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

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. Рис. 4. Схема генерации сценария развития системы на основе LLMи RAG-технологии Согласно предложенному подходу разработчик (эксперт) может остановить имитацию модели в определенный момент времени Tp для того, чтобы попытаться изучить альтернативный сценарий развития системы, который может реализовываться, начиная с зафиксированного момента времени. При этом предполагается, что альтернативный сценарий может не входить во множество запланированных траекторий функционирования системы. В зафиксированный момент времени Tp снимается модельное состояние StM(Tp) и представляется в виде параметрического описания. Например, в среде имитационного моделирования Anylogic технически этот процесс можно реализовать с помощью создания пользовательской функции, которая при возникновении события «фиксация времени» сохраняла бы текущие значения параметров модели и их названия во внешний файл заданной структуры (электронную таблицу или таблицу БД). Следующим шагом является получение из параметрического описания состояния системы (сформированного из имитационной модели) естественно-языкового описания исследуемого состояния. Данную процедуру осуществляет программный модуль «Генератор контекста». Функционирование генератора контекста может быть реализовано двумя способами: — на основе онтологий и инженерии знаний (ontology-based); — на основе больших языковых моделей (neural-based). В первом случае используется лексическая онтология, содержащая правила формирования естественно-языкового описания из набора пар <Parameter, Value> параметрического описания, совместно с системной онтологией имитационного моделирования. Системная онтология содержит концепты и взаимоотношения между ними, описывающие процесс создания и применения имитационной модели. При необходимости для уточнения понятий (нахождения синонимичных терминов) дополнительно используется граф знаний жизнеспособности системы. Лексическая и системная онтология формируется на основе экспертных знаний, а граф знаний — на основе доступных источников информации, затрагивающие вопросы управления жизнеспособностью больших систем. Во втором варианте в качестве генератора естественно-языкового контекста выступает большая языковая модель общего назначения. Возможно, для получения наиболее релевантных ответов придется нейросеть «дообучить» на основе подхода fine-tuning за счет предъявления нескольких эталонных примеров ожидаемых результатов работы LLM (Few-shot learning) [22]. После формирования естественно-языкового описания исследуемого состояния системы оно поступает на вход генератора сценария развития кризисной ситуации. В качестве генератора используется большая языковая модель, но, в отличие от раннее рассмотренной концепции генерации сценариев (рис. 2), в данном случае на вход нейронной сети подается расширенный запрос. Расширение запроса реализуется за счет добавления к промпту эксперта естественно - языкового описания исследуемого состояния системы. Разработчик предлагает LLM сформировать сценарий развития кризисной ситуации при заданных начальных условиях. Для технической реализации расширения запроса используется технология RAG. При этом для повышения качества результатов возможно добавление в расширенный запрос дополнительных текстовых фрагментов (chunks), содержащих более детальную информацию о предметной области. © Быстров В. В., Халиуллина Д. Н., Шишаев М. Г., 2024 34