Слипенко Максим Константинович

Библиотека материалов по теме выпускной работы

Собственные публикации и доклады

1. Реализации метода Retrieval-Augmented Generation для улучшения ответа больших языковых моделей с использованием LangChain и pgvector

   Авторы: М.К. Слипенко, О.В. Рычка

   Описание: В данной статье рассматривается проблема повышения точности и достоверности ответов больших языковых моделей (LLM) при отсутствии доступа к актуальным данным. Предложен подход, основанный на интеграции метода Retrieval-Augmented Generation (RAG) с использованием инструментов LangChain и pgvector. LangChain облегчает взаимодействие с LLM и управление диалогом, а pgvector обеспечивает быстрый поиск релевантной информации в больших наборах данных. Описана методология интеграции RAG, разработан прототип системы и проведено экспериментальное исследование, показавшее повышение точности и надежности ответов LLM.

   Источник: Слипенко, М. К. Реализации метода Retrieval-Augmented Generation для улучшения ответа больших языковых моделей с использованием LangChain и pgvector / М. К. Слипенко, О. В. Рычка // Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС-2024) : Сборник материалов и докладов V Международной научно-практической конференции, Донецк, 27–28 ноября 2024 года. – Донецк: Донецкий национальный технический университет, 2024. – С. 227-237. – EDN LPQTZA.

2. Экономическая эффективность чат-ботов на основе больших языковых моделей

   Авторы: М.К. Слипенко, А.В. Боднар

   Описание: В статье рассматривается экономическая эффективность внедрения чат-ботов, основанных на больших языковых моделях (LLM), в процессы клиентского обслуживания и внутренней поддержки бизнеса. Показано, что такие чат-боты улучшают пользовательский опыт и обеспечивают существенное снижение операционных затрат.

   Источник: Инновационные перспективы Донбасса, г. Донецк, 27-29 мая 2025 г. – Донецк: ДонНТУ, 2025. Т. 5: 5.Актуальные проблемы инновационного развития экономики Донбасса. – 2025

Доклады и публикации научного руководителя

3. Общий обзор нейросетевого подхода для решения задачи классификации текстовой информации

   Авторы: А.О. Истягин, О.В. Рычка

   Описание: В статье рассмотрены основные принципы и этапы построения нейронных сетей для решения задачи классификации текстовой информации. Приведены различные методы разделения текста на лексемы и токены, рассмотрены наиболее актуальные архитектуры нейронных сетей и метрики их оценки, определены ограничения и перспективы использования.

   Источник: Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС-2024) : Сборник материалов и докладов V Международной научно-практической конференции, Донецк, 27–28 ноября 2024 года. – Донецк: Донецкий национальный технический университет, 2024. – С. 221-226.

Тематические статьи

4. Влияние GPT и других LLM на рынок труда

   Авторы: Н.М. Аусилова, И. Авлай, В.Н. Кирнос

   Описание: в данной статье исследуется влияние генеративных языковых моделей (LLM), таких как GPT, на рынок труда в IT-сфере, с акцентом на изменения в профессиях, требованиях к навыкам и новых возможностях для специалистов. Особое внимание уделяется трансформации IT-рынка в Казахстане, где внедрение ИИ пока сосредоточено в крупных предприятиях, особенно в финансах и добывающей промышленности, тогда как малый и средний бизнес отстает. Статья подчеркивает необходимость адаптации образования и переквалификации кадров для работы с ИИ, а также риски, связанные с утечками данных и предвзятостью моделей.

   Источник: Аусилова, Н. М. Влияние GPT и других LLM на рынок труда / Н. М. Аусилова, И. Авлай, В. Н. Кирнос // Вестник науки. – 2025. – Т. 2, № 5(86). – С. 758-764. – EDN TCSJSF.

5. Технология RAG (Retrieval-Augmented Generation) как инновационный подход в LLM

   Авторы: А.О. Науменко

   Описание: в статье рассматривается технология Retrieval-Augmented Generation (RAG) как инновационный подход к расширению возможностей больших языковых моделей (LLM). Проведен анализ архитектуры RAG, ее преимуществ и ограничений по сравнению с традиционными методами обучения LLM. Описываются ключевые компоненты RAG, включая методы индексации, поиска и интеграции информации. Представлен обзор сфер применения RAG, а также перспективные направления для дальнейших исследований и разработок в данной области. Статья акцентирует внимание на значимости RAG для повышения точности, актуальности и надежности генерируемого контента, а также для преодоления проблемы "галлюцинаций" в LLM.

