Эксперименты с большими языковыми моделями. GigaСhat от Сбербанка

Продолжаем исследовать возможности AI для их использования в инструментах по управлению процессами и архитектурой. Для очередного эксперимента c LLM (Large Language Model) мы взяли GigaChat от Сбербанка. Цель эксперимента - повысить скорость и качество данных, вводимых в модели СиММА, обеспечить перевод модельного контента с русского на английский (и обратно), добавить к естественному интеллекту пользователя СиММА (архитектора или аналитика) помощь искусственного интеллекта (AI).

Алгоритм нашего бота динамически считывает положение пользователя и его контекст в текущей модели СиММА и предлагает пользователю данные для ввода на основании ответа, формируемого искуственным интеллектом Сбербанка (GigaChat). Пользователь не должен заботиться о том, где он находится и какие данные он уже ввел в свою модель. Наш бот автоматически анализирует метамодель, текущий элемент модели и его связи, а также эталонные записи текущего класса СиММА, чтобы передать контекст в ГигаЧат. Всё это достигается за счет нашего know how в области prompt engineering (инженерия запросов к AI-движку). Причем алгоритм взаимодействия с AI Гигачата Сбербанка не зависит от того, в какой именно модели работает аналитик: это может быть и архитектура, и процесс, и стратегия, и модель данных любой прикладной тематики.  

Что учитывает наш AI-ассистент:

• Метамодель, то есть структуру мета-данных, с которой работает пользователь.
• Модель, то есть объем уже введенных пользователем данных.
• Эталонные записи для определения стиля и объема ответов от GigaChat.

Что вы получаете на выходе:

• подсказки по заполнению данных нового/существующего элемента в каталоге, если вы не знаете как заполнить то или иное поле на карточке элемента
• перевод полей карточки на русский или английский язык
• атоматическое составление описаний элементов
• расширение описаний или редукция имеющихся.

Очевидно, что чем больше данных введено в модель аналитиком, тем точнее будет ответ от AI. Причем не исключается, что часть данных, введенных в модель, могла быть выполнена средствами AI ранее. Алгоритмом нашего бота поддерживается интерпретация и генерация различных типов данных: тексты, списки, даты, числа, связи.

Разработка выполнена ООО "Марк Аврелий" на языке Python с использованием API СиММА и API GigaChat.

Следите за нашими новостями! Лабораторные успехи впечатляют, так что в 2024 году будет доступна коммерческая версия.