Розроблення підходу до запобігання виникненню інформаційного хаосу у чат-ботах з використанням породжувального штучного інтелекту
DOI:
https://doi.org/10.15587/1729-4061.2025.324957Ключові слова:
Велика Мовна Модель, LLM, Copilot, ChatGPT, елемент циклового класу, атракторАнотація
Об’єктом дослідження роботи виступають мовні конструкції запитів до чат-ботів з Великими Мовними Моделями (LLM). Проблемою дослідження є виникнення інформаційного хаосу при спілкуванні користувача та чат-боту, що призводить до помилок при формуванні відповіді на запит. Прийнято припущення, що користувач та чат-бот є окремими складними системами, події та дії яких важко прогнозуються на довготривалий період. Моделі поведінки складних систем підпадають під дію теорії хаосу. Для демонстрації цього в роботі використана одна із простих математичних задач з логічною складовою. Чат-боти Copilot та ChatGPT 4o mini, які досліджувалися, у відповідь на запит за задачею видавали помилкові результати. Помилка виникала при генерації запиту через введення логічної складової. Подібний процес був представлений системою диференціальних рівнянь, розв’язання якої дозволяє встановлювати чіткі правила для отримання точної відповіді на запит.
Для подання запиту від користувача було запропоновано підхід, який дозволяє розбити інформаційний блок запиту шляхом побудови кусочно-лінійних атракторів. Тобто, відбувається формування парних смислових виразів з формуванням запиту, очищеного від інформаційного шуму. Задача вирішена з представленням методики механізму управління вибором слів-замінників, заснований на операціях генерації наступної підстановки і обчислення номера заданої підстановки.
За розробленим підходом було отримано найкращі варіанти запиту до чат-боту Copilot у 182 символи або 48 слів, цифр та спеціальних знаків. До чат-боту ChatGPT 4o mini такий запит складався з 219 символів.
Запропоноване може бути використане у практичній діяльності для вдосконалення технологій чат-ботів та формування ключових наборів даних у системах штучного інтелекту, що у подальшому дозволить уникати помилок при вирішенні задач з логічною складовою
Посилання
- Errichiello, O., Wernke, M. (2022). Order in Chaos - Cybernetics of Brand Management. Springer. https://doi.org/10.1007/978-3-662-65958-8
- Cappa, F., Oriani, R., Peruffo, E., McCarthy, I. (2020). Big Data for Creating and Capturing Value in the Digitalized Environment: Unpacking the Effects of Volume, Variety, and Veracity on Firm Performance. Journal of Product Innovation Management, 38 (1), 49–67. https://doi.org/10.1111/jpim.12545
- Saadia, D. (2021). Integration of Cloud Computing, Big Data, Artificial Intelligence, and Internet of Things. International Journal of Web-Based Learning and Teaching Technologies, 16 (1), 10–17. https://doi.org/10.4018/ijwltt.2021010102
- Junaid, M., Ali, S., Siddiqui, I. F., Nam, C., Qureshi, N. M. F., Kim, J., Shin, D. R. (2022). Performance Evaluation of Data-driven Intelligent Algorithms for Big data Ecosystem. Wireless Personal Communications, 126 (3), 2403–2423. https://doi.org/10.1007/s11277-021-09362-7
- Fuchs, A. (2013). Nonlinear Dynamics in Complex Systems. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-33552-5
- Kryazhych, O., Vasenko, O., Isak, L., Havrylov, I., Gren, Y. (2024). Construction of a model for matching user’s linguistic structures to a chat-bot language model. Eastern-European Journal of Enterprise Technologies, 3 (2 (129)), 34–41. https://doi.org/10.15587/1729-4061.2024.304048
- Gravett, W. (2021). Sentenced by an algorithm – Bias and lack of accuracy in risk-assessment software in the United States criminal justice system. South African Journal of Criminal Justice, 34 (1), 31–54. https://doi.org/10.47348/sacj/v34/i1a2
