Розроблення дворівневої агентної архітектури для автоматизованого генерування та валідації схем користувацького інтерфейсу вагонів з використанням мультимодальних великих мовних моделей

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2026.363741

Ключові слова:

автоматизація квиткування, розмежування міркування й виконання, виробнича валідація, комп’ютерний зір, безсерверне розгортання

Анотація

Об’єктом дослідження є автоматизоване генерування та валідація схем інтерфейсу вагонів у системах бронювання залізничних квитків. Ручне оновлення однієї конфігурації займає близько 24 годин, залежить від релізів, потребує участі інженерів і підвищує ризик виробничих помилок.

Запропоновано дворівневу агентну архітектуру. Вона включає розмежування міркування й виконання, мультимодальне перетворення схем у структуровані конфігурації та детерміністичну валідацію. Архітектуру перевірено на платформі Укрзалізниці, що підтримує понад 150 конфігурацій вагонів і обслуговує понад 20 млн пасажирів на рік.

Опрацьовано 20 виробничих схем різних класів вагонів. Одна схема потребувала ручного виправлення. Інші були уточнені одним або двома додатковими запитами. Час створення нового типу вагона зменшився з приблизно 24 годин до 15 хвилин. Скорочення становить близько 99%. Щомісячні інженерні витрати знизилися з тисяч доларів до менш ніж 5 доларів. Інцидентів, спричинених галюцинаціями моделі, не зафіксовано.

Рішення дає змогу працювати з понад 150 конфігураціями без завантаження всіх схем в один контекст. Воно дозволяє нетехнічним адміністраторам оновлювати конфігурації поза релізними циклами, зменшує залежність від інженерів і може застосовуватися для структурованого цифрового представлення фізичних об’єктів. Результати показують можливість застосування агентного AI у критичних цифрових сервісах за умови обов’язкової валідації перед впровадженням. Запропонований підхід не замінює перевірку, а включає її до процесу створення конфігурацій. Це скорочує ручну інженерну роботу без зміни основного програмного коду. Частина операційних дій може виконуватися нетехнічними адміністраторами, тоді як контроль структури, формату й коректності залишається обов’язковим. Підхід може бути використаний у залізничному квиткуванні та суміжних системах, де фізичні об’єкти подаються як цифрові інтерфейсні схеми

