РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО АССИСТЕНТА ДЛЯ УНИВЕРСИТЕТА

АННОТАЦИЯ

Учебный процесс замедляется из-за различных мелочей пропустил уведомление, не нашел документ, запутался в датах. Чтобы избежать этих проблем было решено исправить это технически. Статья описывает создание сервисов, которые берут рутину на себя. Например, бот в Telegram отслеживает изменения в расписании быстрее любого человека. А умный помощник ищет ответы во внутренних документах. В технической части работают Python, LangChain и большие языковые модели.

Главная цель вернуть время студентам и преподавателям. Меньше поиска в сети, больше фокуса на знаниях. Использование решений применимых в работе делает общение между участниками учебного процесса эффективней, уменьшая нагрузку на администрацию и помогая сделать более информационную образовательную среду для учащихся удобной.

ABSTRACT

The learning process often slows down due to minor issues—missed notifications, misplaced documents, confusion over deadlines. To address these challenges, a technical solution was proposed. This article describes the development of services designed to automate routine tasks. For instance, a Telegram bot monitors schedule changes faster than any human could, while an intelligent assistant retrieves answers from internal documentation. The technical stack leverages Python, LangChain, and large language models.

The primary goal is to give time back to students and faculty—less time searching online, more focus on learning. Implementing these practical solutions enhances communication among all participants in the educational process, reduces administrative burden, and helps create a more streamlined, information-rich learning environment for students.

Ключевые слова: RAG, искусственный интеллект, языковые модели, чат-бот, векторная база данных.

Keywords: RAG, artificial intelligence, large language models, chatbot, vector database.

Введение

Разработка интеллектуального ассистента, это не только простое внедрение чат-бота. Это полное преобразование образовательной среды. Ключевая задача данной статьи обеспечить студентов и преподавателей оперативным доступом к верифицированным данным таким как расписание, учебные планы, информация о сотрудниках организации, нормативным актам и так далее.

Главный риск внедрения ИИ заключается в генерации недостоверной информации или так называемых «галлюцинаций». Для того чтобы избежать этого применяется архитектура RAG (Retrieval-Augmented Generation).

Принцип работы системы строится на поиске информации, а не домысливании как это обычно делают модели. Алгоритм формирует ответ исключительно на основе документов из внутренней базы знаний университета. Такой подход гарантирует фактологическую точность и исключает появление выдуманных сведений.

RAG стал стандартом для образовательных ИИ-систем, например CampusAI и Chatbot Udayana. У этого подхода есть преимущества. Система дает точные ответы и показывает источник информации. Это дешевле, чем глубокая настройка моделей (fine-tuning), а данные в базе знаний легко обновлять.

Благодаря этим качествам RAG подходит для университетов. Здесь важны достоверность сведений, их актуальность и доверие пользователей.

Создание ИИ-помощника на базе RAG - это последовательный процесс. Каждый этап влияет на качество итогового результата.

1. Загрузка и разбивка документов - система загружает исходные материалы: расписания, правила приёма, описания курсов, сведения о преподавателях.  Для извлечения текста используют PyPDFLoader из LangChain. Текст разбивают на части так называемые чанки, потому что длинные фрагменты мешают поиску, а короткие теряют контекст. Применяют RecursiveCharacterTextSplitter: он в свою очередь задаёт длину саму чанка, что дает связность информации и повышает точность поиска.
2. Генерация эмбеддингов - каждый текстовый фрагмент преобразуется в числовой вектор, который отражает его смысл. Тексты с похожим содержанием получают близкие векторы в пространстве. Для этой задачи применяют готовые модели. Среди популярных вариантов all-MiniLM-L6-v2 от SentenceTransformer как бесплатное решение и text-embedding-ada-002 от OpenAI как более точный платный инструмент. Выбор модели напрямую влияет на качество поиска и достоверность итоговых ответов системы.
3. Хранение в векторной базе данных — полученные эмбеддинги сохраняются в специализированной базе для быстрого поиска похожих векторов. Среди популярных решений локальная библиотека FAISS от Meta, облачные платформы ChromaDB и Pinecone, а также Amazon OpenSearch Serverless для сложных инфраструктур. В проекте CampusAI применяли FAISS с сохранением в файле. Такой подход обеспечивает высокую скорость работы даже с большим объемом документов.
4. Семантический поиск — когда пользователь задает вопрос, система преобразует его в вектор с помощью той же модели эмбеддингов. Поиск идет не по точному совпадению слов, а по смыслу. Запросы с разными формулировками на одну тему распознаются как относящиеся к одному предмету. Система находит в базе наиболее близкие по значению фрагменты и возвращает несколько самых релевантных ответов для формирования точного ответа.
5. Генерация ответа — отобранные фрагменты и вопрос пользователя передаются большой языковой модели для формирования четкого ответа. В качестве основы могут выступать GPT-3.5 Turbo, LLaMA-3 через Groq или Bedrock Nova Pro от AWS. Модель использует только предоставленный контекст и не генерирует информацию из собственных знаний, что обеспечивает фактологическую точность. В проекте CampusAI все этапы объединены через инструмент RetrievalQAWithSourcesChain из LangChain. Эта цепочка автоматически собирает документы, выполняет поиск и формирует ответ. Система также указывает источник информации, например, название файла и номер страницы. Такая прозрачность повышает доверие пользователей к полученным сведениям.