- Taghia, J. (2024). Exploring the Synergy of Chaos Theory and AI: Predictive Modeling and Understanding of Complex Systems Through Machine Learning and Deep Neural Networks Review. COJ Robotics & Artificial Intelligence, 3 (4). Available at: https://crimsonpublishers.com/cojra/fulltext/COJRA.000566.php
- Elabid, Z., Chakraborty, T., Hadid, A. (2022). Knowledge-based Deep Learning for Modeling Chaotic Systems. 2022 21st IEEE International Conference on Machine Learning and Applications (ICMLA), 1203–1209. https://doi.org/10.1109/icmla55696.2022.00194
- Wang, H., Fu, T., Du, Y., Gao, W., Huang, K., Liu, Z. et al. (2023). Scientific discovery in the age of artificial intelligence. Nature, 620 (7972), 47–60. https://doi.org/10.1038/s41586-023-06221-2
- Demszky, D., Yang, D., Yeager, D. S., Bryan, C. J., Clapper, M., Chandhok, S. et al. (2023). Using large language models in psychology. Nature Reviews Psychology. https://doi.org/10.1038/s44159-023-00241-5
- Mirzadeh, I., Alizadeh, K., Shahrokhi, H., Tuzel, O., Bengio, S., Farajtabar, M. (2024). GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models. arXiv. https://doi.org/10.48550/arXiv.2410.05229
- Zhao, W., Zhou, K., Junyi, L., Tianyi, T., Wang, X., Hou, Y. et al. (2023). A Survey of Large Language Models. arXiv. https://doi.org/10.48550/arXiv.2303.18223
- Ai, J., Cai, Y., Su, Z., Zhang, K., Peng, D., Chen, Q. (2022). Predicting user-item links in recommender systems based on similarity-network resource allocation. Chaos, Solitons & Fractals, 158, 112032. https://doi.org/10.1016/j.chaos.2022.112032
- Du, F., Ma, X.-J., Yang, J.-R., Liu, Y., Luo, C.-R., Wang, X.-B. et al. (2024). A Survey of LLM Datasets: From Autoregressive Model to AI Chatbot. Journal of Computer Science and Technology, 39 (3), 542–566. https://doi.org/10.1007/s11390-024-3767-3
- Matsumoto, N., Moran, J., Choi, H., Hernandez, M. E., Venkatesan, M., Wang, P., Moore, J. H. (2024). KRAGEN: a knowledge graph-enhanced RAG framework for biomedical problem solving using large language models. Bioinformatics, 40 (6). https://doi.org/10.1093/bioinformatics/btae353
- Zhang, Y., Zhang, C. (2024). Extracting problem and method sentence from scientific papers: a context-enhanced transformer using formulaic expression desensitization. Scientometrics, 129 (6), 3433–3468. https://doi.org/10.1007/s11192-024-05048-6
- Shen, B.-W., Pielke, R. A., Zeng, X., Baik, J.-J., Faghih-Naini, S., Cui, J. et al. (2021). Is Weather Chaotic? Coexisting Chaotic and Non-chaotic Attractors Within Lorenz Models. 13th Chaotic Modeling and Simulation International Conference, 805–825. https://doi.org/10.1007/978-3-030-70795-8_57
- Martines-Arano, H., García-Pérez, B. E., Vidales-Hurtado, M. A., Trejo-Valdez, M., Hernández-Gómez, L. H., Torres-Torres, C. (2019). Chaotic Signatures Exhibited by Plasmonic Effects in Au Nanoparticles with Cells. Sensors, 19 (21), 4728. https://doi.org/10.3390/s19214728
- Stankevich, N. V., Kuznetsov, N. V., Leonov, G. A., Chua, L. O. (2017). Scenario of the Birth of Hidden Attractors in the Chua Circuit. International Journal of Bifurcation and Chaos, 27 (12), 1730038. https://doi.org/10.1142/s0218127417300385
- Voronka, H. V. (2014). Informatsiynyi shum u dovidkovykh vydanniakh. Obriyi drukarstva, 1, 89–95. Available at: https://horizons.vpi.kpi.ua/article/view/95451
- Anh, L. Q. (2021). Various Types of Well-Posedness for Vector Equilibrium Problems with Respect to the Lexicographic Order. Vietnam Journal of Mathematics, 51 (2), 397–414. https://doi.org/10.1007/s10013-021-00530-7
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Olha Kryazhych, Ivan Ivanov, Kateryna Iushchenko, Oleksii Kupri, Oleksandr Vasenko, Viacheslav Riznyk, Oleksandr Ryzhkov

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.






