Графы знаний и их взаимосвязь с большими языковыми моделями

Взаимосвязь между большими языковыми моделями (LLM) и графами знаний (KG) демонстрирует их синергетический потенциал в развитии приложений искусственного интеллекта (ИИ). LLM, обладающие возможностями понимания естественного языка и генерации текста, способствуют автоматизации построения KG посредством распознавания сущностей, извлечения отношений и генерации схем. В свою очередь, KG служат структурированными и интерпретируемыми источниками данных, повышающими прозрачность, фактическую согласованность и надежность приложений на основе LLM и смягчающими такие проблемы, как галлюцинации и недостаточная объяснимость. В исследовании представлен систематический обзор литературы, включающий 77 работ, с целью изучения методологий ИИ, поддерживающих интеграцию LLM и KG, включая символический ИИ, машинное обучение и гибридные подходы. Рассмотрены разнообразные приложения в здравоохранении, финансах, правосудии и промышленной автоматизации, что демонстрирует преобразующий потенциал данной синергии. На основе углубленного анализа выявлены ключевые ограничения современных подходов, включая проблемы масштабируемости при поддержании динамических графов знаний, работающих в реальном времени, трудности адаптации универсальных LLM к специализированным предметным областям, ограниченную объяснимость при прослеживании связи между результатами модели и интерпретируемыми рассуждениями, а также этические проблемы, связанные с предвзятостью, справедливостью и прозрачностью. В связи с этим в исследовании выделены потенциальные стратегии оптимизации синергии LLM и KG. Полученные результаты дают исследователям и практикам практические ориентиры для разработки надежных, прозрачных и адаптивных систем ИИ, способных совершенствовать приложения ИИ, ориентированные на знания, посредством интеграции LLM и KG и дальнейшего развития генеративного и объяснимого ИИ (XAI).