MES and the Improved BEV Perception Algorithm / L. Dou, O. O. Varlamov, A. A. Kotsenko // 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), Moscow, 08–10 апреля 2025 года. Vol. 7. – IEEE: Institute of Electrical and Electronics Engineers, 2025. – DOI 10.1109/REEPE63962.2025.10970859. – EDN JEIKUS.
8. Доу Л. О разработке алгоритмического обеспечения для создания и обновления правил миварной экспертной системы на основе GPT / Л. Доу // Мивар '25: Доклады, Москва, 17–19 апреля 2025 года. – Москва: ИНФРА-М, 2025. – С. 415-417. – EDN VDIMUJ.
9. Доу Л. Создание мультимодальной системы обнаружения пожаров и применение в миварной экспертной системе / Л. Доу // Информация и образование: границы коммуникаций. – 2025. – № 17(25). – С. 223-227. – EDN HLGDKO.
10. Zhang X. A multimodal expert system for the intelligent monitoring and maintenance of transformers enhanced by multimodal language large model fine‐tuning and digital twins / X. Zhang, W. Sun, K. Chen и др. //IET Collaborative Intelligent Manufacturing. – 2024. – Т. 6. – №. 4. – С. e70007.
11. Гаврилов Л. Я. Исследование возможностей больших лингвистических моделей для создания миварных баз знаний / Л. Я. Гаврилов, В. В. Уляшин, М. Ю. Попов // ИИАСУ'24 – Искусственный интеллект в автоматизированных системах управления и обработки данных: Сборник статей III Всероссийской научной конференции: в 3 томах, Москва, 30 октября – 01 ноября 2024 года. – Москва: ООО "Издательский дом КДУ", 2025. – С. 23-31. – EDN UHYRUU.
12. Луцкович А. И. Автоматизированная система анализа слабоструктурированных данных кибер- разведки с использованием больших языковых моделей / А. И. Луцкович, В. И. Васильев, А. М. Вульфин и др. // Информационно-управляющие системы. – 2025. – № 2(135). – С. 50-67. – DOI 10.31799/1684-8853-2025-2-50-67. – EDN QFQTPU.
13. Hu W. BLIVA: A Simple Multimodal LLM for Better Handling of Text-Rich Visual Questions / W. Hu, Y. Xu, Yi. Li и др. // Proceedings of the AAAI Conference on Artificial Intelligence. – 2024. – Vol. 38, No. 3. – P. 2256-2264. – DOI 10.1609/aaai.v38i3.27999. – EDN XMHBVC.
14. Wang Y. A novel fractional structural adaptive grey Chebyshev polynomial Bernoulli model and its application in forecasting renewable energy production of China / Y. Wang, R. Nie, P. Chi и др. // Expert Systems with Applications. – 2022. – Vol. 210. – P. 118500. – DOI 10.1016/j.eswa.2022.118500. – EDN SOECXV. Д Доу Л.
15. Liao HL. Deepseek large - scale model: technical analysis and development prospect / HL. Liao // Journal of Computer Science and Electrical Engineering. – 2025. – Vol. 7, No. 1. – DOI 10.61784/jcsee3035. – EDN GMQITU.
16. Коценко А. А. Анализ применения для АСУТП миварных сетей в формате двудольных и трехдольных графов / А. А. Коценко // МИВАР'24: Сборник научных статей, Москва, 18–20 апреля 2024 года. – Москва: ИНФРА-М, 2024. – С. 432-438. – EDN GLJGZV.
17. Данилюк А. В. О применении MivarGPT для автоматизации создания миварных баз знаний и машиностроительного искусственного интеллекта / А. В. Данилюк, Р. И. Ким // Искусственный интеллект в автоматизированных системах управления и обработки данных: сборник статей II Всероссийской научной конференции, Москва, 27–28 апреля 2023 года. – Москва: Издательский дом КДУ, Добросвет, 2023. – С. 568-573. – EDN AZMHLM.
18. Burnashev R. A. Expert system building tools based on dynamically updated knowledge / R. A. Burnashev, I. Amer, A. I. Enikeev // The International Scientific and Practical Conference on Mathematical Modeling, Programming and Applied Mathematics, Veliky Novgorod, 27–28 июня 2019 года. – Bristol: Institute of Physics Publishing, 2019. – P. 012008. – DOI 10.1088/1742-6596/1352/1/012008. – EDN MJMOJK.
19. Paredes R. Collaborative update of a rule-based expert system for HIV-1 genotypic resistance test interpretation / R. Paredes, P. L. Tzou, P. M. Grant и др. // PLoS ONE. – 2017. – Vol. 12, No. 7. – P. e0181357. – DOI 10.1371/journal.pone.0181357. – EDN YIOLDV.
