АНАЛИЗ И ПРОЕКТИРОВАНИЕ МОДУЛЕЙ НА БАЗЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СЕРВИСА ПОДДЕРЖКИ ГОСУДАРСТВЕННЫХ СОТРУДНИКОВ

​ANALYSIS AND DESIGN OF ARTIFICIAL INTELLIGENCE-BASED MODULES FOR A GOVERNMENT EMPLOYEE SUPPORT SERVICE

Vylegjanin Ilya Ivanovich

student, Department of Electronic Computing Machines, Vyatka State University,

Russia, Kirov

Krutikov Alexander Konstantinovich

scientific supervisor, senior lecturer, Vyatka State University,

Russia, Kirov

АННОТАЦИЯ

В данной статье представлена разработка архитектуры сервисов на базе искусственного интеллекта для поддержки государственных сотрудников, обеспечивающие автоматизацию формирования проектов ответов, предоставления пользователю контекстных подсказок и подготовки аналитических отчётов при соблюдении требований безопасности, масштабируемости и модульности программного решения.

ABSTRACT

This article presents the development of an architecture for AI-based services to support government employees, automating the generation of draft responses, providing users with contextual prompts, and preparing analytical reports while adhering to the requirements of security, scalability, and modularity of the software solution.

Ключевые слова: архитектура, микросервисы, нейронные сети.

Keywords: architecture, microservices, neural networks.

В настоящий момент идет повсеместное использование нейросетей в абсолютно разных сферах деятельности. В том числе постепенно начинает присутствовать необходимость в использовании различных сетей и интеллектуальных помощников в правительственном секторе. Такая система предназначена для использования в государственных органах и учреждениях, где сотрудники регулярно обрабатывают обращения граждан, готовят ответы, формируют отчеты и аналитику на основе разнородных документов.

Практическая проблема создания и обработки такой документации заключается в трудоемкости процесса – требуется сосредоточенная работа как рядовых специалистов, так и их руководителей – начальников отдела, их заместителей, аналитиков, экспертов. Сбор существующей информации, произведение необходимых манипуляций с ней, оформление документа по государственным стандартам, согласование результата на всех необходимых уровнях – всё это людям необходимо выполнять вручную, ведь за время цифровизации данных процессов были решены проблемы согласования и подписания, путём внедрения систем электронного документооборота, при этом изготовлением документации по-прежнему занимается человек.

Для решения этих проблем необходима разработка системы, предназначенная для выполнения следующих задач: повышение качества и согласованности ответов и отчётов, автоматическое формирование проектов ответов на обращения с учётом контекста и истории, генерация аналитических отчётов с выявлением тенденций и рекомендациями.

Дополнительные модули для работы с системы включают:

• Компонент рабочих окружений – для организации изолированных пространств работы пользователей.
• Модуль баз знаний – для хранения, индексации и семантического поиска по документам.
• Модуль подсказок и помощи – на основе нейросетевой модели, анализирующей контекст действий пользователя и выводит подсказку, например, в виде доработки промта для работы с системой. Архитектура этой сети представлена на рисунке 1.
• Модуль автоматического составления проектов ответов – с использованием гибридного подхода (классификация, извлечение сущностей, выбор шаблона). На выходе должно быть небольшой проект ответа на полученный запрос. Архитектура сетей данного модуля представлена на рисунках 2-5.
• Модуль формирования аналитических отчётов – на базе автоэнкодеров, LSTM-сетей и методов кластеризации. Его задача в анализе предоставленных документов и выявлении в них особенностей и тенденций. Архитектура сетей данного модуля представлена на рисунках 6-8.

Рисунок 1. Диаграмма архитектуры нейросети модуля подсказки и помощи

Нейросетевая архитектура модуля построена по принципу трансформера. Она состоит из подсистем:

• Сбора и кодирование контекста
• Нейросетевая оценка состояния пользователя
• Генерация подсказок и рекомендаций

Входными данными буду являться: эмбеддинг текущего запроса, эмбеддинг истории последних N действий, признаки рабочего окружения, статистические признаки сессии. Выходными данными являются: классификация запроса, вероятность необходимой подсказки, ранжирование подсказок. На рисунке 6 представлена концептуальная диаграмма описанной сети, где C – число классов запросов (10–15), K – число типов подсказок (20–30).