   Источник: Науменко, А. О. Технология RAG (Retrieval-Augmented Generation) как инновационный подход в LLM / А. О. Науменко // Вестник науки. – 2025. – Т. 5, № 8(89). – С. 280-289. – EDN JJOECK.

6. Проблема распознавания научных текстов, созданных с использованием ИИ чат-ботов в современных исследованиях

   Авторы: О.А. Костиникова

   Описание: Данная статья посвящена анализу публикаций, раскрывающих возрастающий вклад в тексты людей ИИ чат-ботов, которые на основе больших языковых моделей активно используются для написания и редакторский правок научных текстов, опубликованных в 2003-2004 годах и уже написали примерно 10% аннотаций научных статей. В обзоре раскрываются выявленные современными исследователями на основе различных алгоритмов стилистические особенности текстов, созданных или отредактированных ИИ чат-ботами (определенные группы прилагательных и наречий, длина параграфов и слов в предложении, особенности использования грамматических времен и залогов и некоторые другие) и описываются предложения по поведению научного сообщества в условиях растущего использования БЯМ.

   Источник: Костиникова, О. А. Проблема распознавания научных текстов, созданных с использованием ИИ чат-ботов в современных исследованиях / О. А. Костиникова // Российский лингвистический бюллетень. – 2024. – № 8(56). – DOI 10.60797/RULB.2024.56.16. – EDN UDFZON.

7. Направления использования генеративного искусственного интеллекта при начальном обучении программированию в университетах

   Авторы: М. С. Долинский

   Описание: В статье приводится обзор литературы по использованию генеративного искусственного интеллекта (ГенИИ) при начальном обучении программированию в вузах. Приведены основные направления применения ГенИИ: специализированные узкотемные разработки, встраивание в онлайн платформы обучения и проверки решений, работа студентов с ГенИИ без ограничений, направляющие системы взаимодействия студентов с ГенИИ (без предоставления решений), помощь преподавателю, инструменты для разработки интеллектуальных обучающих систем. Также содержится обзор работ, анализирующих достигнутые результаты и нерешённые проблемы.

   Источник: Долинский, М. С. Направления использования генеративного искусственного интеллекта при начальном обучении программированию в университетах / М. С. Долинский // Компьютерные инструменты в образовании. – 2024. – № 2. – С. 85-96. – DOI 10.32603/2071-2340-2024-2-85-96. – EDN DYKMYL.

8. Инновационные подходы к взаимодействию с клиентами на базе генеративного искусственного интеллекта

   Авторы: А.В. Абрамов, А.Д. Столяров, В.И. Абрамов

   Описание: В статье исследуется потенциал генеративного искусственного интеллекта для трансформации клиентского опыта и создания инновационных подходов к взаимодействию с потребителями. Актуальность работы обусловлена стремительным развитием технологий генеративного искусственного интеллекта, таких как ChatGPT, Gemini и других, а также растущим спросом бизнеса на персонализацию и автоматизацию клиентских коммуникаций. Цель исследования – систематизировать инновационные методы применения генеративного искусственного интеллекта (ГИИ) при взаимодействии с клиентами, оценить их преимущества и выявить ключевые риски, связанные с внедрением. Методология основана на системном анализе научных публикаций, кейсов и данных, относящихся к данному направлению исследований, с применением общенаучных методов: сравнения, синтеза и логического обобщения. Показано, что ГИИ способен радикально улучшить взаимодействие с клиентами за счет гипер-персонализации, проактивной поддержки, эмпатичного взаимодействия и совместного создания ценности. Однако для успешной реализации требуется преодоление технологических, этических и организационных вызовов, включая проблему «галлюцинаций» ИИ, предвзятости данных, высоких затрат и необходимости переобучения персонала. Научная новизна работы заключается в комплексной классификации подходов к применению ГИИ на всех этапах клиентского пути, а также в практических рекомендациях по их внедрению. Результаты исследования могут быть полезны для руководителей предприятий, стремящихся к цифровой трансформации, и могут быть использованы для оптимизации сервиса, повышения лояльности клиентов и создания устойчивого конкурентного преимущества. Несмотря на то, что при использовании генеративного ИИ приходится сталкиваться с рядом трудностей, компаниям необходимо принять его в качестве стратегического инструмента для развития взаимодействия с клиентами.

