Труды КНЦ (Технические науки вып. 3/2024(15))

Стоит отметить, что количество временных точек, в которых описывается состояние системы, может определяться разным способом. Например, в соответствии с определенной частотой дискретизации либо при возникновении определенных событий, которые приводят к изменению параметров системы. Задача формирования параметрического описания сценария из его естественно -языкового представления решается специальным программным модулем — парсером сценария. Данный модуль с помощью методов и средств обработки естественного языка (Natural Language Processing, NLP) [18, 19] извлекает именованные сущности, факты, события и данные из сгенерированного текстового описания, соотносит их c информацией, представленной в прикладной онтологии жизнеспособности, и, при необходимости, дополняет ее данными, содержащимися в гиперкубе жизнеспособности БСВ-системы [20]. Сформированное параметрическое описание сценария передается программному компоненту «Менеджер вычислительного эксперимента». Его основной задачей является организовать имитацию в исполнительной среде поданного на вход сценария. Для автоматизации данного процесса предлагается сопоставлять параметрическое описание сценария с параметрическим описанием имитационной модели жизнеспособности БСВ-системы с целью перевода параметров системы, представленных в сценарии, в модельные параметры. Для разрешения возникающих сложностей при трансформации параметров на первоначальных этапах необходимо привлекать эксперта. Однако, с накоплением знаний об особенностях практической реализации данного процесса можно попробовать перенести их в системную онтологию и на ее основе алгоритмизировать процедуру представления сценария в имитационной модели. Результатом функционирования менеджера вычислительного эксперимента является генерация конфигурационного файла для имитационной модели, который позволяет инициализировать модель в исполнительной среде. Запуск вычислительного эксперимента в среде имитационного моделирования вызывается с помощью команд программного интерфейса (API). Например, для среды Anylogic это можно реализовать с помощью команды «POST /ѵегею^/<идентификатор в е р с и и > /т ^ » через REST API, где версия — это идентификатор запускаемой модели. Из-за особенностей организации взаимодействия имитационных моделей, реализованных в Anylogic, со сторонним программным обеспечением для реализации возможности инициализировать модель в соответствии с заданными параметрами сценария необходимо саму модель разрабатывать специфичным образом. Для этого нужно сделать так, чтобы при запуске модели значения ее параметров считывались из внешнего источника информации (электронной таблицы или базы данных), который, по сути, и будет выступать в роли конфигурационного файла. Исполнительная среда проводит вычислительный эксперимент над инициализированной моделью. Результаты имитации предоставляются эксперту и/или разработчику модели для дальнейшего анализа. Проведенные эксперименты по генерации потенциальных сценариев кризисных ситуаций, которые могут возникнуть в арктическом моногороде (как примере региональной БСВ -системы), с помощью больших языковых моделей (GigaChat от Сбера и ChatGPT от OpenAI) выявили ряд проблем предложенной концепции. Во-первых, вероятность получения подробного описания сценария развития кризисной ситуации без дополнительной информации только на основе запроса эксперта очень низкая. В ходе общения с экспертом LLM пыталась обобщить доступную ей информацию и привести типизацию кризисных ситуаций, которые возможны в региональной БСВ-системе. Суммаризация нейросетью типов кризисных ситуаций и причин их возникновения обладала довольно высокой степенью правдоподобия. Во-вторых, в сгенерированном сценарии могут содержаться параметры, которые не представлены ни в прикладной онтологии жизнеспособности, ни в разработанной имитационной модели. Это потребует реализацию специальных процедур для дополнения указанных базы знаний и модели. Для устранения первой выявленной проблемы предлагается воспользоваться подходом расширения запроса к большой языковой модели посредством добавления контекста - - RAG (Retrieval Augmented Generation) [21]. Основная идея данной технологии заключается в повышении релевантности ответа LLM за счет формирования расширенного запроса на основе соединения Труды Кольского научного центра РАН. Серия: Технические науки. 2024. Т. 15, № 3. С. 27-40. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2024. Vol. 15, No. 3. P. 27-40. © Быстров В. В., Халиуллина Д. Н., Шишаев М. Г., 2024 32