Ключевые слова: большая языковая модель, эмбеддинг, генерация с дополнением извлеченными данными, семантический поиск, векторная база данных, техническая поддержка, веб-приложение
УДК 004.89
DOI: 10.26102/2310-6018/2026.62.11.009
Актуальность исследования обусловлена необходимостью автоматизации технической поддержки программных продуктов при ограниченности знаний универсальных больших языковых моделей и недостаточной эффективности поиска только по точному совпадению слов. Цель работы состоит в проектировании и функциональной проверке интеллектуальной системы, формирующей ответы на основе релевантных фрагментов разнородной базы знаний. Основным подходом является генерация с дополнением извлеченными данными, объединяющая обработку документации, исходного кода и решенных обращений пользователей в систему технической поддержки, построение нормализованных векторных представлений, полнотекстовый и семантический поиск, объединение результатов ранжирования и формирование ответа большой языковой моделью. Для проверки сформирован набор из 100 вопросов по пяти категориям и использована база знаний из 148 источников, разделенных на 201 фрагмент. Для вопросов с подтвержденными сведениями корректные ответы получены в 76,25 % случаев. Общая доля корректно обработанных запросов составила 67 %, а при отсутствии подтверждающих сведений система корректно отказалась от ответа в 6 из 20 случаев. Полученные результаты подтверждают работоспособность разработанной системы при наличии необходимых сведений в базе знаний и показывают необходимость совершенствования обработки запросов с отсутствующей информацией. Практическая значимость решения состоит в возможности создавать специализированных агентов технической поддержки и обновлять их предметные знания посредством переиндексации источников без дополнительного обучения языковой модели.
1. Антонов И.В., Бруттан Ю.В. Применение больших языковых моделей для интеллектуального поиска и извлечения информации в корпоративных информационных системах. Компьютерные исследования и моделирование. 2025;17(5):871–888. https://doi.org/10.20537/2076-7633-2025-17-5-871-888
2. Каширин И.Ю. Формирование LLM-ориентированных ресурсов знаний на основе генерации дополненной информации. Вестник РГРТУ. 2025;(94):85–97. https://doi.org/10.21667/1995-4565-2025-94-85-97
3. Lewis P., Perez E., Piktus A., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. In: Advances in Neural Information Processing Systems 33 (NeurIPS 2020), 06–12 December 2020, Virtual Event. 2020. URL: https://arxiv.org/abs/2005.11401
4. Каширина И.Л., Осипов И.Р., Яковлев В.А. Разработка и оценка RAG-системы для анализа семантических связей. Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2025;(2):114–126. https://doi.org/10.17308/sait/1995-5499/2025/2/114-126
5. Мельников А.В., Николаев И.Е., Русанов М.А., Аббазов В.Р. Сравнительный анализ методов RAG для построения русскоязычных интеллектуальных сервисов. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2025;25(2):5–18. https://doi.org/10.14529/ctcr250201
6. Zhang Y., Li M., Long D., et al. Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models. arXiv. URL: https://arxiv.org/abs/2506.05176 [Accessed 11th August 2026].
7. Reimers N., Gurevych I. Sentence-BERT: Sentence embeddings using Siamese BERT-networks. In: Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP 2019), 03–07 November 2019, Hong Kong, China. ACL; 2019. P. 3980–3990. https://doi.org/10.18653/v1/D19-1410
8. Malkov Yu.A., Yashunin D.A. Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020;42(4):824–836. https://doi.org/10.1109/TPAMI.2018.2889473
9. Cormack G.V., Clarke Ch.L.A., Buettcher S. Reciprocal rank fusion outperforms Condorcet and individual rank learning methods. In: SIGIR '09: Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval, 19–23 July 2009, Boston, MA, USA. New York: ACM; 2009. P. 758–759. https://doi.org/10.1145/1571941.1572114
10. Es Sh., James J., Espinosa Anke L., Schockaert S. RAGAs: Automated evaluation of retrieval augmented generation. In: Proceedings of the 18th Conference of the European Chapter of the Association for Computational Linguistics: System Demonstrations, 17–22 March 2024, St. Julians, Malta. ACL; 2024. P. 150–158. https://doi.org/10.18653/v1/2024.eacl-demo.16
Ключевые слова: большая языковая модель, эмбеддинг, генерация с дополнением извлеченными данными, семантический поиск, векторная база данных, техническая поддержка, веб-приложение
Для цитирования: Сузьмин Д.Ю., Усманов Б.В., Егунова А.И., Ямашкин С.А., Федосин С.А., Аббакумов А.А. Применение эмбеддингов и больших языковых моделей для построения интеллектуальной системы технической поддержки. Моделирование, оптимизация и информационные технологии. 2026;14(11). URL: https://moitvivt.ru/ru/journal/article?id=2620 DOI: 10.26102/2310-6018/2026.62.11.009
© Сузьмин Д.Ю., Усманов Б.В., Егунова А.И., Ямашкин С.А., Федосин С.А., Аббакумов А.А. Статья опубликована на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NS 4.0)Поступила в редакцию 01.09.2026
Поступила после рецензирования 30.10.2026
Принята к публикации 12.11.2026