   Источник: Абрамов, А. В. Инновационные подходы к взаимодействию с клиентами на базе генеративного искусственного интеллекта / А. В. Абрамов, А. Д. Столяров, В. И. Абрамов // Beneficium. – 2025. – № 2(55). – С. 77-85. – DOI 10.34680/BENEFICIUM.2025.2(55).77-85. – EDN DDPMWM.

9. Механизмы адаптивного обучения интеллектуальных чат-ботов на базе больших языковых моделей в контексте бухгалтерской экспертизы

   Авторы: И. В. Поправко

   Описание: В статье представлен комплексный анализ механизмов адаптивного обучения интеллектуальных чат-ботов, построенных на базе больших языковых моделей, с акцентом на их применение в контексте бухгалтерской и налоговой экспертизы. Актуальность исследования обусловлена необходимостью повышения эффективности обработки нормативно-финансовой информации и частыми изменениями законодательства Российской Федерации в сфере учета и налогообложения. Целью работы является систематизация современных подходов к адаптации языковых моделей под задачи бухгалтерской экспертизы и формирование концептуальной архитектуры обучаемого чат-бота. Автором проанализированы ключевые механизмы: тонкая настройка на отраслевых данных, обучение с подкреплением с обратной связью от специалистов, непрерывное дообучение на новых текстах, а также подключение к внешним источникам знаний. Приведены практические примеры реализации адаптивных интеллектуальных систем в компаниях, оказывающих бухгалтерские и аудиторские услуги, а также взаимодействия пользователей с чат-ботами. В результате проведенного исследования предложена обобщенная архитектура чат-бота с возможностью самосовершенствования и актуализации знаний. Сделаны выводы о высокой эффективности использования таких систем для автоматизации типовых задач, повышения оперативности и снижения информационной нагрузки на специалистов. Обоснована целесообразность гибридного подхода, сочетающего возможности искусственного интеллекта с экспертной оценкой человеком. Материалы статьи могут быть использованы для проектирования интеллектуальных помощников и чат-ботов в области финансово-экономического анализа и автоматизации учетной деятельности.

   Источник: Поправко, И. В. Механизмы адаптивного обучения интеллектуальных чат-ботов на базе больших языковых моделей в контексте бухгалтерской экспертизы / И. В. Поправко // Вестник евразийской науки. – 2025. – Т. 17, № 2. – EDN EFKUWI.

10. Исследование возможностей применения больших языковых моделей при изучении математики и информатики в школе

    Авторы: Э. В. Чеботарева, Э. Р. Ямалиева

    Описание: Появление больших языковых моделей стало не только новой вехой в истории развития искусственного интеллекта, но и оказало существенное влияние на изначально далекие от данной области сферы. Несмотря на то, что педагогическое сообщество настороженно относится к возможности применения генеративных языковых моделей в учебном процессе, среди учащихся сервисы, предоставляющие доступ к крупномасштабным языковым моделям, пользуются большой популярностью. Известные на данный момент проприетарные языковые модели обладают впечатляющим потенциалом в обработке и генерации текстов на естественном языке. В то же время их применение в учебном процессе сопряжено с рядом серьезных проблем, касающихся как этических аспектов, так и сохраняющейся вероятности генерации ошибочной информации. В данной работе мы представляем результаты проведенных нами предварительных экспериментов, направленных на исследование возможностей применения больших языковых моделей при изучении математики и информатики. На первом этапе нашего исследования мы провели сравнительный анализ популярных языковых моделей в контексте возможности получения достоверной и доступной для учащихся информации по некоторым теоретическим и практическим разделам школьного курса математики и информатики. Второй этап был направлен на исследование особенностей взаимодействия учащихся с генеративным искусственным интеллектом при изучении нового материала. Результаты проведенных экспериментов позволили нам сформулировать некоторые гипотезы о возможностях применения генеративных языковых моделей при изучении математики и информатики.

