UDC 504.06
UDC 57.044
UDC 57.045
CSCSTI 68.31
Russian Classification of Professions by Education 35.06.01
Russian Library and Bibliographic Classification 4
Russian Trade and Bibliographic Classification 564
BISAC TEC003000 Agriculture / General
The relevance of the study and program implementation is due to the need to improve the efficiency, validity and effectiveness of management decisions in modern conditions. Existing approaches, based primarily on expert methods, do not always allow for a timely and accurate consideration of the entire range of factors influencing the choice of management decisions, which requires the development and implementation of elements of intelligent decision support systems
intelligent decision support; knowledge base; database; intelligent search; web AI agents; large language models; local AI server; management
Цифровизация и искусственный интеллект становятся важнейшими элементами долгосрочной политики России, направленной на устойчивый экономический рост, модернизацию ключевых отраслей, повышение эффективности управления и технологическую независимость [1, 2]. С каждым днем растет востребованность в углубленных научных знаниях по многогранным аспектам развития ИИ. Стремительно развиваются наиболее совершенные технологии искусственного интеллекта, такие как большие языковые модели, интеллектуальные системы управления и поддержки принятия решений, генеративный ИИ [3, 4]. Первоосновой является создание собственных конкурентоспособных моделей ИИ, а также специализированных агентов – автономных интеллектуальных программ, которые могут взаимодействовать с внешней средой, принимать решения и предпринимать определенные действия без вмешательства человека.
Запуск моделей и агентов ИИ на собственных вычислительных мощностях, без использования облачных платформ, обладает множеством преимуществ: контроль над данными и их безопасность (исключается сценарий, когда модель станет источником утечки частных данных или плагиата защищенного авторским правом контента), снижение затрат на облачные вычисления и возможность использования высокопроизводительных локальных ресурсов для ускорения обучения и получения выводов/прогнозов. Локальный запуск обеспечивает гибкость и возможность тонкой настройки моделей ИИ, позволяя исследователям настраивать архитектуры и экспериментировать с гиперпараметрами, чтобы повысить точность и глубину автоматической генерации контента. Кроме того, локальная среда удобна для разработки и тестирования, позволяет быстро вносить изменения и проводить эксперименты, а также исключает зависимость от интернет-соединения, что особенно полезно в условиях ограниченного доступа к сети, в случае блокировки, санкций, удаления модели разработчиками из общего доступа.
В 2025 году в ФГБНУ «ФНЦ ВНИИГиМ им. А.Н. Костякова» выполнено развертывание локального сервера моделей искусственного интеллекта. Ключевые программные составляющие данного сервера:
1. Ollama – фреймворк для локального запуска и управления большими языковыми моделями;
2. Windows Subsystem for Linux — подсистема совместимости для запуска Linux-приложений в операционных системах Windows 10 и 11;
3. Docker – платформа, позволяющая инкапсулировать приложения и все зависимости в изолированные контейнеры;
4. Open WebUI – веб-интерфейс, предназначенный для работы с различными LLM-интерфейсами, такими как Ollama. Предлагает широкий спектр функций – основные из них направлены на повышение удобства в управлении моделями и запросах к ним.
Ollama, Docker и Open WebUI являются свободно распространяемым кроссплатформенным программным обеспечением с открытым исходным кодом. Большие языковые модели загружались в Ollama из общедоступного онлайн-хранилища Huggingface (https://huggingface.co).
На высокоуровневом языке Python автором разработан веб-ассистент для организации интеллектуального поиска по базе знаний с помощью применения больших языковых моделей, что позволяет обеспечить полноту поиска и релевантность [5]. Программа реализована в виде диалогового агента, обладающего веб-интерфейсом, с которым можно общаться в формате «вопрос-ответ», и системы генерации с дополненной выборкой (Retrieval Augmented Generation).
Генерация с дополненной выборкой - сложная система, разработанная для расширения возможностей больших языковых моделей за счёт интеграции мощных механизмов поиска информации. Представляет собой сочетание традиционных языковых моделей с инновационным подходом: в процесс генерации напрямую интегрируется механизм поиска информации. ИИ перед тем, как ответить на вопрос, может обратиться к библиотеке текстов, что делает его более осведомленным и контекстно точным.
Рисунок 1 - Алгоритм работы разработанного веб-ассистента для интеллектуального поиска по базе знаний
Программные компоненты, которые легли в основу разработанного веб-ассистента для интеллектуального поиска по базе знаний:
- Ollama – локальный сервер моделей ИИ;
- Langchain – платформа, которая помогает облегчить интеграцию больших языковых моделей;
- Phi4 - большая языковая модель от Microsoft;
- mxbai-embed-large – мультиязычная модель для векторизации текста (представление текста в виде массива чисел) от проекта mixedbread.ai;
- PyPDFLoader – загрузчик и обработчик PDF-файлов;
- ChromaDB – векторная база данных для разработки приложений ИИ;
- Набор Python-библиотек для создания веб-приложений.
