Публикации автора

В условиях стремительного увеличения объёма издаваемой научной литературы автоматическое реферирование текстов с помощью технологий искусственного интеллекта становится актуальной задачей. Современные модели реферирования основаны на использовании предварительно обученных больших языковых моделей, развёртывание которых часто требует значительных аппаратных ресурсов. В то же время применение для реферирования текстов специализированных моделей, основанных на той же архитектуре трансформеров, не требует больших аппаратных ресурсов, что позволяет использовать их как на локальных серверах, так и в облачной среде со значительно меньшими затратами. В статье приводятся результаты оценки на основе метрики ROUGE для рефератов, сформированных на больших языковых моделях MBart (специализированная модель) и T-lite (универсальная модель). Исходные текстовые массивы для анализа формировались из статей, опубликованных в журнале «Научные и технические библиотеки» в 2025 г. Проведённый анализ показал, что лучшие значения метрики ROUGE даёт использование модели MBart. Однако полученные данные не могут свидетельствовать о качестве содержания рефератов, формируемых сравниваемыми моделями, поскольку метрика ROUGE показывает лишь степень совпадения слов и фраз в реферате и эталонном тексте. Вывод авторов заключается в том, что достаточно «лёгкие» модели, такие как MBart, в библиотеках могут быть развёрнуты локально и без использования графического процессора, а это предпочтительнее для их широкого использования на практике.

Статья представляет результаты комплексного исследования применения больших языковых моделей (LLM) и технологий искусственного интеллекта в отечественной библиотечно-информационной деятельности. Проведён сравнительный анализ эффективности российских (GigaChat, YaGPT) и зарубежных (ChatGPT, Claude, LLaMA, Mistral, DeepSeek) языковых моделей для решения трёх ключевых библиотечных задач: семантической деконструкции пользовательских запросов, распознавания рукописных каталожных карточек и автоматической коррекции ошибок в текстовых данных. Методология исследования включала систематическое тестирование через программные интерфейсы API на репрезентативных выборках запросов, образов рукописных карточек и полнотекстовых документов. Выявлены принципиально значимые ограничения существующих решений: нестабильность и деградация моделей, избыточная цензура с высоким процентом ложных срабатываний, генерация несуществующих данных (галлюцинации), непредсказуемость структурированного вывода, культурно-лингвистические барьеры. На основе полученных результатов разработана специализированная система ИРБИС AI с архитектурой Mixture of Experts, обеспечивающая стабильную и быструю обработку библиографических данных. Представлена практическая реализация в модуле J-ИРБИС 2.0 с тремя режимами ИИ-поддержки: справочное обслуживание, семантическая обработка запросов и интеллектуальный подбор литературы. Обозначены перспективы развития: создание библиотечного портала с полностью ИИ-управляемым интерфейсом, автоматизация каталогизации через мультимодальные модели, комплексная обработка неструктурированных данных и преобразование имидж-каталогов.