    Источник: Чеботарева, Э. В. Исследование возможностей применения больших языковых моделей при изучении математики и информатики в школе / Э. В. Чеботарева, Э. Р. Ямалиева // V международный форум по математическому образованию, посвященный 220-летию Казанского университета (IFME' 2024) : Материалы XIII Международной конференции; X Международной конференции; IV Международного научного семинара, Казань, 25–30 марта 2024 года. – Казань: Издательство федерального государственного автономного образовательного учреждения высшего профессионального образования "Казанский (Приволжский) федеральный университет", 2024. – С. 345-350. – EDN OAONSA.

11. Улучшение генерации текста с помощью Retrieval Augmented Generation

    Авторы: А. А. Инкижеков

    Описание: Исследуется Retrieval-Augmented Generation (RAG) – метод, который улучшает достоверность ответов больших языковых моделе (LLMs) за счет интеграции извлечения информации из внешних источников. Процесс включает два этапа: поиск релевантной информации и генерацию ответов, что минимизирует «галлюцинации». Использование векторных представлений данных и инструментов, таких как FAISS, повышает семантическую релевантность и эффективность поиска. RAG представляет собой важную технологию для повышения точности в системах обработки естественного языка.

    Источник: Инкижеков А.А. Улучшение генерации текста с помощью Retrieval Augmented Generation // Инженерные технологии: традиции, инновации, векторы развития: материалы X Всероссийской научно-практической конференции с международным участием, Абакан, 13–15 ноября 2024 года. – Хакасский государственный университет им. Н.Ф. Катанова, 2024. – С. 27-29. – EDN WVIOCW.

12. Возраст информации в LLM моделях и тест Тьюринга

    Авторы: Н. А. Логинова

    Описание: В данной работе рассматривается концепция возраста информации в контексте больших языковых моделей (LLM) и её влияние на результаты теста Тьюринга. Анализируются методы дообучения данных, используемые для обучения LLM, а также способность чатботов адаптироваться к новым знаниям и событиям. Обсуждаются вызовы, связанные с устареванием информации, и способы их преодоления, включая регулярное переобучение и интеграцию внешних источников данных. Кроме того, работа исследует, как возраст информации влияет на восприятие моделей в рамках теста Тьюринга, где актуальность и точность ответов играют критическую роль в оценке "интеллекта" машины. В заключение поднимаются вопросы этики и ответственности при использовании LLM в условиях быстро меняющегося информационного ландшафта.

    Источник: Логинова, Н. А. Возраст информации в LLM моделях и тест Тьюринга / Н. А. Логинова // Искусственный интеллект - технологии развития человека 2024 : сборник докладов конференции, Гурзуф, 19–21 сентября 2024 года. – Симферополь: ИТ «Ариал», 2024. – С. 134-140. – EDN FYREOI.

13. Обзор современных интеллектуальных чат-ботов

    Авторы: С. В. Гладков, И. А. Килбас, Р. А. Парингер

    Описание: В данном исследовании представлена оценка влияния параметра температуры при сэмплировании на качество генерации программного кода с использованием большой языковой модели Qwen2.5. Для замера качества генерируемого кода используется набор задач HumanEval от OpenAI. Рассматриваются различные значения температуры, анализируется зависимость pass@k от параметров температуры, а также анализируются типы ошибок, возникающих при генерации кода.

    Источник: Гладков, С. В. Исследование влияния температуры сэмплирования на качество генерации программного кода большой языковой моделью Qwen2.5 / С. В. Гладков, И. А. Килбас, Р. А. Парингер // Volga Cyber Week : Сборник трудов I Всероссийской научно-технической конференции по информатике и кибернетике, Самара, 24–26 марта 2025 года. – Самара: Самарский национальный исследовательский университет им. акад. С.П. Королева, 2025. – С. 15-16. – EDN PGBFBW.

