Вісник ХНУ. Технічні науки - 2026 рік
Постійне посилання зібрання
Переглянути
Перегляд Вісник ХНУ. Технічні науки - 2026 рік за Ключові слова "004.8:004.62:004.9"
Зараз показуємо 1 - 1 з 1
Результатів на сторінці
Налаштування сортування
Документ RAG (Retrieval-Augmented Generation) як нова парадигма корпоративної автоматизації(Хмельницький національний університет, 2026) Нич, Андрій; Праворська, Наталія; Nych, Andrii; Pravorska, NatalyaУ статті досліджено Retrieval-Augmented Generation (RAG) як перспективну парадигму побудови корпоративної автоматизації та знаннєво-орієнтованих інформаційних систем. Показано, що стрімке впровадження великих мовних моделей (Large Language Models, LLM) суттєво розширило можливості природномовних інтерфейсів у бізнес-середовищі, однак LLM-centric автоматизація залишається обмеженою низкою фундаментальних проблем, зокрема галюцинаціями, статичністю знань, закладених у параметрах моделей, та недостатньою доменною спеціалізацією для регульованих і бізнес-критичних сценаріїв. Ці обмеження істотно ускладнюють надійне використання автономних LLM у знаннєвоінтенсивних корпоративних процесах, де критичними є точність, трасованість і відповідність вимогам комплаєнсу. У роботі проаналізовано еволюцію корпоративної автоматизації від правил-орієнтованих систем і класичних підходів машинного навчання до LLM-орієнтованих рішень та обґрунтовано, що RAG є якісним архітектурним зсувом, а не поступовим удосконаленням наявних підходів. Відокремлення зберігання знань від генеративного ядра та інтеграція зовнішніх механізмів пошуку забезпечують контрольований доступ до актуальних корпоративних баз знань, нормативних документів і операційних даних без необхідності перенавчання моделей. У такій архітектурі LLM виконує насамперед роль механізму логічного виведення, тоді як знання залишаються зовнішньо керованими, перевірюваними та постійно оновлюваними. Окрему увагу приділено сучасним розширенням RAG, зокрема Ontology-Grounded RAG (OG-RAG), Retrieval-toAugmented Generation (R2AG) та підходам holistic knowledge retrieval, які спрямовані на підвищення семантичної узгодженості між пошуком і генерацією, зменшення фактичних помилок і підвищення надійності систем у складних корпоративних середовищах. Також розглянуто інтеграцію RAG із мультиагентними механізмами оркестрації, що створює передумови для побудови масштабованих, модульних і бізнес-орієнтованих систем штучного інтелекту (AI). З позиції корпоративних застосувань RAG розглядається як операційна основа знаннєво-орієнтованої автоматизації у сферах аналізу документів, підтримки відповідності регуляторним вимогам, ухвалення управлінських рішень і клієнтської підтримки. Водночас окреслено ключові виклики впровадження RAG, зокрема зростання інфраструктурної складності, затримки та відсутність уніфікованих бізнес-орієнтованих метрик оцінювання. Зроблено висновок, що Retrieval-Augmented Generation є базовою технологією наступного покоління корпоративних систем автоматизації, яка поєднує адаптивність мовних моделей із контрольованим управлінням корпоративними знаннями