Дворник Назар Николаевич

Факультет интеллектуальных систем и программирования

Кафедра компьютерной инженерии

Направление: 09.04.01 «Информатика и вычислительная техника»

Профиль:«Программное обеспечение средств вычислительной техники»

Тема выпускной квалификационной работы магистра:«Разработка многоагентных систем для интеллектуализации задач управления операционной системой»

Руководитель ВКР: к.т.н., проф. Чередникова Ольга Юрьевна

Научные труды по теме выпускной работы

Собственные публикации и доклады

1. Разработка ассистента на базе искусственного интеллекта для операционной системы Windows 10
   Авторы: Н.Н. Дворник, О.Ю. Чередникова

   Описание: в статье приведен анализ современных подходов к созданию ассистентов для операционных систем. Предложен вариант ассистента, использующего возможности искусственного интеллекта для выполнения пользовательских функций в ОС Windows 10. Разработана архитектура и ключевые возможности ассистента. Приведены примеры функционала приложения.

   Источник: Дворник, Н. Н. Разработка ассистента на базе искусственного интеллекта для операционной системы Windows 10 / Н. Н. Дворник, О. Ю. Чередникова // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2024) : Материалы XV Международной научно-технической конференции, Донецк, 22–24 мая 2024 года. Том 2. – Донецк: Донецкий национальный технический университет, 2024. – С. 267.
2. Анализ эволюции многоагентных систем для интеллектуализации управления операционными системами
   Авторы: Н.Н. Дворник, О.Ю. Чередникова

   Описание: в статье проведен анализ эволюции многоагентных систем от ранних моделей к современным интеллектуальным системам, основанным на искусственном интеллекте. Рассмотрены математические модели, описывающие взаимодействие агентов, и показано, как внедрение ИИ расширило их возможности. Обсуждаются перспективы дальнейшего развития многоагентных систем в контексте интеллектуализации управления операционными системами.

   Источник: Дворник, Н. Н. Анализ эволюции многоагентных систем для интеллектуализации управления операционными системами / Н. Н. Дворник, О. Ю. Чередникова // Донбасс будущего глазами молодых ученых : сборник материалов научно-технической конференции для студентов, аспирантов и молодых ученых, Донецк, 19 ноября 2024 года. – Донецк: Донецкий национальный технический университет, 2024. – С. 88-92. – EDN EJFZYV.
3. Key Aspects and Prospects of Using Artificial Intelligence in Multi-Agent Systems for Operating System Tasks
   Авторы: N.N. Dvornik, O.I. Cherednikova, E.N. Kushnirenko

   Описание: в статье рассматривается интеграция методов искусственного интеллекта, в частности больших языковых моделей (LLM), в многоагентные системы для операционных систем. Проведен анализ конвергенции многоагентных систем и ИИ для задач интеллектуального управления ОС, с акцентом на архитектуры типа AIOS и KAOS, обеспечивающие управление ресурсами и координацию агентов. Обсуждаются современные подходы, включая мультиагентное обучение с подкреплением (MARL) и агентов на базе LLM, а также проблемы оптимизации ресурсов, безопасности и масштабируемости.

   Источник: Dvornik, N. N. Key Aspects and Prospects of Using Artificial Intelligence in Multi-Agent Systems for Operating System Tasks / N. N. Dvornik, O. I. Cherednikova, E. N. Kushnirenko // Young Scientists' Researches and Achievements in Science : Сборник научных трудов международной научно-практической конференции, Донецк, Апрель 2025 года. – Донецк: Донецкий национальный технический университет, 2025. – С. 109.
4. Разработка MCP-сервера для автоматизации взаимодействия с графическим интерфейсом Windows
   Авторы: Н.Н. Дворник, О.Ю. Чередникова

   Описание: разработан MCP-сервер для интеграции больших языковых моделей с Windows. Система реализует распознавание элементов графического интерфейса через анализ дерева доступности без компьютерного зрения и обеспечивает автоматизированное управление через программную имитацию пользовательского ввода. Механизм распознавания не требует компьютерного зрения, обеспечивая детерминированность и высокую скорость обработки.