14. Целесообразность применения больших языковых моделей (llm) для оценки привлекательности регионов России

    Авторы: С. М. Резцов

    Описание: В данном исследовании будет проанализирован потенциал использования больших языковых моделей в оценке социально-экономических показателей регионов России. Также было проведено сравнение эффективности LLM с традиционным подходом по нескольким показателям: скорость получения результатов и их точность, корректность. Объект исследования: эмоциональная оценка российский регионов на основе анализа больших данных инструментами LLM. Тема исследования: автоматизированная оценка регионов России с применением анализа большого объёма структурированных текстовых данных.

    Источник: Резцов, С. М. Целесообразность применения больших языковых моделей (llm) для оценки привлекательности регионов России / С. М. Резцов // Парадигма. – 2025. – № 4-2. – С. 232-236. – EDN FKNLGZ.

15. Применение LLM при разработке системы автоматизированного тестирования

    Авторы: А. М. Корниенкова

    Описание: В данной статье представлен краткий обзор на использование LLM при разработке системы автоматизированного тестирования.

    Источник: Корниенкова, А. М. Применение LLM при разработке системы автоматизированного тестирования / А. М. Корниенкова // A Posteriori. – 2024. – № 6. – С. 7-9. – EDN BDGUFN.

Переводы

16. Моделирование анализа тональности: LLM и техники аугментации

    Авторы: Guillem Senabre Prades

    Перевод выполнил: М.К. Слипенко

    Описание: Эта статья предлагает различные подходы для бинарной классификации тональности на небольшом обучающем наборе данных. Используются LLM, которые обеспечивают state-of-the-art результаты в анализе тональности и аналогичных областях, такие как BERT, RoBERTa и XLNet. Читатель также может найти различные техники аугментации данных для работы с небольшим объемом предоставленных обучающих данных.

    Источник: Prades G. S. Modelling Sentiment Analysis: LLMs and data augmentation techniques / G. S. Prades. — 2023. — arXiv: 2311 . 04139 [cs.CL]. — URL: https://arxiv.org/abs/2311.04139. (дата обращения: 20.10.2024).

17. Lilith: модульные LLM для развития с химической сигнализацией

    Авторы: M. Farooqi

    Перевод выполнил: М.К. Слипенко

    Описание: Современные парадигмы искусственного интеллекта основаны на слоях полносвязанных сетей, моделирующих активность мозга на уровне нейронов. Мы выдвигаем гипотезу, что расширение уровня моделирования до масштабов множества мозговых регионов с химическим сигнализированием может стать продуктивным шагом к пониманию возникновения сознания. Предлагаем архитектуру LILITH — новую концепцию, объединяющую обучение модульных языковых моделей на этапах развития с протоколами коммуникации, вдохновлёнными работой мозга и основанными на обмене токенизированными сигналами, аналогичными работе нейротрансмиттеров. Наш подход представляет собой систему специализированных модулей языковой модели, имитирующих отдельные регионы мозга — мышление, память, сенсорику и регуляцию, взаимодействующих посредством протоколов токенизированного обмена сообщениями, аналогичных механизмам химической передачи сигналов в мозге. В отличие от традиционных предварительно натренированных систем, LILITH предусматривает использование этапов развивающего обучения, в ходе которого неизученные архитектуры языковых моделей осваиваются путём симуляции жизненного опыта, формируя коммуникационные пути и когнитивные способности через взаимодействие с окружающей средой и эволюционную оптимизацию. Эта архитектура позволит провести прямое эмпирическое исследование механизмов появления сознания с использованием метрик теории интегрированной информации, обеспечивая беспрецедентное понимание паттернов межмодульного взаимодействия в процессе формирования сознания. Оптимизация системы направлена на возникновение сознания, а не на производительность выполнения конкретных задач, позволяя выявить различия в возникающих феноменах на разных уровнях коррелятов нервной активности, противопоставляя обработку на уровне отдельных нейронов динамикам координации между регионами мозга. Цель настоящей статьи — изложение идеи, осознавая значительные трудности её практической реализации.

    Источник: Farooqi M. Lilith: Developmental Modular LLMs with Chemical Signaling / M. Farooqi, A. Comas-Leon. — 2025. — arXiv: 2507.04575 [q-bio.NC].