20. Ko H. Machine learning and knowledge graph based design rule construction for additive manufacturing / H. Ko, P. Witherell, Ya. Lu и др. // Additive Manufacturing. – 2021. – Vol. 37. – P. 101620. – DOI 10.1016/j.addma.2020.101620. – EDN WYLVUD.
21. Melicke Ch. Anytime bottom-up rule learning for large-scale knowledge graph completion / Ch. Meilicke, M. W. Chekol, P. Betz и др. // The VLDB Journal. – 2024. – Vol. 33, No. 1. – P. 131-161. – DOI 10.1007/s00778-023-00800-5. – EDN NNAKWT.
22. Yang Sh. Radiology report generation with a learned knowledge base and multi-modal alignment / Sh. Yang, X. Wu, Sh. Ge и др. // Medical Image Analysis. – 2023. – Vol. 86. – P. 102798. – DOI 10.1016/j.media.2023.102798. – EDN DFKWKF.
23. Du S. Q. Tree -GPT: modular Large language Model expert s ystem for forest remote sensing image under - standing and interactive analysis / S. Q. Du, S. J. Tang, W. X. Wang и др. // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2023. – Vol. XLVIII -1/W2-2023. – P. 1729-1736. – DOI 10.5194/isprs -archives-xlviii-1-w2-2023-1729-2023. – EDN NAXXUO.
24. Lammert Ja. Large language models for precision oncology: Clinical decision support through expert- guided learning / Ja. Lammert, T. F. Dreyer, A. M. Lörsch и др. // Journal of Clinical Oncology. – 2024. – Vol. 42, No. 16_suppl. – P. e13609. – DOI 10.1200/jco.2024.42.16_suppl.e13609. – EDN RMHUZU.
25. Awasthi Y. K. A Comparative Study: Evaluating ChatGPT and DeepSeek AI Tools in Practice / Y. K. Awasthi, T. Garikayi, L. T. Fundisi и др. // International Journal of Open Information Technologies. – 2025. – Vol. 13, No. 5. – P. 67-70. – EDN BPVMCS.
26. Гао Ю. Исследование по построению Knowledge Graph для принятия решений о соблюдении мер ограничительного характера и мер противодействия незаконным санкциям в сфере российского природного газа на основе модели ИИ DeepSeek / Ю. Гао // Вестник Центра права имени В.А. Мусина. – 2025. – № 2. – С. 21-29. – DOI 10.61525/S0035542-6. – EDN BEHNRS.
27. Емельянов В. OpenAI vs DeepSeek. Сравнительный анализ популярных нейросетей / В. Емельянов, Н. Емельянова // Системный администратор. – 2025. – № 3(268). – С. 68-71. – EDN GQHLOJ.
28. Giske C. G. GPT-4-based AI agents—the new expert system for detection of antimicrobial resistance mechanisms / C. G. Giske, M. Bressan, F. Fiechte и др. //Journal of Clinical Microbiology. – 2024. – Т.
29. – №. 11. – С. e00689-24.
30. Mercer S. Brief analysis of DeepSeek R1 and its implications for Generative AI / S. Mercer, S. Spillard, D. P. Martin // SuperIntelligence - Robotics - Safety & Alignment. – 2025. – Vol. 2, No. 1. – DOI 10.70777/si.v2i1.11097. – EDN XYNCRH.
31. Мунтинов К. Д. Применение LLM на примере ChatGPT, DeepSeek, Grok для оценивания работ студентов / К. Д. Мунтинов // Вестник СКУ им. М. Козыбаева. – 2025. – № 2(66). – С. 220-230. – DOI 10.54596/10.54596/2958-0048-2025-2-220-230. – EDN XHFLCN.
32. Голубинский А. Н. Автоматическая генерация аннотаций научных статей на основе больших языковых моделей / А. Н. Голубинский, А. А. Толстых, М. Ю. Толстых // Информатика и

Выпуск: 4(39)'2025
Раздел: Системный анализ, управление и обработка информации, статистика
Как цитировать: Доу Л. МЕТОД ОБРАБОТКИ ИНФОРМАЦИИ И ИЗМЕНЕНИЯ ПОРОГОВЫХ ПАРАМЕТРОВ ПРАВИЛ В МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЕ С ИСПОЛЬЗОВАНИЕМ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ // Проблемы искусственного интеллекта. - 2025. - № 4 (39). - С. 194-205. - https://paijournal.guiaidn.ru/ru/2025/4(39)-17.html

Назад к выпуску 4(39)'2025