Нейроконсультант в области законодательной метрологии на базе искусственного интеллекта

Рассмотрена наиболее бурно развивающаяся технология искусственного интеллекта, так называемые большие лингвистические модели (Large Language Models, LLM). Проанализирован их функционал, приведены примеры и перспективы использования в различных областях деятельности. Показано, что с применением специальных технологий дообучения появляются возможности создания на базе больших лингвистических моделей многочисленных нейросотрудников, повышающих эффективность деятельности компаний. Дообучение добавляет к базовому интеллекту больших лингвистических моделей специальные экспертные знания в определённой области и/или определённые функциональные возможности. Описан пилотный проект, реализованный ВНИИМС совместно с Университетом искусственного интеллекта, по созданию нейроконсультанта в области законодательной метрологии на базе модели YandexGPT. Результаты проекта подтвердили практическую реализуемость и высокую эффективность подобного нейросотрудника. Проект предполагает возможность дальнейшего развития и масштабирования.

1. Кузин А. Ю., Крошкин А. Н. Нормативно-правовые аспекты цифровой трансформации в метрологии. Законодательная и прикладная метрология, (5(179)), 14–21 (2022). https://elibrary.ru/lghnii

2. Барсукова А. В. Искусственный интеллект. Перспективы развития цифровой метрологии. Главный метролог, (3(120)), 46–50 (2021). https://www.elibrary.ru/cyexoe

3. Кузин А. Ю., Крошкин А. Н., Исаев Л. К., Булыгин Ф. В., Войтко В. Д. Практические аспекты применения искусственного интеллекта в метрологии. Измерительная техника, (9), 66–72 (2023). https://doi.org/10.32446/0368-1025it.2023-9-66-72

4. Андрейченко А. Е., Гусев А. В. Перспективы применения больших языковых моделей в здравоохранении. Национальное здравоохранение. 4(4), 48–55 (2023). https://doi.org/10.47093/2713-069X.2023.4.4.48-55

5. Зупарова В. В., Маркин Е. И., Зупарова В. В. Стратегии дообучения и оценки производительности языковых моделей. Современные информационные технологии, (39(39)), 26–30 (2024). https://www.elibrary.ru/hdtxth

6. Безрученко А. Ю., Кравец А. Г. Обзор подходов в области больших языковых моделей (LLM). Интеллектуальные информационные системы. Труды международной научно-практической конференции, посвященной 40-летию кафедры САПРИС. Воронеж, 14–15 февраля 2024 г. С. 255–258. Воронежский государственный технический университет, Воронеж (2024). https://www.elibrary.ru/sxgdvo

7. Прохоренко А. В., Сергеев С. И., Куркин Я. И. Применение и дообучение современных больших языковых моделей (LLM). Экспериментальные и теоретические исследования в современной науке. Сборник статей по материалам CI международной научно-практической конференции. Новосибирск, 27 мая 2024 г. С. 70–81. ООО «Сибирская академическая книга», Новосибирск (2024). https://www.elibrary.ru/kqyryi

8. Калина В. Г. Обзор методов дообучения больших языковых моделей. Современные проблемы физики и технологий. Сборник тезисов докладов XI международной молодежной научной школы-конференции. Москва, 23–25 апреля 2024 г. С. 428–430. Национальный исследовательский ядерный университет «МИФИ», Москва (2024). https://www.elibrary.ru/tugfvq

9. Аверина Е. М. Нейросотрудники: путь к повышению производительности компаний. ВУЗ и реальный бизне с, 1, 119–124 (2024). https://www.elibrary.ru/vyaypk

10. Андрощук Ю. М., Пашаев Б.М. Несколько вопросов об испытаниях средств измерений. Главный метролог, (5(134)), 38–43 (2023). https://www.elibrary.ru/wpsjmy

11. Крошкин А. Н. Российская система калибровки (РСК): документы, требования, эталоны, методики. Главный метролог, (3(126)), 57–58 (2022). https://www.elibrary.ru/mmnhht

12. Бородулин И. В. Увеличение точности больших языковых моделей с помощью расширенной поисковой генерации. Вестник науки, 3(72), 400–405 (2024). https://www.вестник-науки.рф/article/13398