Ақпараттық-коммуникациялық және химиялық технология

Том 4 № 29 (2025) / 2025-12-30 / Көрілім саны: 168

ҚАЗАҚСТАННЫҢ НОРМАТИВТІК-ҚҰҚЫҚТЫҚ АКТІЛЕРІН ТАЛДАУ ЖҮЙЕЛЕРІ ҮШІН ІЗДЕУМЕН ТОЛЫҚТЫРЫЛҒАН ГЕНЕРАЦИЯ ТӘСІЛДЕРІН САЛЫСТЫРУ

Авторлар

Алматы технологиялық университеті
https://orcid.org/0000-0002-9847-433X
Алматы технологиялық университеті
https://orcid.org/0009-0003-9412-1945
Алматы технологиялық университеті
https://orcid.org/0009-0001-9409-3871
Алматы технологиялық университеті
https://orcid.org/0000-0002-5196-8885

Кілтті сөздер

іздеумен толықтырылған генерация, ақпараттық іздеу, үлкен тілдік модельдер, білімнің графикалық көріністері, білімнің векторлық көріністері

DOI сілтемесі:

https://doi.org/10.58805/kazutb.v.4.29-1029

Қалай дәйексөз келтіруге болады

Букенова , И., et al. «ҚАЗАҚСТАННЫҢ НОРМАТИВТІК-ҚҰҚЫҚТЫҚ АКТІЛЕРІН ТАЛДАУ ЖҮЙЕЛЕРІ ҮШІН ІЗДЕУМЕН ТОЛЫҚТЫРЫЛҒАН ГЕНЕРАЦИЯ ТӘСІЛДЕРІН САЛЫСТЫРУ». ҚазТБУ хабаршысы, вип. 4, вип. 29, Грудень 2025, doi:10.58805/kazutb.v.4.29-1029.

Аңдатпа

LLM үшін іргелі шектеулер олардың статикалық білімі болып қала береді, сондықтан жалған ақпарат, "галлюцинация" пайда болу қаупі бар. Retrieval-Augmented Generation (RAG) технологиясы дәлелденген өзекті ақпаратпен сыртқы білім базаларымен біріктіру арқылы осы қиындықтарды жеңу үшін ұсынылды. Дегенмен, векторларға негізделген стандартты Rag парадигмалары тереңірек ойлауды немесе бірнеше үзінділерден ақпаратты синтездеуді қажет ететін күрделі сұраулар үшін тиімсіз болып шықты. GraphRAG перспективті альтернатива ретінде білімнің графиктер түріндегі құрылымдық көрінісін пайдаланатын RAG түрі болып саналады.Бірақ салыстырмалы тиімділік, сапа балансы және graphrag үшін ресурстар мәселесі векторлық жүйелерге қарсы, әсіресе нақты бағыттарда (Қазақстанның құқықтық жүйесі ретінде) әлі зерттелмеген. Бұл жұмыс сандық экспериментті ұсынады: біз индекстерді құру үшін GPT-4.1-nano және text-embedding-3-small көмегімен негізгі векторлық RAG-ді екі Microsoft GraphRAG конфигурациясымен (жергілікті/Ғаламдық іздеу) салыстырдық. Эксперимент ҚР 15 НҚА корпусында жүргізілді (10.1 млн.таңба, 1.24 млн. сөз, ~28,700 фрагмент). 250 сұрақтан тұратын синтетикалық деректер жиынтығы құрылды - 50 бір сатылы, 100 көп сатылы, 100 тақырыптық. Бағалау үшін көрсеткіштер кешені қолданылды: іздеу сапасы (ndcg@10, Context Recall/Precision), жауап сапасы (LLM-as-Judge өзектілігі, дәлдігі, толықтығы, дұрыстығы бойынша бағалау) және ресурстар (cost/latency). Нәтижелер (P<0.05) мынаны көрсетеді: жергілікті іздеумен GraphRAG (0.50 мәтінді шығару үлесі үшін оңтайлы) көп сатылы есептердегі экстракция сапасы бойынша векторлық RAG-дан статистикалық түрде асып түседі (ndcg@10: 0.657 vs 0.555, +18.6%; Context Recall: 0.710 vs 0.544, +16.6%, шыңы кезінде context precision 0.784). Жаһандық іздеуі бар GraphRAG тақырыптық сұрақтарға қорытынды жауаптардың сапасы бойынша көш бастап тұр (Quality Score: 3.89; +22.3% vs векторлық RAG). GraphRAG жергілікті іздеу параметрлерін талдау нақты "сапа-ресурстар" Парето майданының болуын растады. Алынған нәтижелерге сүйене отырып, біз қорытынды жасадық: графикалық жүйелер күрделі сұраулар үшін өнімділік шекарасын қалыптастырады, бірақ үлкен шығындармен векторлық RAG бір сұрақтармен салыстырмалы түрде жақсы жұмыс істейді, ал үнемді. Зерттеу сұрау түрі мен ресурстарды ескере отырып, заң саласындағы қалауларға негізделген RAG архитектурасын таңдауға эмпирикалық негіз береді.