Details

В данной работе рассматривается разработка методов и подходов на основе искусственного интеллекта для извлечения и структурирования знаний из текстовых источников и их применения в оптимизационных процессах управления активами. Цель работы заключается в создании методики извлечения сущностей и отношений из неструктурированных данных, формировании графа знаний и использовании его в управленческих решениях. Методика работы включает применение моделей обработки естественного языка (NLP), больших языковых моделей (LLM, модель Qwen2), а также семантического кодирования текстов с использованием модели Nomic Embed Text. Извлеченные данные структурируются в виде графа знаний, который хранится в формате JSON и GraphML. Результатом исследования является прототип интеллектуальной системы, обеспечивающей автоматизированную обработку текстовой документации и формирование графа знаний, используемого в оптимизационных расчетах. Практическое применение результатов работы способствует повышению эффективности управления нефтегазовыми активами за счёт улучшения точности анализа данных и ускорения принятия решений. Выводы подтверждают эффективность предложенных методов, обоснованность выбора конкретных инструментов (Qwen2, Nomic Embed Text) и возможность их интеграции в аналитические процессы предприятий нефтегазового сектора.

This study explores the development of AI-based methods and approaches for extracting and structuring knowledge from textual sources and applying them in asset management optimization processes. The aim of the work is to create a methodology for extracting entities and relationships from unstructured data, constructing a knowledge graph, and applying it to management decisions. The methodology includes Natural Language Processing (NLP) models, large language models (LLM, specifically the Qwen2 model), and semantic encoding using the Nomic Embed Text model. Extracted data is structured into a knowledge graph stored in JSON and GraphML formats. The research outcome is a prototype intelligent system facilitating automated processing of textual documentation and the formation of a knowledge graph utilized in optimization calculations. Practical application of the results improves oil and gas asset management efficiency by enhancing analytical accuracy and accelerating decision-making processes. Conclusions confirm the effectiveness of the proposed methods, justify the selection of specific tools (Qwen2, Nomic Embed Text), and demonstrate their suitability for integration into the analytical processes of oil and gas enterprises.