Синтез онтологий для систем поддержки принятия решений на базе больших языковых моделей

Abstract

Предметом исследования является автоматизированное формирование онтологий для систем управления и поддержки принятия решений с использованием технологий больших языковых моделей. В условиях экспоненциального роста объемов данных и усложнения информационных систем традиционные методы разработки онтологий становятся менее эффективными из-за их трудоемкости и значительных временных затрат. В работе предложена методика, позволяющая автоматизировать процессы извлечения, анализа и структурирования знаний о предметной области. Это особенно актуально для задач с большим объемом разноструктурированной информации. Особое внимание уделено интеграции языковых моделей с онтологическими структурами для формирования концептов, их атрибутов и взаимосвязей на основе текстовых данных. Методологическая основа исследования включает алгоритмы обработки естественного языка, архитектуры трансформеров и метаассоциативные графы, что позволяет не только извлекать знания из текстов, но и формализовать их в удобной для последующей обработки форме. Применение трансформеров обеспечивает высокую точность анализа текстов и выявления ключевых понятий, а метаассоциативные графы позволяют визуализировать и эффективно интегрировать разнородные данные. Важной особенностью предложенного подхода является способность динамически обновлять онтологии по мере поступления новых данных, что повышает актуальность и точность формируемых моделей. Основные результаты исследования включают разработку методики автоматизированного формирования онтологий и ее тестирование на примере задач планирования государственных закупок. Доказана эффективность применения языковых моделей для анализа открытых источников и автоматизированного формирования онтологий, позволяющих оптимизировать процедуры закупок и повышать эффективность распределения ресурсов. Практическая значимость работы заключается в создании инструмента, способного поддерживать принятие управленческих решений, автоматизировать процессы структурирования данных и минимизировать влияние человеческого фактора. Использование методики способствует снижению временных затрат, повышению точности анализа и формированию более гибких и адаптивных систем управления знаниями. The paper focuses on automated forming of ontologies for management and decision support systems using large language model technologies. With exponential growth of data volumes and increasing complexity of information systems, traditional ontology development methods are becoming less effective due to their labor-intensive and time-consuming nature. The authors propose a methodology that allows automating the processes of extracting, analyzing and structuring knowledge about the subject area. This is especially relevant for tasks with a large amount of multistructured information. The authors pay special attention to the integration of language models with ontological structures to form concepts, their attributes and relationships based on textual data. The methodological basis of the research includes natural language processing algorithms, transformer architectures and meta-associative graphs. This allows not only extracting knowledge from texts, but also formalizing it in a form convenient for further processing. Transformers ensure high accuracy in analyzing texts and identifying key concepts. Meta-associative graphs allow visualizing and efficiently integrating heterogeneous data. An important feature of the proposed approach is the ability to update ontologies dynamically as new data becomes available. This increases the relevance and accuracy of the generated models. The main research results include a developed methodology for automated ontology generation and it is testing on the example of public procurement planning tasks. The authors prove the effectiveness of using language models for open-source analysis and automated ontology formation that allow optimizing procurement procedures and increasing the efficiency of resource allocation. The practical significance of the research is creating a tool capable to support management decision making, automating data structuring processes and minimizing a human factor effect. Using the methodology contributes to reducing time costs, improving the analysis accuracy and forming more flexible and adaptive knowledge management systems.