На вход веб-ИИ-ассистента пользователем подается база знаний в формате PDF. Это может быть монография, диссертация, отчет НИР, подборка научных статей и т.д. Программа обрабатывает загруженный PDF-файл, с помощью многоязычной модели векторизации преобразовывает текст в набор числовых векторов, полученное векторное представление заносит в векторную базу данных, дополненный контекст из базы знаний передает на вход большой языковой модели, которая отвечает на поставленный пользователем вопрос. Поддерживается многопользовательская работа, каждый пользователь может загружать свою базу знаний и формировать свои вопросы. Ниже приведен фрагмент диалога с веб-ИИ-ассистентом после загрузки монографии [6] (здесь и далее стоит отметить, при разработке веб-ИИ-ассистентов автором использовались большие языковые модели общего назначения. По мере появления в свободном доступе наукоемких, специализированных моделей качество генерируемых ответов будет расти):
Мой вопрос: Какие наблюдения проводились в вегетационный период?
Ответ ИИ: Из предоставленного контекста следует, что в вегетационный период был заложен опыт по применению удобрительного биокомпоста для восстановления плодородия деградированной аллювиальной почвы.
В главе 3.3 "Результаты вегетационного эксперимента по применению удобрительного биокомпоста для восстановления плодородия деградированной аллювиальной почвы" описываются результаты данного опыта.
Вероятно, в вегетационный период проводились следующие наблюдения:
Изучение влияния биокомпоста на урожайность и качество сельскохозяйственных культур;
Изменение показателей плодородия почвы (содержание гумуса, питательных веществ и т.д.);
Динамика роста и развития растений;
Биологическая активность и микробиологические процессы в почве.
Точные детали методики наблюдений и показателей, которые изучались, возможно, описаны в главе 3.2 "Условия и методика проведения экспериментальных исследований".
Рисунок 2 - Веб-ИИ-ассистент отвечает на вопросы по загруженной кандидатской диссертации
Автором также разработан интеллектуальный веб-агент для анализа баз данных (либо структурированных наборов данных) с помощью применения больших языковых моделей [7]. Программа так же реализована в виде диалогового ассистента, обладающего веб-интерфейсом, с которым можно общаться на естественном языке. На вход программы пользователем подается база данных в формате CSV (текстовый формат, предназначенный для представления табличных данных; поддерживается Excel, Access, MySQL и т.д.) и задается интересующий вопрос. Например: «Предоставь сводку о концентрации тяжелых металлов в донных отложениях реки Донховка: cd: [@cd], pb: [@pb], hg: [@hg], zn: [@zn], cr: [@cr], co: [@co], ni: [@ni], cu: [@cu]».
Программа обрабатывает загруженный CSV-файл с результатами отбора проб донных отложений водных объектов, подключается к локальному серверу искусственного интеллекта, посредством запросов POST построчно передает данные на вход выбранной пользователем большой языковой модели (например, Microsoft Phi4, Google Gemma3, Deepseek и т.д.), которая выполняет суммаризацию текста и резюмирование данных в режиме реального времени. Фрагмент вывода работы ИИ-агента:
16,Река Донховка,0.28,163,0.031,1055,262,10.1,11,11,43.3,"Вот сводка о концентрации тяжелых металлов в донных отложениях реки Донховка:
1. **Цинк (Zn)**: 1055 мг/кг
- Цинк является одним из наиболее обильных элементов в донных отложениях. Его высокая концентрация может быть связана с естественными источниками, такими как выветривание пород, а также антропогенными источниками, такими как промышленные выбросы и сельскохозяйственные удобрения.
2. **Хром (Cr)**: 262 мг/кг
- Хром часто встречается в окружающей среде из-за промышленных процессов, таких как производство стали и красок. Его присутствие в донных отложениях может указывать на промышленные выбросы или использование хромсодержащих материалов.
3. **Свинец (Pb)**: 163 мг/кг
- Свинец является значительной проблемой из-за его токсичности. Его высокая концентрация может быть связана с историческим использованием свинцовой краски, бензина и промышленных выбросов.
Рисунок 3 - Веб-ИИ-агент для анализа структурированного набора данных
Реализована возможность тонкой настройки гиперпараметров большой языковой модели. Так можно задавать: степень случайности в ответах модели; методы выборки токенов при генерации текста; штрафы за частоту и присутствие слов в ответе для расширения спектра рассматриваемых моделью тем и увеличения разнообразия в выборе слов; максимальное количество токенов, которое разрешено сгенерировать; размер контекстного окна модели и т.д. Кроме того, можно установить свой системный промпт – руководящие инструкции для модели, правильный выбор которых позволит значительно повысить качество и релевантность генерируемых текстов. Результат работы веб-ИИ-агента можно скопировать в буфер обмена, либо сохранить в виде структурированного аналитического отчета.