Біографія автора

Ivan Dobrovolskyi

Master of Science in AI Engineering

Independent Researcher

Посилання

  1. Dpty PM Kuleba announces record transportation of Ukrzaliznytsia in 2024. Interfax-Ukraine. Available at: https://en.interfax.com.ua/news/economic/1034288.html
  2. According to the results of 2024, 86% of railway tickets were purchased online (2025). Ukrzaliznytsia. Available at: https://t.me/UkrzalInfo/6461
  3. Berrios Villalba, A. (2020). How to Speed Up Digitization in the Railway [Viewpoint]. IEEE Electrification Magazine, 8 (1), 76–75. https://doi.org/10.1109/mele.2019.2962895
  4. Cecchetti, G., Lina, A., Ruscelli, Ulianov, C., Hyde, P., Liu, J. et al. (2023). Toward new generation railway Traffic Management Systems: the contribution of the OPTIMA project. Transportation Research Procedia, 72, 3166–3173. https://doi.org/10.1016/j.trpro.2023.11.882
  5. Bezuidenhout, M., Jooste, J. L., Lucke, D., Fourie, C. J. (2023). Leveraging digitilisation and machine learning for improved railway operations and maintenance. Procedia CIRP, 120, 702–707. https://doi.org/10.1016/j.procir.2023.09.062
  6. Jiang, J., Wang, F., Shen, J., Kim, S., Kim, S. (2026). A Survey on Large Language Models for Code Generation. ACM Transactions on Software Engineering and Methodology, 35 (2), 1–72. https://doi.org/10.1145/3747588
  7. Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. d. O., Kaplan, J. et al. (2021). Evaluating large language models trained on code. arXiv. https://doi.org/10.48550/arXiv.2107.03374
  8. Anil, R., Borgeaud, S., Alayrac, J.-B., Yu, J., Soricut, R., Schalkwyk, J. et al. (2023). Gemini: a family of highly capable multimodal models. arXiv. https://doi.org/10.48550/arXiv.2312.11805
  9. Georgiev, P., Lei, V. I., Burnell, R., Bai, L., Gulati, A., Tanzer, G. et al. (2024). Gemini 1.5: unlocking multimodal understanding across millions of tokens of context. arXiv. https://doi.org/10.48550/arXiv.2403.05530
  10. Pasichnyk, V., Horlatch, V. (2025). Automated extraction of key parameters and detection of inconsistencies in clinical documentation using large language models. Eastern-European Journal of Enterprise Technologies, 6 (2 (138)), 6–14. https://doi.org/10.15587/1729-4061.2025.337915
  11. Zhuravchak, A., Piskozub, A., Skorynovych, B., Lakh, Y., Zhuravchak, D., Hlushchenko, P. et al. (2025). Design and development of a large language model-based tool for vulnerability detection. Eastern-European Journal of Enterprise Technologies, 2 (2 (134)), 75–83. https://doi.org/10.15587/1729-4061.2025.325251
  12. Sarp, S., Kuzlu, M., Jovanovic, V., Polat, Z., Guler, O. (2024). Digitalization of railway transportation through AI-powered services: digital twin trains. European Transport Research Review, 16 (1). https://doi.org/10.1186/s12544-024-00679-5
  13. De Donato, L., Dirnfeld, R., Somma, A., De Benedictis, A., Flammini, F., Marrone, S. et al. (2023). Towards AI-assisted digital twins for smart railways: preliminary guideline and reference architecture. Journal of Reliable Intelligent Environments, 9 (3), 303–317. https://doi.org/10.1007/s40860-023-00208-6
  14. Dirnfeld, R., De Donato, L., Somma, A., Azari, M. S., Marrone, S., Flammini, F., Vittorini, V. (2024). Integrating AI and DTs: challenges and opportunities in railway maintenance application and beyond. Simulation, 100 (9), 903–917. https://doi.org/10.1177/00375497241229756
  15. Bobyl, V., Matusevych, O., Dron, M., Taranenko, A. (2024). The concept of forming a system of change management in the domain of railroad passenger transportation in Ukraine under the conditions of war. Eastern-European Journal of Enterprise Technologies, 1 (13 (127)), 14–21. https://doi.org/10.15587/1729-4061.2024.297067
  16. Thompson, E. A., Lu, P., Alimo, P. K., Atuobi, H. B., Akoto, E. T., Abbew, C. K. (2025). Revolutionizing railway systems: A systematic review of digital twin technologies. High-Speed Railway, 3 (3), 238–250. https://doi.org/10.1016/j.hspr.2025.05.005
  17. Zhao, W. X., Zhou, K., Li, J., Tang, T., Dong, Z., Hou, Y. et al. (2026). A Survey of Large Language Models. Frontiers of Computer Science, 20 (12). https://doi.org/10.1007/s11704-026-60308-3
  18. Lee, K., Joshi, M., Turc, I., Hu, H., Liu, F., Eisenschlos, J. et al. (2023). Pix2Struct: screenshot parsing as pretraining for visual language understanding. Proceedings of the 40th International Conference on Machine Learning (ICML), PMLR 202. Available at: https://proceedings.mlr.press/v202/lee23g.html
  19. Dong, Y., Jiang, X., Qian, J., Wang, T., Zhang, K., Jin, Z., Li, G. (2025). A survey on code generation with LLM-based agents. arXiv. https://doi.org/10.48550/arXiv.2508.00083
  20. Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J. et al. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18 (6). https://doi.org/10.1007/s11704-024-40231-1
  21. Bosma, M., Chi, E., Ichter, B., Le, Q. V., Schuurmans, D., Wang, X. et al. (2022). Chain-Of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems 35, 24824–24837. https://doi.org/10.52202/068431-1800
  22. Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P. et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://doi.org/10.48550/arXiv.2005.14165
  23. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N. et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. https://doi.org/10.48550/arXiv.2005.11401
  24. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y. et al. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55 (12), 1–38. https://doi.org/10.1145/3571730
  25. Tonmoy, S. M. T. I., Zaman, S. M. M., Jain, V., Rani, A., Rawte, V., Chadha, A., Das, A. (2024). A comprehensive survey of hallucination mitigation techniques in large language models. arXiv. https://doi.org/10.48550/arXiv.2401.01313
  26. Manakul, P., Liusie, A., Gales, M. (2023). SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing, 9004–9017. https://doi.org/10.18653/v1/2023.emnlp-main.557
  27. Cancedda, N., Dessi, R., Dwivedi-Yu, J., Hambro, E., Lomeli, M., Raileanu, R. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems 36, 68539–68551. https://doi.org/10.52202/075280-2997
  28. Jonas, E., Schleier-Smith, J., Sreekanti, V., Tsai, C.-C., Khandelwal, A., Pu, Q. et al. (2019). Cloud programming simplified: a Berkeley view on serverless computing. Technical Report No. UCB/EECS-2019-3. Berkeley: EECS Department, University of California. Available at: https://www2.eecs.berkeley.edu/Pubs/TechRpts/2019/EECS-2019-3.html
  29. Shahrad, M., Fonseca, R., Goiri, Í., Chaudhry, G., Batum, P., Cooke, J. et al. (2020). Serverless in the wild: characterizing and optimizing the serverless workload at a large cloud provider. 2020 USENIX Annual Technical Conference (USENIX ATC 20), 205–218. Available at: https://www.usenix.org/conference/atc20/presentation/shahrad
  30. Baldini, I., Castro, P., Chang, K., Cheng, P., Fink, S., Ishakian, V. et al. (2017). Serverless Computing: Current Trends and Open Problems. Research Advances in Cloud Computing, 1–20. https://doi.org/10.1007/978-981-10-5026-8_1
Розроблення дворівневої агентної архітектури для автоматизованого генерування та валідації схем користувацького інтерфейсу вагонів з використанням мультимодальних великих мовних моделей

##submission.downloads##

Опубліковано

2026-06-30

Як цитувати

Dobrovolskyi, I. (2026). Розроблення дворівневої агентної архітектури для автоматизованого генерування та валідації схем користувацького інтерфейсу вагонів з використанням мультимодальних великих мовних моделей. Eastern-European Journal of Enterprise Technologies, 3(2 (141), 75–86. https://doi.org/10.15587/1729-4061.2026.363741

Номер

Том 3 № 2 (141) (2026): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2026 Ivan Dobrovolskyi

Creative Commons License

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.