Details

Данная работа посвящена исследованию методов применения искусственного интеллекта в закрытых корпоративных контурах и разработке системы автоматического распознавания, генерации и валидации текстовых документов. Задачи, которые решались в ходе исследования: 1. Изучить существующие подходы и программные решения в области автоматизации документооборота, а также методы обработки и анализа текстовой информации с использованием технологий искусственного интеллекта. 2. Провести сравнительный анализ современных open-source решений и моделей искусственного интеллекта для обработки естественного языка и определить их применимость для автоматизации обработки и согласования текстовых документов. 3. Предложить и обосновать методы, подходы и алгоритмы автоматической обработки пользовательских запросов, выбора и заполнения шаблонов текстовых документов, а также проверки их корректности и полноты. 4. Реализовать прототип AI Агента для автоматизации обработки и согласования текстовых документов на основе выбранных технологий и разработанных алгоритмов. 5. Провести исследование и экспериментальную оценку эффективности разработанного сервиса по показателям точности, скорости обработки и влияния на сокращение времени согласования документов Работа проведена для нужд корпоративной ИТ-инфраструктуры, где собиралась значительная часть фактического материала: исторические данные и причины отказов заявок из ITSM-систем. Были проведены эксперименты, показывающие наглядно, каким образом 4-битное квантование влияет на работу SLM в условиях ограниченных ресурсов. Анализ проводился методами автоматизированного стендового тестирования в среде Google Colab и математического моделирования трудоемкости. В результате была спроектирована гибридная нейросимволическая архитектура и разработан работающий MVP. Разработаны эффективные алгоритмы самокоррекции, блокирующие логические ошибки ввода и риск нейросетевых «галлюцинаций» в критичных сетевых параметрах. На основании проведенных исследований было доказано, что внедрение системы сокращает время обработки заявки до 10 минут и полностью нивелирует влияние человеческого фактора. Для достижения данных результатов в работе были использованы следующие информационные технологии: платформа оркестрации n8n, язык Python, фреймворк FastAPI, реляционная СУБД PostgreSQL, векторная база данных ChromaDB, облачная инфраструктура Managed Kubernetes (VK Cloud) с хранилищем S3, а также локально развернутые малые языковые модели.

This work is devoted to the research of artificial intelligence application methods in closed corporate environments and the development of a system for the automated recognition, generation, and validation of text documents. The tasks addressed during the research are: 1. To study existing approaches and software solutions in the field of document management automation, as well as methods for processing and analyzing textual information using artificial intelligence technologies. 2. To conduct a comparative analysis of modern open-source solutions and artificial intelligence models for natural language processing and determine their applicability for automating the processing and approval of text documents. 3. To propose and justify methods, approaches, and algorithms for the automated processing of user requests, selection and filling of text document templates, as well as the verification of their correctness and completeness. 4. To implement an AI Agent prototype for automating the processing and approval of text documents based on the selected technologies and developed algorithms. 5. To conduct a study and experimental evaluation of the developed services efficiency in terms of accuracy, processing speed, and its impact on reducing document approval time. The work was conducted for the needs of a corporate IT infrastructure, where a significant part of the factual material was collected: historical data and reasons for request rejections from ITSM systems. Experiments were conducted to clearly demonstrate how 4-bit quantization affects the performance of SLMs under limited resource conditions. The analysis was carried out using automated bench testing methods in the Google Colab environment and mathematical modeling of labor intensity. As a result, a hybrid neurosymbolic architecture was designed, and a working MVP was developed. Effective self-correction algorithms were developed to block logical input errors and eliminate the risk of neural network "hallucinations" in critical network parameters. Based on the conducted research, it was proven that the implementation of the system reduces the request processing time to 10 minutes and completely eliminates the influence of the human factor. To achieve these results, the following information technologies were used in the work: the n8n orchestration platform, Python programming language, FastAPI framework, PostgreSQL relational DBMS, ChromaDB vector database, Managed Kubernetes (VK Cloud) cloud infrastructure with S3 storage, as well as locally deployed small language models.