   Источник: Дворник, Н. Н. Разработка MCP-сервера для автоматизации взаимодействия с графическим интерфейсом Windows / Н. Н. Дворник, О. Ю. Чередникова // Современные информационные технологии в образовании и научных исследованиях (СИТОНИ-2025) : Сборник трудов Всероссийской научно-технической конференции, Донецк, ноябрь 2025 года. – Донецк: Донецкий национальный технический университет.

Доклады и публикации научного руководителя

5. Виды нейронных сетей и способы их обучения
   Авторы: В.А. Щёголев, О.Ю. Чередникова

   Описание: в статье рассмотрены основные концепции искусственных нейронных сетей, их структура и принципы работы. Проведен подробный анализ методов обучения (с учителем, без учителя, с частичным привлечением учителя, с подкреплением) и дана классификация видов нейронных сетей (однослойные, многослойные, сети с обратными связями).

   Источник: Щеголев, В. А. Виды нейронных сетей и способы их обучения / В. А. Щеголев, О. Ю. Чередникова // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2019) : Материалы студенческой секции X Международной научно-технической конференции в рамках V Международного Научного форума Донецкой Народной Республики, Донецк, 22–24 мая 2019 года. – Донецк: Донецкий национальный технический университет, 2019. – С. 415-418. – EDN NTQDUS.
6. Распознавание и анализ текста с помощью нейронных сетей
   Авторы: В.А. Щёголев, О.Ю. Чередникова

   Описание: в статье описаны популярные способы распознавания и анализа текста с помощью нейронных сетей (сверточные и рекуррентные сети). Рассмотрена структура СНС и принципы работы LSTM-сетей для задач NLP. Приведены примеры программного кода построения и обучения модели с использованием библиотеки Keras.

   Источник: Щеголев, В. А. Распознавание и анализ текста с помощью нейронных сетей / В. А. Щеголев, О. Ю. Чередникова // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2020) : Сборник материалов XI Международной научно-технической конференции в рамках VI Международного Научного форума Донецкой Народной Республики, Донецк, 27–28 мая 2020 года / Редколлегия: Ю.К. Орлов [и др.]. – Донецк: Донецкий национальный технический университет, 2020. – С. 482-485. – EDN LTHGUA.
7. Применение методов анализа данных для определения наиболее популярных функций приложения по журналу действий пользователя
   Авторы: А.А. Личман, О.Ю. Чередникова

   Описание: в статье рассмотрены методы определения востребованности функций ПО через анализ журнала действий пользователя. Проведен сравнительный анализ нейронных сетей (сети Кохонена и нечеткие сети). Описана реализация метода анализа на базе пакета Deductor и карт Кохонена, позволяющая разработчикам оптимизировать функционал приложений.

   Источник: Личман, А. А. Применение методов анализа данных для определения наиболее популярных функций приложения по журналу действий пользователя / А. А. Личман, О. Ю. Чередникова // Информатика и кибернетика. – 2023. – № 2(32). – С. 23-28. – EDN CHFBVW.
8. Современные тенденции в программировании
   Авторы: А.А. Личман, О.Ю. Чередникова

   Описание: в статье проанализирована эволюция инструментов программирования и влияние нейронных сетей на процессы кодинга и алгоритмизации. Рассмотрена статистика популярности языков программирования, роль "кодера-посредника" и перспективы автоматизации разработки ПО. Сделаны прогнозы о будущем профессии программиста в условиях развития ИИ.

