Роль і перспективи використання архітектури генерації з доповненим пошуком RAG в інтересах безпеки та оборони

Read full text Summarise with VIRAT
Authors: О.В. Зайцев, Oleh Borysov, C.О. Румянцев
Cited by: 0
References: 7

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Стаття присвячена комплексному аналізу архітектури Retrieval-Augmented Generation (RAG) як стратегічно важливого напряму розвитку систем штучного інтелекту для сектору безпеки та оборони. У роботі детально розглянуто проблематику обмеженості знань великих мовних моделей LLM (Large Language Model), зокрема феномен «галюцинацій», застарівання тренувальних даних та ризики роботи з чутливою інформацією. Обґрунтовано, що інтеграція зовнішніх верифікованих джерел знань через механізми RAG дозволяє мінімізувати фактологічні помилки, забезпечити актуальність генерації та надати посилання на першоджерела, що є критичним для військової аналітики. Окрему увагу приділено питанням інформаційної безпеки, цифрового суверенітету та відповідності нормативним вимогам при розгортанні AI-систем. Проведено порівняльний аналіз web-орієнтованих рішень (Web-UI) та локальних платформ (на прикладі RAGFlow). Доведено, що для критично важливих застосувань перевагу мають локальні архітектури, які гарантують повний контроль над життєвим циклом даних та унеможливлюють витоки інформації. У статті також досліджено еволюцію RAG від простого пошуку до складних агентних систем. Описано архітектуру RAGFlow Agent як модульного фреймворку, що дозволяє візуально моделювати робочі процеси. Детально проаналізовано ключові компоненти агентної системи: вузли отримання знань, генерації відповідей, класифікації намірів та умовної логіки. Зроблено висновки щодо перспектив впровадження таких систем для автоматизації процесів підтримки прийняття рішень, аналізу розвідувальних даних та роботи з нормативною документацією.

Fields of Study & Subjects

Topic Modeling Adversarial Robustness in Machine Learning Natural Language Processing Techniques

Publication details

Journal / source
COMPUTER-INTEGRATED TECHNOLOGIES EDUCATION SCIENCE PRODUCTION
Issue
62
Pages
237–246
Publication date
28 March 2026
Language
UK