Новый подход для инженерии знаний искусственного интеллекта разработали в Тюмени

Иллюстрация сгенерирована нейросетью

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.

Как сообщили в Тюменском государственном университете, 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 многократного обучения, — прокомментировал руководитель авторского коллектива, профессор Игорь Глухих. — 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.

Одна из статей исследователей ТюмГУ опубликована в высокорейтинговом международном журнале «Machine Learning and Knowledge Extraction» (квартиль Q1 в области «Искусственный интеллект»).

В основе работы тюменцев 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, — пояснил старший преподаватель ШКН, соавтор статьи Дмитрий Глухих.

Результаты исследования, выполненного при поддержке Министерства науки и высшего образования России в рамках госзадания, 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.