МЕТОД ВЫБОРА АРХИТЕКТУРЫ ВНЕДРЕНИЯ LLM, RAG И ИИ-АГЕНТОВ В КОРПОРАТИВНЫЕ ИС И СППР
DOI:
https://doi.org/10.14529/ctcr260301Ключевые слова:
большие языковые модели, LLM, Retrieval-Augmented Generation, RAG, ИИ-агенты, корпоративные информационные системы, системы поддержки принятия решенийАннотация
Цель исследования. Целью исследования является разработка метода выбора архитектуры внедрения LLM-подсистем, решений класса Retrieval-Augmented Generation (RAG) и ИИ-агентов в корпоративные информационные системы и системы поддержки принятия решений. Актуальность работы обусловлена тем, что в enterprise-среде выбор интеллектуальной подсистемы определяется не только качеством генерации, но и требованиями к объяснимости, управляемости, глубине интеграции, работе с корпоративными данными, допустимому уровню автономности и цене ошибки. Материалы и методы. В работе использованы системный и сравнительный анализ, архитектурное моделирование, классификация, экспертная декомпозиция критериев и элементы многокритериального выбора. Рассматриваются пять архитектурных классов: изолированная LLM-подсис¬тема, подсистема класса RAG, LLM-контур с инструментальным доступом, агентная интеллектуальная подсистема и гибридная управляемая архитектура. Для их сопоставления сформирована система критериев, включающая тип задачи, потребность в корпоративном контексте, необходимость действий во внешних системах, требования к точности, объяснимости и аудируемости, чувствительность данных, зрелость enterprise-контура и допустимый уровень автономности. Результаты. Предложен полуформальный метод выбора архитектуры внедрения, сочетающий отсеивающие и ранжирующие критерии, весовую корректировку и возможность определения переходной архитектуры при недостаточной зрелости данных и интеграций. Метод представлен как воспроизводимая процедура, включающая формирование профиля задачи, фильтрацию по критическим ограничениям, оценивание допустимых архитектур по шкале соответствия и уточнение выбора с учётом зрелости корпоративной среды. Практическая применимость метода показана на типовых сценариях торгово-производствен¬ного предприятия: доступ к внутренним регламентам, подготовка управленческой сводки, рекомендация менеджеру по типовой заявке и многошаговая обработка внутреннего инцидента. Показано, что разные классы задач закономерно приводят к различным архитектурным решениям: retrieval-ориентированным, tool-augmented, agent-based или hybrid controlled. Заключение. Установлено, что универсальной архитектуры внедрения интеллектуальной подсистемы для корпоративных ИС и СППР не существует. Рациональный выбор определяется совокупностью технологических, организационных, инфраструктурных и управленческих факторов. Предложенный метод может использоваться при предварительном проектировании и поэтапном развитии интеллектуальных подсистем в организациях, ориентированных на автоматизацию управленческих и информационно-аналитических процессов.Библиографические ссылки
1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks / P. Lewis, E. Perez, A. Piktus et al. // ArXiv preprint: arXiv:2005.11401. 2020.
2. A Survey on Large Language Model Based Autonomous Agents / L. Wang, C. Ma, X. Feng et al. // ArXiv preprint: arXiv:2308.11432. 2023.
3. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions / L. Huang, W. Yu, W. Ma et al. // ArXiv preprint: arXiv:2311.05232. 2023.
4. Добренко Н.В., Добренко Д.А., Улизько М.В. Интеллектуальная поддержка принятия управленческих решений в MES-системах с использованием больших языковых моделей // Экономика. Право. Инновации. 2024. № 3. С. 47–59. DOI: 10.17586/2713-1874-2024-3-47-59
5. Бурый А.С., Цаплина О.С. Агентные модели принятия решений на основе генеративного искусственного интеллекта // Правовая информатика. 2025. № 1. С. 101–109. DOI: 10.24412/1994-1404-2025-1-101-109
6. Синякова Е.А. Стратегии внедрения ИИ в редакциях местных газет: типология и организационный контекст // Вестник Московского университета. Серия 10. Журналистика. 2025. № 6. С. 80–113. DOI: 10.55959/msu.vestnik.journ.6.2025.80113
7. Использование технологий искусственного интеллекта в российских медиа и журналис¬тике / С.Г. Давыдов, А.В. Замков, М.А. Крашенинникова, М.М. Лукина // Вестник Московского университета. Серия 10. Журналистика. 2023. № 5. С. 3–21. DOI: 10.30547/vestnik.journ.5.2023.321
8. Зуйкина К.Л., Разумова Д.В. Технологии искусственного интеллекта в работе российских СМИ: инструменты, проблемы и угрозы // Вестник Московского университета. Серия 10. Журналистика. 2025. № 5. С. 79–103. DOI: 10.55959/msu.vestnik.journ.5.2025.79103
9. Velasquez M., Hester P.T. An Analysis of Multi-Criteria Decision Making Methods // International Journal of Operations Research. 2013. Vol. 10, no. 2. P. 56–66.
10. Ishizaka A., Nemery P. Multi-Criteria Decision Analysis: Methods and Software. Chichester: John Wiley & Sons, 2013. DOI: 10.1002/9781118644898
11. Saaty T.L. Decision Making with the Analytic Hierarchy Process // International Journal of Services Sciences. 2008. Vol. 1, no. 1. P. 83–98. DOI: 10.1504/IJSSCI.2008.017590
12. Tyree J., Akerman A. Architecture Decisions: Demystifying Architecture // IEEE Software. 2005. Vol. 22, no. 2. P. 19–27. DOI: 10.1109/MS.2005.27
13. Jansen A., Bosch J. Software Architecture as a Set of Architectural Design Decisions // Proceedings of the 5th Working IEEE/IFIP Conference on Software Architecture. 2005. P. 109–120. DOI: 10.1109/WICSA.2005.61
14. VladSpace. Как я построил Graph RAG систему с точностью 96.7% за 5 дней: от научных статей до production-ready пайплайна // Хабр. 24.02.2026. URL: https://habr.com/ru/articles/1003064/ (дата обращения: 23.04.2026).
15. Toolformer: Language Models Can Teach Themselves to Use Tools / T. Schick, J. Dwivedi-Yu, R. Dessì et al. // ArXiv preprint: arXiv:2302.04761. 2023.
16. ReAct: Synergizing Reasoning and Acting in Language Models / S. Yao, J. Zhao, D. Yu et al. // ArXiv preprint: arXiv:2210.03629. 2022.
17. Holistic Evaluation of Language Models / P. Liang, R. Bommasani, T. Lee et al. // ArXiv preprint: arXiv:2211.09110. 2022.