   Источник: Личман, А. А. Современные Тенденции в программировании / А. А. Личман, О. Ю. Чередникова // Донбасс будущего глазами молодых ученых : сборник материалов научно-технической конференции для студентов, аспирантов и молодых ученых, Донецк, 19 ноября 2024 года. – Донецк: Донецкий национальный технический университет, 2024. – С. 168-172. – EDN PTCLZO.
9. Сравнительный анализ методов машинного обучения на примере задачи классификации
   Авторы: А.А. Личман, О.Ю. Чередникова

   Описание: в статье проведено статистическое сравнение популярных алгоритмов машинного обучения (логистическая регрессия, деревья решений, случайный лес) на классическом наборе данных «Ирисы Фишера». Рассмотрены математические модели алгоритмов, критерии разбиения (индекс Джини, энтропия) и принципы ансамблирования. Выявлены сильные и слабые стороны каждого метода для задач классификации.

   Источник: Личман, А. А. Сравнительный анализ методов машинного обучения на примере задачи классификации / А. А. Личман, О. Ю. Чередникова // Инновационные перспективы Донбасса : Сборник научных трудов 11-й Международной научно-практической конференции, Донецк, 27–29 мая 2025 года. – Донецк: Донецкий национальный технический университет, 2025. – С. 72-79. – EDN KWRZUE.

Другие научные статьи по теме

10. Применение мультиагентных робототехнических систем
    Авторы: О.Н. Колбина, Н.В. Яготинцева, Т.В. Сафонова, А.В. Мокряк

    Описание: в статье рассмотрены интеллектуальные аспекты развития мультиагентных робототехнических систем. Проведен анализ областей их применения (транспорт, медицина, космос) и интеграции с нейросетевыми технологиями. Описана архитектура интеллектуального агента, его свойства (реактивность, проактивность, социальность) и перспективы использования для автоматизации сложных и опасных процессов.

    Источник: Применение мультиагентных робототехнических систем / О. Н. Колбина, Н. В. Яготинцева, Т. В. Сафонова, А. В. Мокряк // Modern Science. – 2022. – № 5-4. – С. 255-259. – EDN LHDBDQ.
11. Агенты в искусственном интеллекте
    Автор: С.С. Худайназаров

    Описание: в статье рассматривается понятие интеллектуального агента, его структура (датчики, память, эффекторы) и классификация (виртуальные, физические, рациональные). Подробно описаны типы полуинтеллектуальных агентов: роботы по закупкам, персональные ассистенты, управляющие агенты и агенты для добычи данных (Data Mining).

    Источник: Худайназаров, С. С. Агенты в искусственном интеллекте / С. С. Худайназаров // За нами будущее: взгляд молодых ученых на инновационное развитие общества : Сборник научных статей 3-й Всероссийской молодежной научной конференции, Курск, 03 июня 2022 года. Том 2. – Курск: Юго-Западный государственный университет, 2022. – С. 531-535. – EDN YZEGWG.
12. Ключевые области внимания на стыке многоагентных систем и кибербезопасности
    Авторы: И.В. Котенко

    Описание: в статье представлен обзор исследований на пересечении областей многоагентных систем (МАС) и кибербезопасности. Проанализированы основные классы атак на МАС (включая отказ в обслуживании и обманные атаки) и соответствующие механизмы защиты. Рассмотрены подходы к использованию МАС для моделирования кибератак и построения систем киберзащиты, основанные на антагонистическом взаимодействии агентов.

    Источник: Котенко, И. В. Ключевые области внимания на стыке многоагентных систем и кибербезопасности / И. В. Котенко // XIV Всероссийское совещание по проблемам управления : сборник научных трудов, Москва, 17–20 июня 2024 года. – Москва: Институт проблем управления им. В.А. Трапезникова РАН, 2024. – С. 2740-2745. – EDN LGKVGQ.
13. Разработка систем анализа данных на основе интеллектуальных агентов
    Авторы: Т.И. Булдакова, А.В. Ланцберг

    Описание: в статье исследуется мультиагентный подход для проектирования архитектур информационно-аналитических систем. Рассмотрена реализация ИАС на примере медицинской системы с диагностическим модулем. Описана типовая архитектура из базовых и специализированных модулей, а также алгоритмы их взаимодействия для анализа разнотипной информации.

