Інтелектуальний двигун і моделі та методи платформи комплексної підтримки процесів життєвого циклу інфокомунікаційних сервісів
DOI:
https://doi.org/10.25140/2411-5363-2025-3(41)-284-295Ключові слова:
сервісний підхід; інфокомунікаційні сервіси; життєвий цикл сервісів; штучний інтелект; Large Language Model (LLM)Анотація
Розглянута проблема розроблення інтелектуального двигуна як основи інтеграції засобів автоматизації процесів життєвого циклу сервісів моделей і методів для розроблення інструментів ініціації та бізнес-аналізу для платформи підтримки життєвого циклу сервісів у інформаційних системах провайдерів. Запропонований загальний підхід до підтримки процесів усіх етапів життєвого циклу сервісів. Інтелектуальний двигун виступає в ролі асистента команди підтримки життєвого циклу сервісів. Інтелектуальний двигун реалізований на основі відповідно структурованої і навченої великої мовної моделі. Для комунікації з користувачами в контексті проблем велика мовна модель інтегрується із зовнішніми базами знань за допомогою системи генерації з доповненим пошуком знань. Структурована відповідно до поставленої проблеми інформація допомагає великій мовній моделі формувати правильну і зрозумілу користувачам відповідь у контексті проблеми. Для етапів ініціації та бізнес-аналізу, виявлення вимог та побудови архітектури сервісів запропоновані відповідні моделі та методи, реалізовані в рамках загального підходу, порядок і особливості застосування яких підказує асистент.
Для реалізації прототипу рішення використані сучасні технології. Для наповнення бази знань застосовані структура DataFrame і бібліотека Pandas. Векторизація представлень і семантичний пошук релевантного контексту виконані за допомогою моделі all‑MiniLM‑L6‑v2. Формування підказки з контекстом для великої мовної моделі, генерація відповіді реалізовані засобами відкритої моделі Llama 2 у вигляді Docker-сервісу.
Виконане експериментальне дослідження прототипу з порівнянням моделей all-MiniLM-L6-v2, paraphrase-MiniLM-L3-v2 і all-mpnet-base-v2 за такими прийнятими метриками як час генерації векторних представлень, час перетворення одного запиту користувача на вектор, час обчислення схожості між запитом та всіма векторами бази, косинусна і середня подібність підтвердило працездатність запропонованого рішення. Зріс відсоток релевантних відповідей на запити користувачів. Реалізований варіант досить ефективний у проектах з невеликою або середньою кількістю записів. Його використання у проєктах з великими базами вимагатиме для швидкого пошуку розбиття бази на тематичні блоки.
Посилання
Чимшир, В., Теленик, С., Ролік, О. & Жаріков, Е. (2023). Платформа підтримки життєвого циклу сервісів в інформаційних системах провайдерів інформаційно-комунікаційних послуг. Міжвідомчий науково-технічний збірник Адаптивні системи автоматичного управління, 1 (42), 65-78. https://doi.org/10.20535/1560-8956.42.2023.279172 .
Chymshyr, V., Zhdanova, O., Havrylenko, O., Nowakowski, G. & Telenyk, S. (2024). Models and methods for forming service packages for solving of the problem of designing services in information systems of providers. Inf. Comput. and Intell. syst. j., 2, 29-54. https://doi.org/10.20535/ 2786-8729.5.2024.316432 .
Morelli, N., De Götzen, A., & Simeone, L. (2020). Service design capabilities (Springer Series in Design and Innovation, Vol. 10). Springer. https://doi.org/10.1007/978-3-030-56282-3.
Zubiaga, A. (2024). Natural language processing in the era of large language models. Frontiers in Artificial Intelligence, 6, 1-5. https://doi.org/10.3389/frai.2023.1350306.
Nagavalli, S. P., Tiwari, S., & Sarma, W. (2024). Large language models and NLP: Investigating challenges, opportunities, and the path to human-like language understanding. International Research Journal of Engineering and Technology, 12(11), 571-584.
Lu, P., Chen, B., Liu, S., Thapa, R., Boen, J., & Zou, J. (2025). OctoTools: An agentic framework with extensible tools for complex reasoning. In ICLR 2025 Workshop on Foundation Models in the Wild. https://doi.org/10.48550/arXiv.2502.11271.
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474. https://doi.org/10.48550/arXiv.2005.11401.
Tanko Ishaya. (2012). A service oriented approach to Business Intelligence in Telecoms industry. Telematics and Informatics, 3(29), 273-285. https://doi.org/10.1016/j.tele.2012.01.004.
Daidj, N. (2022). Towards renewed Business-IT alignment models in the digital era: The impact of data inclusion. Information Resources Management Journal, 35(1), 1-13. https://doi.org/ 10.4018/IRMJ.298972.
MacLean, D. & Titah, R. (2023). Implementation and impacts of IT Service Management in the IT function. International Journal of Information Management, 70, 1-53. https://doi.org/10.1016/ j.ijinfomgt.2023.102628.
Sun, Y., White, J., Eade, S., & Schmidt, D. C. (2016). ROAR: A QoS-oriented modeling framework for automated cloud resource allocation and optimization. Journal of Systems and Software, 116, 146-161. Elsevier BV. https://doi.org/10.1016/j.jss.2015.08.006.
Tuunanen, T., Salo, M., & Li, F. (2023). Modular service design of information technology-enabled services. Journal of Service Research, 26(2), 270-282.
Wan, J., Song, S., Yu, W., Liu, Y., Cheng, W., Huang, F., et.al. (2024). Omniparser: A unified framework for text spotting key information extraction and table recognition. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 15641-15653).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
