Применение эмбеддингов и больших языковых моделей для построения интеллектуальной системы технической поддержки
Работая с сайтом, я даю свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта обрабатывается системой Яндекс.Метрика
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

Применение эмбеддингов и больших языковых моделей для построения интеллектуальной системы технической поддержки

Сузьмин Д.Ю.,  Усманов Б.В.,  Егунова А.И.,  idЯмашкин С.А., idФедосин С.А., Аббакумов А.А. 

УДК 004.89
DOI: 10.26102/2310-6018/2026.62.11.009

  • Аннотация
  • Список литературы
  • Об авторах

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

Сузьмин Дмитрий Юрьевич

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва

Саранск, Российская Федерация

Усманов Булат Витальевич

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва

Саранск, Российская Федерация

Егунова Алла Ивановна
Кандидат исторических наук, доцент

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва

Саранск, Российская Федерация

Ямашкин Станислав Анатольевич
Кандидат технических наук, доцент

WoS | Scopus | ORCID | РИНЦ |

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва

Саранск, Российская Федерация

Федосин Сергей Алексеевич
Кандидат технических наук, профессор

Scopus | ORCID | РИНЦ |

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва

Саранск, Российская Федерация

Аббакумов Андрей Александрович
Кандидат технических наук, доцент

РИНЦ |

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва

Саранск, Российская Федерация

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)
76

Полный текст статьи в PDF

Скачать JATS XML

Поступила в редакцию 01.09.2026

Поступила после рецензирования 30.10.2026

Принята к публикации 12.11.2026