Концепция интеграции больших языковых моделей и регуляризирующего байесовского подхода

Постановка проблемы. Создание прозрачных и объяснимых систем искусственного интеллекта является необходимым условием для их широкого применения в промышленности. Особую актуальность приобретает задача разработки подходов, позволяющих оценивать качество решений, обеспечивать требуемый уровень точности и устойчивости, а также учитывать риски при внедрении интеллектуальных систем.

Цель. Рассмотреть возможность интеграции больших языковых моделей (LLM) и методологии регуляризирующего байесовского подхода (РБП) для создания нового класса прикладных систем искусственного интеллекта, обладающих прозрачностью, интерпретируемостью и практической полезностью для предприятий.

Результаты. Представлены теоретические концепции интеграции LLM и РБП. Показано, что регуляризирующий байесовский подход предоставляет инструменты для оценки качества принимаемых решений, обеспечения их точности и устойчивости, а также формирования единого подхода к созданию интерпретируемых систем интеллектуальной обработки данных. Обозначены возможности применения РБП для повышения объяснимости и надежности систем на основе больших языковых моделей.

Практическая значимость. Интеграция LLM и РБП может способствовать созданию прикладных интеллектуальных систем, более пригодных для промышленного использования за счет системности, возможности четкой оценки рисков, повышения доверия к результатам работы моделей, а также соответствия принципам и стандартам метрологии. Такие системы могут быть использованы предприятиями для более надежной и обоснованной поддержки принятия решений.