Рисунок 2. Структура сети классификации обращений

Нейросеть классификации обращений определяет назначение:

• тип обращения (жалоба, запрос, предложение и т.д.)
• тематику (ЖКХ, медицина, налоги, образование и др.)
• уровень срочности и сложности

Используется encoder-архитектура без decoder-части.

Рисунок 3. Структура сети извлечения сущностей и фактов

Нейросеть извлечения сущностей и фактов извлекает из текста обращения:

• персоналии (ФИО, организации)
• даты, номера документов
• адреса, события, требования

Тип сети BiLSTM + CRF (устойчивый и интерпретируемый вариант для NER).

Рисунок 4. Структура выбора шаблона ответа

Нейросеть выбора шаблона ответа выбирает оптимальный шаблон ответа на основе:

• типа обращения
• извлеченных сущностей
• контекста рабочего окружения

Тип сети Feedforward Neural Network (MLP).

Рисунок 5. Структура сиамской сети оценки качества

Тип сети Siamese Encoder Network. Сравнивает Проект ответа и эталонные структуры.

Рисунок 6. Структура сети тематического анализа и кластеризации

Нейросеть тематического анализа и кластеризации занимается выявления скрытых тематических групп, кластеризации обращений и документов, анализа структуры предметной области. Тип сети Autoencoder + Clustering Head.

Рисунок 7. Структура сети анализа временных рядов

Нейросеть анализа временных рядов занимается анализом динамики обращений, выявления сезонности, прогнозирования нагрузки, обнаружения резких изменений. Тип сети Тип сети – LSTM-based Time Series Model.

Рисунок 8. Структура сети выявления аномалий

Нейросеть выявления аномалий определяет резкие всплески обращений, отклонения от нормы, нетипичные паттерны активности. Тип сети Denoising Autoencoder.

Нейросетевая составляющая системы реализована без использования крупных языковых моделей (LLM), что снижает вычислительные требования и повышает предсказуемость работы. Вместо этого применяются специализированные модели:

• Трансформер для классификации обращений.
• BiLSTM+CRF для извлечения именованных сущностей.
• Автоэнкодер для тематической кластеризации.
• LSTM для анализа временных рядов.
• Denoising Autoencoder для выявления аномалий.

Диаграмма потоков данных (DFD) данного проекта отражает, то каким образом информация проходит через интеллектуальную информационную систему поддержки принятия решений, какие процессы участвуют в её обработке и в каких хранилищах данные сохраняются. Диаграмма рассматривает систему с точки зрения движения данных, не затрагивая внутреннюю реализацию алгоритмов и программных компонентов.

В качестве внешних сущностей в диаграмме выступает пользователь. Пользователь взаимодействует с системой при загрузке документов, выполнении поисковых запросов, работе с обращениями и получении подсказок и проектов ответов, обращается к системе для получения аналитических отчётов, сформированных на основе накопленных данных. Все внешние сущности обмениваются данными исключительно через центральные процессы системы, прямого доступа к хранилищам у них нет. Подробная работа всех процессов представлена на рисунке 9.

Рисунок 9. DFD диаграмма

В результате проектирования сформирована масштабируемая и модульная архитектура, пригодная для практического внедрения и дальнейшего развития. Предложенные решения обеспечивают повышение эффективности работы пользователей, снижение трудоёмкости обработки обращений и улучшение качества аналитической поддержки принятия решений. Полученные результаты могут быть использованы как основа для реализации полнофункциональной программной системы.

Список литературы:

1. Python Documentation. URL: https://docs.python.org/3/
2. PyTorch Official Tutorials. URL: https://pytorch.org/tutorials/
3. Hugging Face Transformers Documentation. URL: https://huggingface.co/docs/transformers/
4. PostgreSQL Documentation. URL: https://www.postgresql.org/docs/