В настоящее время существует множество больших языковых моделей, которые можно развернуть на локальном компьютере и пользоваться всеми возможностями искусственного интеллекта без доступа в Интернет. При этом можно оптимизировать модель, чтобы повысить точность генерации ответов, и настроить агентов для выполнения определенных операций под конкретные задачи. Представленные веб-ИИ-агенты являются современным адаптивным инструментом, позволяющим создавать базы знаний с интеллектуальным поиском и анализировать базы данных.
На агропромышленной выставке «Золотая осень 2025» разработка «Интеллектуальная мультиагентная геоинформационно-аналитическая система мониторинга, прогнозирования и поддержки принятия решений для совершенствования организации управления мелиоративно-водохозяйственным комплексом» (авторы академик РАН В.А. Шевченко, к.т.н. А.В. Матвеев, д.т.н. С.Д. Исаева, д.с.-х.н. Э.Б. Дедова, к.с.-х.н. А.А. Дедов), включающая описанные веб-ИИ-агенты, удостоена серебряной медали.
1. Ukaz Prezidenta RF ot 10.10.2019 g. № 490(red. ot 15.02.2024 g.) «O razvitii iskusstven-nogo intellekta v Rossiyskoy Federacii» (vmeste s «Nacional'noy strategiey razvitiyais-kusstvennogo intellekta na period do 2030 goda»). – Rezhim dostupa: https://www.consultant.ru/document/cons_doc_LAW_335184/ (data obrascheniya 23.07.2025)
2. Zasedanie Soveta po strategicheskomu razvitiyu i nacional'nym proektam. Stenogramma 21.12.2023. [Elektronnyy resurs]. – Rezhim dostupa: http://www.kremlin.ru/events/councils/by-council/1029/73083 (data obrascheniya 23.07.2025)
3. Intellektual'naya sistema podderzhki prinyatiya resheniy dlya upravleniya meliorativno-vodohozyaystvennym kompleksom : K 100-letiyu Vserossiyskogo nauchno-issledovatel'skogo instituta gidrotehniki i melioracii im. A.N. Kostyakova / S. D. Isaeva, E. B. Dedova, A. V. Matveev [i dr.]. – Moskva : Vserossiyskiy nauchno-issledovatel'skiy institut gidrotehni-ki i melioracii im. A.N. Kostyakova, 2024. – 204 s. – ISBN 978-5-907464-78-0. – DOIhttps://doi.org/10.37738/VNIIGIM.2024.19.62.001. – EDN ZTXNHM.
4. Svidetel'stvo o gosudarstvennoy registracii programmy dlya EVM № 2024687737 Ros-siyskaya Federaciya. Veb-GIS-platforma dlya obosnovaniya resheniy po upravleniyu meliora-tivno-vodohozyaystvennym kompleksom Respubliki Kalmykiya : № 2024686384 : zayavl. 06.11.2024 : opubl. 20.11.2024 / A. V. Matveev, E. B. Dedova, S. D. Isaeva, R. M. Shabanov ; za-yavitel' Federal'noe gosudarstvennoe byudzhetnoe nauchnoe uchrezhdenie «Federal'nyy nauch-nyy centr gidrotehniki i melioracii imeni A.N. Kostyakova». – EDN GWNAHL.
5. Svidetel'stvo o gosudarstvennoy registracii programmy dlya EVM № 2025618901 Ros-siyskaya Federaciya. Veb-assistent dlya intellektual'nogo poiska po baze znaniy : zayavl. 28.03.2025 : opubl. 08.04.2025 / A. V. Matveev ; zayavitel' Federal'noe gosudarstvennoe byudzhetnoe nauchnoe uchrezhdenie «Federal'nyy nauchnyy centr gidrotehniki i melioracii imeni A.N. Kostyakova». – EDN ESBIWC.
6. Novye sposoby povysheniya produktivnosti degradirovannyh meliorirovannyh zemel' s primeneniem informacionnyh tehnologiy / A. V. Il'inskiy, N. V. Kolomiycev, A. V. Matveev [i dr.]. – Moskva : Vserossiyskiy nauchno-issledovatel'skiy institut gidrotehniki i melioracii imeni A.N. Kostyakova, 2022. – 152 s. – ISBN 978-5-907464-34-6. – EDN BVVIEO.
7. Svidetel'stvo o gosudarstvennoy registracii programmy dlya EVM № 2025682023 Ros-siyskaya Federaciya. Intellektual'nyy veb-agent dlya analiza baz dannyh : zayavl. 29.07.2025 : opubl. 20.08.2025 / A. V. Matveev ; zayavitel' Federal'noe gosudarstvennoe byudzhetnoe nauch-noe uchrezhdenie «Federal'nyy nauchnyy centr gidrotehniki i melioracii imeni A.N. Ko-styakova». – EDN FUDKJJ.