18. Living Off the LLM: Как LLM изменят тактики злоумышленников

    Авторы: Sean Oesch, Jack Hutchins, Kevin Kurian, Luke Koch

    Перевод выполнил: М.К. Слипенко

    Описание: В атаках Living off the land (LOTL) злоумышленники используют легитимные инструменты и процессы, уже присутствующие в системе, чтобы избежать обнаружения. В этой статье мы исследуем, как локальные (on-device) **LLM** будущего станут проблемой безопасности по мере того, как злоумышленники интегрируют LLM в свою цепочку атак *living off the land*, а также способы, которыми сообщество по безопасности может смягчить эту угрозу.

    Источник: Living Off the LLM: How LLMs Will Change Adversary Tactics / S. Oesch, J. Hutchins, L. Koch, [et al.]. — 2025. — arXiv: 2510.11398 [cs.CR].

19. Дорожная карта для руководства интеграцией LLMs в Иерархическое Планирование

    Авторы: Israel Puerta-Merino, Carlos Núñez-Molina, Pablo Mesejo, Juan Fernández-Olivares

    Перевод выполнил: М.К. Слипенко

    Описание: Недавние достижения в Больших Языковых Моделях (LLMs) способствуют их интеграции в несколько областей, связанных с рассуждениями, включая Автоматизированное Планирование (AP). Однако их интеграция в Иерархическое Планирование (HP), под область AP, которая использует иерархические знания для повышения производительности планирования, остается в значительной степени неисследованной. В этой предварительной работе мы предлагаем дорожную карту для устранения этого пробела и использования потенциала LLMs для HP. С этой целью мы представляем таксономию методов интеграции, исследуя, как LLMs могут быть использованы в жизненном цикле HP. Кроме того, мы предоставляем бенчмарк со стандартизированным набором данных для оценки производительности будущих подходов HP на основе LLM и представляем начальные результаты для современного планировщика HP и планировщика на основе LLM. Как и ожидалось, последний демонстрирует ограниченную производительность (3% правильных планов, и ни один с правильным иерархическим разложением), но служит ценной базовой линией для будущих подходов.

    Источник: A Roadmap to Guide the Integration of LLMs in Hierarchical Planning / I. Puerta-Merino, C. N´u˜nez-Molina, P. Mesejo, [et al.]. — 2025. — arXiv: 2501.08068 [cs.AI].

20. Оценка стратегий согласования внутрифирменных LLM в бизнес-контекстах

    Авторы: Noah Broestl, Benjamin Lange, Cristina Voinea, Geoff Keeling, Rachael Lam

    Перевод выполнил: М.К. Слипенко

    Описание: Крупные языковые модели, настроенные на выполнение инструкций (LLM), всё чаще используются в качестве ИИ-помощников в фирмах для поддержки когнитивных задач. Эти ИИ-помощники несут в себе встроенные перспективы, которые влияют на различные факторы внутри фирмы, включая принятие решений, сотрудничество и организационную культуру. В данной статье утверждается, что фирмам необходимо целенаправленно согласовывать перспективы этих ИИ-помощников с их целями и ценностями, рассматривая такое согласование как стратегический и этический императив, имеющий решающее значение для сохранения контроля над культурой фирмы и внутрифирменными моральными нормами. В статье подчеркивается, как перспективы ИИ возникают из предвзятости в обучающих данных и целей тонкой настройки, задаваемых разработчиками, а также обсуждается их влияние и этическое значение, выдвигая на первый план этические проблемы, такие как предвзятость автоматизации и снижение критического мышления. Опираясь на нормативную деловую этику, в частности, на нередукционистские взгляды на профессиональные отношения, предлагаются три различные стратегии согласования: поддерживающая (укрепление миссии фирмы), состязательная (стресс-тестирование идей) и разнообразная (расширение моральных горизонтов путем включения множества точек зрения заинтересованных сторон). Анализируются этические компромиссы каждой стратегии и их последствия для отношений между менеджерами и сотрудниками, а также между сотрудниками, наряду с потенциалом для формирования культуры и моральной основы фирмы.

    Источник: Evaluating Intra-firm LLM Alignment Strategies in Business Contexts / N. Broestl, B. Lange, C. Voinea, [et al.]. — 2025. — arXiv: 2505.18779 [cs.CY].