Все выпуски

Автоматизированное проектирование процессов сборки сложных систем — это важное направление современных информационных технологий. Последовательность сборки и декомпозиция изделия на сборочные единицы в значительной степени зависят от механической структуры технической системы (машины, механического прибора и др.). В большей части современных исследований механическая структура изделий моделируется при помощи графа связей и различных его модификаций. Координация деталей при сборке может достигаться реализацией нескольких связей одновременно. Это порождает на множестве деталей изделия многоместное отношение базирования, которое не может быть корректно описано графовыми средствами. Предложена гиперграфовая модель механической структуры изделия. В современном дискретном производстве используются секвенциальные когерентные сборочные операции. Математическим описанием таких операций служит нормальное стягивание ребер гиперграфовой модели. Последовательность стягиваний, которая преобразуют гиперграф в точку, представляет собой описание сборочного плана. Гиперграфы, для которых существует такое преобразование, называются $s$-гиперграфами. $s$-гиперграфы — это корректные математические модели механических структур любых собираемых изделий. Приводится теорема о необходимых условиях стягиваемости $s$-гиперграфов. Показано, что необходимые условия не являются достаточными. Дан пример нестягиваемого гиперграфа, для которого выполняются необходимые условия. Это значит, что проект сложной технической системы может содержать скрытые структурные ошибки, которые делают невозможным сборку изделия. Поэтому поиск достаточных условий стягиваемости является важной задачей. Доказаны две теоремы о достаточных условиях стягиваемости. Они дают теоретическое основание для разработки эффективной вычислительной процедуры поиска всех $s$-подграфов $s$-гиперграфа. $s$-подграф — это модель любой части изделия, которую можно собрать независимо. Это прежде всего сборочные единицы различного уровня иерархии. Упорядоченное по включению множество всех $s$-подграфов $s$-гиперграфа представляет собой решетку. Эту модель можно использовать для синтеза всевозможных последовательностей сборки и разборки изделия и его составных частей. Решеточная модель изделия позволяет анализировать геометрические препятствия при сборке алгебраическими средствами.

В данной статье исследуется эффективность применения технологии Retrieval-Augmented Generation (RAG) в сочетании с различными большими языковыми моделями (LLM) для поиска документов и получения информации в корпоративных информационных системах. Рассматриваются варианты использования LLM в корпоративных системах, архитектура RAG, характерные проблемы интеграции LLM в RAG-систему. Предлагается архитектура системы, включающая в себя векторный энкодер текстов и LLM. Энкодер используется для создания векторной базы данных, индексирующей библиотеку корпоративных документов. Запрос, передаваемый LLM, дополняется релевантным ему контекстом из библиотеки корпоративных документов, извлекаемым с использованием векторной базы данных и библиотеки FAISS. Большая языковая модель принимает запрос пользователя и формирует ответ на основе переданных в контексте запроса данных. Рассматриваются общая структура и алгоритм функционирования предлагаемого решения, реализующего архитектуру RAG. Обосновывается выбор LLM для исследования и проводится анализ результативности использования популярных LLM (ChatGPT, GigaChat, YandexGPT, Llama, Mistral, Qwen и др.) в качестве компонента для генерации ответов. На основе тестового набора вопросов методом экспертных оценок оцениваются точность, полнота, грамотность и лаконичность ответов, предоставляемых рассматриваемыми моделями. Анализируются характеристики отдельных моделей, полученные в результате исследования. Приводится информация о средней скорости отклика моделей. Отмечается существенное влияние объема доступной памяти графического адаптера на производительность локальных LLM. На основе интегрального показателя качества формируется общий рейтинг LLM. Полученные результаты подтверждают эффективность предложенной архитектуры RAG для поиска документов и получения информации в корпоративных информационных системах. Были определены возможные направления дальнейших исследований в этой области: дополнение контекста, передаваемого LLM, и переход к архитектуре на базе LLM-агентов. В заключении представлены рекомендации по выбору оптимальной конфигурации RAG и LLM для построения решений, обеспечивающих быстрый и точный доступ к информации в рамках корпоративных информационных систем.