Целью работы является разработка математического и алгоритмического обеспечения для автоматического обновления правил в миварной экспертной системе с использованием больших языковых моделей. В ходе этого исследования было разработано математическое и алгоритмическое обеспечение для динамического и автоматического обновления правил. Обеспечение используется для решения проблемы запаздывания обновления правил базы знаний традиционной миварной экспертной системы и длительного времени ручного обновления. Математическое и алгоритмическое обеспечение в этом исследовании основано на способности генерировать большие языковые модели, включая четыре алгоритма. Триггерный алгоритм на основе оценки достоверности; алгоритм генерации подсказок; алгоритм безопасной верификации; алгоритм введения правил. Научная новизна работы заключается в разработке четырех алгоритмов, обеспечивающих автоматическое динамическое обновление правил в миварной экспертной системе с использованием больших языковых моделей. Эксперименты показывают, что математическое и алгоритмическое обеспечение, использованное в этом исследовании, может эффективно улучшить способность в миварной экспертной системы автономно обновлять правила. Было обработано 95,8 % неизвестных сценариев, а точность генерации правил достигла 91,3 %. Цикл обновления базы знаний сократился с нескольких часов до нескольких секунд. Данное исследование доказывает преимущества использования LLM в качестве внешнего интеллектуального сервиса для реализации автоматического обновления правил базы знаний миварной экспертной системы.
1. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. Москва: Радио и связь; 2002. 286 с.
2. Платонов Ю.Г. Анализ перспектив перехода информационных систем на сервисно-ориентированную архитектуру. Проблемы информатики. 2011;(4):56–65.
3. Шэнь Ц., Гун Ш., Варламов О.О., Адамова Л.Е., Баленко Е.Г. Динамическое планирование траектории робота на основе семантического обнаружения объектов с использованием миварной экспертной системы. Проблемы искусственного интеллекта. 2024;(4):164–176. https://doi.org/10.24412/2413-7383-2024-4-164-176
4. Коценко А.А. Разработка моделей миварного логического пространства для обеспечения трехмерного движения автономных роботов. В сборнике: МИВАР '24: Сборник научных статей, 18–20 апреля 2024 года, Москва, Россия. Москва: ИНФРА-М; 2024. С. 361–366.
5. Чибирова М.О. Анализ подходов к построению систем поддержки принятия решений: Онтологии и Мивары. Автоматизация и управление в технических системах. 2014;(1-2):44–60.
6. Доу Л. Модель принятия решений для обнаружения пожаров на основе распознавания образов и миварной экспертной системы. Системы управления и информационные технологии. 2025;(3):59–65.
7. Доу Л. О разработке алгоритмического обеспечения для создания и обновления правил миварной экспертной системы на основе GPT. В сборнике: МИВАР '25: Доклады, 17–19 апреля 2025 года, Москва, Россия. Москва: ИНФРА-М; 2025. С. 415–417.
8. Hanney K., Keane M.T. The adaptation knowledge bottleneck: How to ease it by learning from cases. In: Case-Based Reasoning Research and Development: Second International Conference on Case-Based Reasoning (ICCBR-97), 25–27 July 1997, Providence, RI, USA. Berlin, Heidelberg: Springer; 1997. P. 359–370. https://doi.org/10.1007/3-540-63233-6_506
9. Доу Л. Создание мультимодальной системы обнаружения пожаров и применение в миварной экспертной системе. Информация и образование: границы коммуникаций. 2025;(17):223–227.
10. Zhang X., Sun W., Chen K., Jiang R. A multimodal expert system for the intelligent monitoring and maintenance of transformers enhanced by multimodal language large model fine-tuning and digital twins. IET Collaborative Intelligent Manufacturing. 2024;6(4). https://doi.org/10.1049/cim2.70007
11. Чибирова М.О. Сравнительный анализ миварного подхода с подходами, основывающимися на онтологиях и когнитивных картах. Радиопромышленность. 2015;(3):55–66.
12. Луцкович А.И., Васильев В.И., Вульфин А.М., Кириллова А.Д., Сулавко А.Е. Автоматизированная система анализа слабоструктурированных данных киберразведки с использованием больших языковых моделей. Информационно-управляющие системы. 2025;(2):50–67.
13. Hu W., Xu Y., Li Y., et al. BLIVA: A Simple Multimodal LLM for Better Handling of Text-Rich Visual Questions. Proceedings of the AAAI Conference on Artificial Intelligence. 2024;38(3):2256–2264. https://doi.org/10.1609/aaai.v38i3.27999
14. Хадиев А.М. Разработка и практическая реализация миварной машины логического вывода. Радиопромышленность. 2015;(3):79–89.
15. Коценко А.А. Анализ применения для АСУТП миварных сетей в формате двудольных и трехдольных графов. В сборнике: МИВАР '24: Сборник научных статей, 18–20 апреля 2024 года, Москва, Россия. Москва: ИНФРА-М; 2024. С. 432–438.
16. Гаврилов Л.Я., Уляшин В.В., Попов М.Ю. Исследование возможностей больших лингвистических моделей для создания миварных баз знаний. В сборнике: ИИАСУ'24 – Искусственный интеллект в автоматизированных системах управления и обработки данных: Сборник статей III Всероссийской научной конференции: Том 2, 30 октября – 01 ноября 2024 года, Москва, Россия. Москва: Издательский дом КДУ; 2025. С. 23–31.
17. Данилюк А.В., Ким Р.И. О применении MivarGPT для автоматизации создания миварных баз знаний и машиностроительного искусственного интеллекта. В сборнике: ИИАСУ'23 – Искусственный интеллект в автоматизированных системах управления и обработки данных: Сборник статей II Всероссийской научной конференции: Том 3, 27–28 апреля 2023 года, Москва, Россия. Москва: Издательский дом КДУ; 2023. С. 568–573.
18. Du S.Q., Tang S.J., Wang W.X., Li X.M., Guo R.Z. Tree-GPT: Modular Large language Model expert system for forest remote sensing image understanding and interactive analysis. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2023;48(1):1729–1736. https://doi.org/10.5194/isprs-archives-xlviii-1-w2-2023-1729-2023
19. Lammert Ja., Dreyer T.F., Lörsch A.M., et al. Large language models for precision oncology: Clinical decision support through expert-guided learning. Journal of Clinical Oncology. 2024;42(16_suppl). https://doi.org/10.1200/jco.2024.42.16_suppl.e13609
20. Schuerkamp R., Ahlstrom H., Giabbanelli Ph.J. Automatically resolving conflicts between expert systems: An experimental approach using large language models and fuzzy cognitive maps from participatory modeling studies. Knowledge-Based Systems. 2025;313. https://doi.org/10.1016/j.knosys.2025.113151
21. Awasthi Y., Garikayi T., Fundisi L.T., Mukhalela B. A Comparative Study: Evaluating ChatGPT and DeepSeek AI Tools in Practice. International Journal of Open Information Technologies. 2025;13(5):67–70.
22. Доу Л. Метод обработки информации и изменения пороговых параметров правил в миварной экспертной системе с использованием больших языковых моделей. Проблемы искусственного интеллекта. 2025;(4):194–205. https://doi.org/10.24412/2413-7383-2025-4-39-194-205
