Публикации автора

Способность больших языковых моделей справляться с интеллектуальными задачами является крайне важным навыком в различных средах, для которых требуется принимать решения на основе общедоступной информации. В обучении с подкреплением, особенно в мультиагентном, независимо от сложности среды, крайне важно на основе простых действий достигать значимых результатов, которые с точки зрения ретроспективы могли казаться невыполнимыми. Рассмотрена возможность использования большой языковой модели Mistral-7B Instruct-v0.3 для применения в задаче мультиагентного обучения с подкреплением. Разработан метод взаимодействия с Large Language Model (LLM) для использования рассуждения большой языковой модели для задачи планирования и распределения действий. Проведена оценка рефлексии большой языковой модели в результате действий, которые обозначены как необходимые для достижения поставленной в среде цели. Реализуемый трансфер знаний из LLM позволяет использовать успешные подходы для задач мультиагентного обучения с подкреплением в среде мира-сетки. Выполнено экспериментальное сравнение алгоритмов машинного обучения, которые могут эффективно взаимодействовать с предоставляемой им информацией, полученной в результате взаимодействия с большой языковой моделью. Предлагаемый метод позволяет встроить в обучение мультиагентной системы структуру рассуждения LLM

Микросервисная архитектура — это неотъемлемая часть распределенных программных систем, требующих постоянного масштабирования и независимого развертывания всех элементов. Преимущества микросервисов позволяют значительно повысить эффективность современных веб-приложений и открывают новые возможности для развития бизнеса. Однако динамическая изменчивость современных интернет-сервисов, эволюция пользовательских потребностей, а также различные внешние факторы могут нивелировать преимущества микросервисной архитектуры. Перспективным способом адаптивного управления ресурсами распределенных программных систем являются алгоритмы машинного обучения, в особенности алгоритмы глубокого обучения с подкреплением. Рассмотрена интеграция микросервисной архитектуры и мультиагентного обучения с подкреплением. Объединение указанных подходов позволяет оптимизировать работу веб-приложений в нестационарных средах, позволяя системе адаптироваться к изменениям и находить оптимальные решения. Приведены результаты обучения мультиагентного алгоритма независимого Q-обучения в сервисе выбора дорожного маршрута на основе текущего состояния погоды. Для оценки эффективности системы разработаны и введены дополнительные параметры качества обслуживания, позволяющие в полной мере оценить потенциал интеграции микросервисной архитектуры с мультиагентным обучением для решения комплексных задач в динамических средах

В статье представлен аналитический обзор моделей и рисков системы воспроизводства научных кадров по научной специальности «1.2.1. Искусственный интеллект и машинное обучение». Рассмотрены вопросы управления аспирантурой и нормативные барьеры в подготовке молодых учёных. Классифицированы успешные практики защит кандидатских диссертаций в ведущих национальных исследовательских университетах. Приведены обоснования необходимости защиты кандидатской диссертации инженерами машинного обучения. Обобщены предложения по внесению изменений в научную модель аспирантуры и по ИИ-аугментации научного поиска, помогающей преодолевать риски при присвоении квалификации за текстовый результат научной работы.