    Источник: Булдакова, Т. И. Разработка систем анализа данных на основе интеллектуальных агентов / Т. И. Булдакова, А. В. Ланцберг // Искусственный интеллект в автоматизированных системах управления и обработки данных : Сборник статей II Всероссийской научной конференции. В 5-ти томах, Москва, 27–28 апреля 2023 года. – Москва: Издательский дом КДУ, "Добросвет", 2024. – С. 221-226. – EDN UCKJHM.
14. Использование больших языковых моделей для анализа информации и автоматизации поиска ответов на запросы сотрудников технической поддержки
    Авторы: Е.К. Демина, О.А. Антамошкин

    Описание: в статье рассматривается эффективность внедрения LLM (GPT-4, BERT) в процессы технической поддержки. Проведен анализ метрик производительности: сокращение времени обработки запросов, точность ответов и снижение нагрузки на персонал. Описаны архитектурные подходы, ограничения технологии и рекомендации по внедрению гибридных систем поддержки.

    Источник: Демина, Е. К. Использование больших языковых моделей для анализа информации и автоматизации поиска ответов на запросы сотрудников технической поддержки / Е. К. Демина // Актуальные проблемы авиации и космонавтики : Сборник материалов XI Международной научно-практической конференции, посвященной Дню космонавтики и 10-летию науки и технологий. В 3-х томах, Красноярск, 07–11 апреля 2025 года. – Красноярск: Сибирский государственный университет науки и технологий им. акад. М.Ф. Решетнева, 2025. – С. 494-496. – EDN EQIWWB.
15. Интеллектуальный агент Vision Task Agent, выполняющий задания, представленные на изображении
    Авторы: Д.Ю. Савчук, А.С. Анафиев

    Описание: в статье представлена архитектура агента Vision Task Agent, который анализирует скриншоты интерфейсов (YOLO+EasyOCR) и выполняет текстовые инструкции пользователя (LLM Qwen2.5). Описан пайплайн работы: детекция элементов, генерация JSON-описания сцены и планирование действий. Обсуждаются перспективы перехода к Vision-Language Models (VLM).

    Источник: Савчук, Д. Ю. Интеллектуальный агент Vision Task agent, выполняющий задания, представленные на изображении / Д. Ю. Савчук // Математика, информатика, компьютерные науки, моделирование, образование (МИКМО-2025) : Сборник научных трудов Всероссийской научно-практической конференции, Симферополь, 16–19 апреля 2025 года. – Симферополь: ИП Корниенко А.А., 2025. – С. 231-239. – EDN VIOWZV.

Переводы статей

16. Разработка вопросно-ответного чат-бота для блокчейн-домена
    Авторы: А. Мансурова, А. Нугуманова, Ж. Махамбетова

    Автор перевода: Н.Н. Дворник

    Описание: в статье предложена инновационная система чат-бота на основе LLM (ChatGPT), интегрированная с внешним модулем управления знаниями (RAG) и векторной базой данных. Система решает проблемы галлюцинаций и отсутствия актуальных знаний, используя реальные данные о блокчейн-проектах (Цифровой Тенге) и веб-поиск, без необходимости дорогостоящего переобучения модели.

    Источник: Mansurova, A., Nugumanova, A., & Makhambetova, Z. (2023). DEVELOPMENT OF A QUESTION ANSWERING CHATBOT FOR BLOCKCHAIN DOMAIN. Scientific Journal of Astana IT University, 15(15), 27–40. DOI: 10.37943/15XNDZ6667.
17. LLM-Evolve: Оценка способности LLM к эволюции на бенчмарках
    Авторы: Jiaxuan You, Mingjie Liu, Shrimai Prabhumoye, Mostofa Patwary, Mohammad Shoeybi, Bryan Catanzaro

    Автор перевода: Н.Н. Дворник

    Описание: в статье представлен фреймворк LLM-Evolve, который преобразует стандартные бенчмарки (MMLU, GSM8K, AgentBench) в задачи последовательного решения. Метод позволяет LLM итеративно учиться на прошлом опыте, используя «демонстрационную память» и обратную связь, что приводит к улучшению производительности до 17% без изменения весов модели.

