М.Д. Гридчин1, А.Д. Ситников2
1, 2 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

1 vatis.st@mail.ru, 2 artem-sitnikov1@mail.ru

Постановка проблемы. Актуальной задачей в области информационных технологий является разработка интеллектуальных систем поддержки принятия решений (ИСППР), ориентированных на работу с компонентами операционной системы. Использование больших языковых моделей LLM (Large Language Model) открывает новые возможности для создания интеллектуальных СППР. Однако использование LLM затруднено из-за необходимости их тонкой настройки. Полное дообучение таких моделей требует больших вычислительных ресурсов и времени. В связи с этим при разработке архитектур систем используется алгоритм низкоранговой адаптации LoRA (Low-Rank Adaptation), который позволяет адаптировать большие нейросетевые модели под узкие прикладные задачи с минимальными затратами.

Цель. Разработать архитектуру ИСППР, обеспечивающую контекстно-адаптивное взаимодействие с командной оболочкой операционной системы.

Результаты. Разработана архитектура контекстно-адаптивной ИСППР для командных оболочек операционных систем. Проведено проектирование функциональных компонентов, а именно: базы знаний о командах и сценариях, модуля анализа контекста выполнения, токенизатора, кодера с применением алгоритма низкоранговой адаптации LoRA для настройки большой языковой модели, декодера и интерфейса представления решений. Реализовано функционирование разработанной архитектуры в несколько этапов: сбор и предобработка контекстных данных, их векторизация, обработка запроса моделью с адаптацией LoRA и формирование итоговой рекомендации с прогнозом действий пользователя.

Практическая значимость. Предложенная архитектура может быть использована для реализации систем поддержки принятия решений, предназначенных для обеспечения безопасности управления инфраструктурой, снижения рисков, связанных с человеческим фактором (минимизации ошибок администраторов), а также поддержания бесперебойного функционирования IT-систем.

Гридчин М.Д., Ситников А.Д. Разработка архитектуры интеллектуальной системы поддержки принятия решений для командной оболочки // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 4. С. 97–106. DOI: https://doi.org/10.18127/j19998554-202604-10

1. Степанова Е.А., Елизаров Д.А., Мурзалева Е.Е. Эксплуатация уязвимости операционной системы Astra Linux // Прикаспийский журнал: управление и высокие технологии. 2025. № 1 (69). С. 86–90.
2. Крылов А.В., Охтилев М.Ю., Соболевский В.А. и др. Методологические и методические основы создания и использования интегрированных систем поддержки принятия решений // Известия высших учебных заведений. Приборостроение. 2024. Т. 63. № 11. С. 963–974.
3. Савенков П.А. Использование методов и алгоритмов машинного обучения в системах поддержки принятия управленческих решений // Известия Тульского государственного университета. Технические науки. 2019. № 55. С. 23–25.
4. Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейросетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 1. С. 25–35. DOI: 10.18127/j19998554-202201-03.
5. Самойленко В.С., Федотова А.Ю. Архитектура интеллектуальной системы поддержки принятия решений // Международный научно-исследовательский журнал. 2024. № 8 (146). С. 14–21.
6. Карелин В.П. Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений // Вестник Таганрогского института управления и экономики. 2011. № 2. С. 79–84.
7. Alyoubi B.A. Decision support system and knowledge-based strategic management // Procedia Computer Science. 2015. V. 65. P. 278–284. DOI: 10.1016/j.procs.2015.09.079.
8. Демидова Л.А., Морошкин Н.А. Обучение вопросно-ответной нейросетевой модели на базе архитектуры модели LLaVA 1.5 с энкодером Saiga Mistral 7b и алгоритма низкоранговой адаптации LoRA // Сб. науч. статей Междунар. науч.-практич. конф. «BIG DATA и анализ высокого уровня». Минск: БГУИР. 2024. С. 401–406.
9. Петров А.А., Дружинина О.В., Масина О.Н. Развитие алгоритмического обеспечения для моделирования нелинейных управляемых систем с переключениями // Нелинейный мир. 2022. Т. 20. № 1. С. 5–13. DOI: 10.18127/j20700970-202201-01.
10. Tikhomirov M., Chernyshev D. Impact of tokenization on LLaMa Russian adaptation // arXiv.org. 2023. DOI: 10.48550/arXiv.2312. 02598.
11. Черненко В.В., Пискорская С.Ю. Экспертные системы // Актуальные проблемы авиации и космонавтики. 2012. Т. 2. № 8. С. 322–323.
12. Бокарев Д.В., Никишов С.И. Применение NLP-моделей для извлечения ценовой информации из неструктурированных диалогов // Computational Nanotechnology. 2025. Т. 12. № 1. С. 182–193.
13. Оладько А.Ю. Подсистема мониторинга и аудита информационной безопасности в операционной системе Linux // Известия Южного федерального университета. Технические науки. 2012. № 12 (137). С. 22–28.
14. Hu E.J., Shen Ye., Wallis Ph. et al. LoRA: Low-rank adaptation of large language models // arXiv.org. 2021. DOI: 10.48550/arXiv. 2106.09685.
15. Пичугов А.А., Намиот Д.Е., Зубарева Е.В. Современные методы обучения больших языковых моделей с минимумом данных: от одного примера к абсолютному нулю – академический обзор // International Journal of Open Information Technologies. 2025. Т. 13. № 6. С. 114–124.
16. Самонов А.В., Бурова И.О. Методика разработки автоматизированных средств генерации программного кода посредством настройки больших языковых моделей // Вопросы кибербезопасности. 2024. № 3 (61). С. 68–75.