Архитектура системы

Полная архитектура RAG-ассистента представляет собой единый связанный конвейер (рис. 1):

Рисунок 1. Архитектура RAG-ассистента

Такой подход позволяет системе понимать обычные вопросы, быстро находить нужные данные и давать понятные ответы. Масштабировать проект очень просто. Достаточно загрузить новые файлы, создать для них эмбеддинги и обновить базу. Полная перенастройка или переобучение модели не нужны. Это экономит самое ценное - время университета.

Заключение

Внедрение умного помощника в университете - это не просто новая функция это серьезно меняет всю образовательную систему. Архитектура RAG позволяет создавать систему, которая дает точные ответы. Она не использует общие данные из интернета.

Такой помощник полезен всем участникам учебного процесса. Студенты получают быстрый доступ к расписанию, информации о преподавателях, правилам оформления документов и так далее. Система работает круглосуточно без перерывов.

Преподаватели избавляются от рутины, помощник помогает с подбором материалов и анализом успеваемости. Все это дает больше времени для того чтобы давать знания студентам.

Успех зависит не только от технологий. Важно, как организованы данные и как проходит внедрение.

Если документы неточны или неверны, то и ответы будут неточными. Поэтому крайне важна корректность в файлах и информации.

Список литературы:

1. Минаков, А. И. Искусственный интеллект и нейросети в образовании : учебник : [16+] / А. И. Минаков. – Москва : Директ-Медиа, 2024. – 164 с. : ил., табл. – Режим доступа: по подписке. – URL: https://biblioclub.ru/index.php?page=book&id=715303 (дата обращения: 29.11.2025). – Библиогр. в кн. – ISBN 978-5-4499-4638-6. – DOI 10.23681/715303. – Текст : электронный.
2. Околелов, О. П. Искусственный интеллект и инновационные педагогические средства в образовании / О. П. Околелов. – Москва ; Берлин : Директ-Медиа, 2020. – 182 с. : ил., табл. – Режим доступа: по подписке. – URL: https://biblioclub.ru/index.php?page=book&id=572444 (дата обращения: 29.11.2025). – Библиогр. в кн. – ISBN 978-5-4499-0776-9. – Текст : электронный.
3. Филатова, О. Н. Применение нейросетей в профессиональном образовании // Проблемы современного педагогического образования. – 2022. – № 77-3. – С. 243–245. – EDN: https://elibrary.ru/PHOBYS (дата обращения: 29.11.2025).. – Текст : электронный.
4. Терлецкий, А. С. Нейронные сети и искусственный интеллект : основы нейронных сетей на языке Python : учебно-методическое пособие : [16+] / А. С. Терлецкий, Е. С. Терлецкая ; Липецкий государственный педагогический университет им. П. П. Семенова-Тян-Шанского. – Липецк : Липецкий государственный педагогический университет им. П.П. Семенова-Тян-Шанского, 2023. – 79 с. : ил., табл. – Режим доступа: по подписке. – URL: https://biblioclub.ru/index.php?page=book&id=718176 (дата обращения: 29.11.2025). – ISBN 978-5-907792-40-1. – Текст : электронный.
5. Еклашева, О. В. Системы искусственного интеллекта в бизнес-аналитике : практикум : [16+] / О. В. Еклашева ; Поволжский государственный технологический университет. – Йошкар-Ола : Поволжский государственный технологический университет, 2023. – 72 с. : ил., табл. – Режим доступа: по подписке. – URL: https://biblioclub.ru/index.php?page=book&id=714632 (дата обращения: 28.11.2025). – Библиогр. в кн. – ISBN 978-5-8158-2354-9. – Текст : электронный.