УДК 504.06 Охрана окружающей среды. Управление качеством окружающей среды .
УДК 57.044 Химические факторы
УДК 57.045 Метеорологические: климатические и космические факторы. Факторы внешней среды в целом
ГРНТИ 68.31 Сельскохозяйственная мелиорация
ОКСО 35.06.01 Сельское хозяйство
ББК 4 СЕЛЬСКОЕ И ЛЕСНОЕ ХОЗЯЙСТВО. СЕЛЬСКОХОЗЯЙСТВЕННЫЕ И ЛЕСОХОЗЯЙСТВЕННЫЕ НАУКИ
ТБК 564 Водное хозяйство
BISAC TEC003000 Agriculture / General
Актуальность исследования и программной реализации обусловлена необходимостью повышения оперативности, обоснованности и эффективности управленческих решений в современных условиях. Существующие подходы, основанные преимущественно на экспертных методах, не всегда позволяют своевременно и точно учитывать весь спектр факторов, влияющих на выбор управленческих решений, что требует разработки и внедрения структурных компонентов интеллектуальных систем поддержки принятия решений
интеллектуальная поддержка принятия решений; база знаний; база данных; интеллектуальный поиск; веб-ИИагенты; большие языковые модели; локальный сервер искусственного интеллекта; управление
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. Указ Президента РФ от 10.10.2019 г. № 490(ред. от 15.02.2024 г.) «О развитии искусствен-ного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развитияис-кусственного интеллекта на период до 2030 года»). – Режим доступа: https://www.consultant.ru/document/cons_doc_LAW_335184/ (дата обращения 23.07.2025)
2. Заседание Совета по стратегическому развитию и национальным проектам. Стенограмма 21.12.2023. [Электронный ресурс]. – Режим доступа: http://www.kremlin.ru/events/councils/by-council/1029/73083 (дата обращения 23.07.2025)
3. Интеллектуальная система поддержки принятия решений для управления мелиоративно-водохозяйственным комплексом : К 100-летию Всероссийского научно-исследовательского института гидротехники и мелиорации им. А.Н. Костякова / С. Д. Исаева, Э. Б. Дедова, А. В. Матвеев [и др.]. – Москва : Всероссийский научно-исследовательский институт гидротехни-ки и мелиорации им. А.Н. Костякова, 2024. – 204 с. – ISBN 978-5-907464-78-0. – DOIhttps://doi.org/10.37738/VNIIGIM.2024.19.62.001. – EDN ZTXNHM.
4. Свидетельство о государственной регистрации программы для ЭВМ № 2024687737 Рос-сийская Федерация. Веб-ГИС-платформа для обоснования решений по управлению мелиора-тивно-водохозяйственным комплексом Республики Калмыкия : № 2024686384 : заявл. 06.11.2024 : опубл. 20.11.2024 / А. В. Матвеев, Э. Б. Дедова, С. Д. Исаева, Р. М. Шабанов ; за-явитель Федеральное государственное бюджетное научное учреждение «Федеральный науч-ный центр гидротехники и мелиорации имени А.Н. Костякова». – EDN GWNAHL.
5. Свидетельство о государственной регистрации программы для ЭВМ № 2025618901 Рос-сийская Федерация. Веб-ассистент для интеллектуального поиска по базе знаний : заявл. 28.03.2025 : опубл. 08.04.2025 / А. В. Матвеев ; заявитель Федеральное государственное бюджетное научное учреждение «Федеральный научный центр гидротехники и мелиорации имени А.Н. Костякова». – EDN ESBIWC.
6. Новые способы повышения продуктивности деградированных мелиорированных земель с применением информационных технологий / А. В. Ильинский, Н. В. Коломийцев, А. В. Матвеев [и др.]. – Москва : Всероссийский научно-исследовательский институт гидротехники и мелиорации имени А.Н. Костякова, 2022. – 152 с. – ISBN 978-5-907464-34-6. – EDN BVVIEO.
7. Свидетельство о государственной регистрации программы для ЭВМ № 2025682023 Рос-сийская Федерация. Интеллектуальный веб-агент для анализа баз данных : заявл. 29.07.2025 : опубл. 20.08.2025 / А. В. Матвеев ; заявитель Федеральное государственное бюджетное науч-ное учреждение «Федеральный научный центр гидротехники и мелиорации имени А.Н. Ко-стякова». – EDN FUDKJJ.