    Источник: Jiaxuan You, Mingjie Liu, Shrimai Prabhumoye, Mostofa Patwary, Mohammad Shoeybi, and Bryan Catanzaro. 2024. LLM-Evolve: Evaluation for LLM’s Evolving Capability on Benchmarks. In Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing, pages 16937–16942, Miami, Florida, USA. Association for Computational Linguistics. DOI: 10.18653/v1/2024.emnlp-main.940.
18. На пути к многоагентной системе на основе фундаментальных моделей для ускорения ИИ социального воздействия
    Авторы: Yunfan Zhao, Niclas Boehmer, Aparna Taneja, Milind Tambe

    Автор перевода: Н.Н. Дворник

    Описание: в статье предложена концепция мета-уровневой мультиагентной системы, использующей фундаментальные модели (LLM) для автоматизации и ускорения разработки решений в области ИИ для социального воздействия (AI4SI). Подход охватывает весь цикл от формулировки проблемы до оценки воздействия, снижая нагрузку на экспертов и делая технологии доступнее для решения задач распределения ресурсов.

    Источник: Yunfan Zhao, Niclas Boehmer, Aparna Taneja, Milind Tambe. Towards Foundation-model-based Multiagent System to Accelerate AI for Social Impact // arXiv preprint arXiv:2412.07880. – 2024. DOI: 10.48550/arXiv.2412.07880.
19. Исследование использования поиска и самоотклика для рассуждений агентов
    Авторы: Karthikeyan K., Michelle Yuan, Elman Mansimov, Katerina Margatina, Anurag Pratik, Daniele Bonadiman, Monica Sunkara, Yi Zhang, Yassine Benajiba

    Автор перевода: Н.Н. Дворник

    Описание: в статье рассматривается эффективность внедрения поиска (MCTS) и самоотклика (self-feedback) в процесс рассуждения агентов. Эксперименты на GSM8K и ToolTalk показывают, что без эталонной обратной связи использование самоотклика может быть неоптимальным или даже вредным, и для улучшения результатов требуются более надежные стратегии, такие как голосование большинства или специализированные модули верификации.

    Источник: Karthikeyan K., Michelle Yuan, Elman Mansimov, Katerina Margatina, Anurag Pratik, Daniele Bonadiman, Monica Sunkara, Yi Zhang, Yassine Benajiba. 2025. A Study on Leveraging Search and Self-Feedback for Agent Reasoning. arXiv preprint arXiv:2502.12094. DOI: 10.48550/arXiv.2502.12094.
20. Автономные интеллектуальные агенты в системах поддержки принятия решений для критически важной инфраструктуры
    Авторы: Gvilava N.T.

    Автор перевода: Н.Н. Дворник

    Описание: в статье рассматривается интеграция автономных интеллектуальных агентов в системы поддержки принятия решений (СППР) для критической инфраструктуры. Описана функциональная архитектура, включающая слои восприятия, рассуждения и обучения. Анализируются механизмы децентрализованной координации, вопросы масштабируемости и отказоустойчивости, а также стратегии многоуровневой интеграции агентов для обеспечения надежного управления в динамичных средах.

    Источник: Gvilava, N. T. Autonomous intelligent agents in decision support systems for critical infrastructure / N. T. Gvilava // Профессиональный Вестник: Информационные технологии и безопасность. – 2025. – No. 1. – P. 55-61. – EDN TWWFFS.