Разработчики из Южного федерального университета создали гибридный метод поиска логистических данных. Он объединяет смысловой анализ и графовые связи и отвечает на запросы в десятки раз быстрее аналогов. Об этом сообщает «Хайтек».
Логистические компании ежедневно обрабатывают огромные массивы данных: накладные, складские отчёты, сводки о пробках, погоде и авариях. Чтобы ответить на простой вопрос о сроке доставки груза, оператору приходится просматривать несколько разрозненных источников. Искусственный интеллект при ответе на такие вопросы часто выдаёт правдоподобную, но недостоверную информацию — галлюцинирует.
Учёные ЮФУ предложили метод на архитектуре RAG. Языковая модель не генерирует ответ «из головы», а сначала находит нужные фрагменты во внешней базе знаний. Если пользователь прямо называет конкретный объект, программа мгновенно выдаёт связанную с ним информацию. Если запрос сформулирован в свободной форме, компьютер находит несколько самых близких по смыслу опорных узлов, запускает от каждого обход графа на заданную глубину, собирает связанные объекты и ранжирует их по комбинированному правилу.
Векторное представление находит близкие по смыслу объекты, даже если пользователь формулирует вопрос иначе, чем записано в базе. Графовая часть сохраняет связи между складами, магазинами, дорогами, транспортом и погодными условиями. Их объединение позволяет сначала найти смыслово близкие объекты, а затем уточнить результат с учётом реальных зависимостей в системе. Риск галлюцинаций снижается, потому что модель получает не разрозненные тексты, а компактный и связанный набор данных.
Метод испытали на синтетических данных, моделирующих сети разного масштаба — от пятисот ключевых объектов до более чем двух тысяч. Гибридный поиск оказался в два раза точнее графового и в полтора раза точнее векторного. Параметры вклада семантической близости и близости в графе оказались самыми значимыми, но метод не критически чувствителен к настройкам: для текстовых запросов важнее семантика, для маршрутов и зависимостей — графовая часть.
Практическое применение разработки — любой бизнес, связанный с перевозками и складами. Оператор колл-центра может спросить: «На каких доставках на прошлой неделе были задержки из-за погоды?» — и получить точный ответ без часов ручного разбора отчётов. Диспетчер, увидев сообщение об аварии на трассе, мгновенно узнает, какие рейсы попадают под удар. Система может сама предупредить о задержке поставки из-за дождя на конкретном участке.
На первом этапе метод разумно рассматривать не как замену существующих систем, а как дополнительный модуль для более удобного доступа к связанным данным. Статья опубликована в журнале Big Data and Cognitive Computing. Авторы — сотрудники Института компьютерных технологий и информационной безопасности, НИИ робототехники и систем управления и НИИ умных материалов Южного федерального университета.
Читать далее:
Вселенная внутри черной дыры: наблюдения «Уэбба» подтверждают странную гипотезу
Испытания ракеты Starship Илона Маска вновь закончились взрывом в небе
Сразу четыре похожих на Землю планеты нашли у ближайшей одиночной звезды
