Статья посвящена методам понижения сложности аппроксимирующих моделей. Предлагается вероятностное обоснование методов дистилляции и привилегированного обучения. Приведены общие выводы для произвольной параметрической функции с наперед заданной структурой. Показано теоретическое обоснование для частных случаев: линейной и логистической регрессии. Проводится анализ рассмотренных моделей в вычислительном эксперименте на синтетических выборках и реальных данных. В качестве реальных данных рассматриваются выборки FashionMNIST и Twitter Sentiment Analysis.

В работе приведены результаты анализа и экспериментального тестирования различных вариантов организации ассистированного поиска информации в технической документации на примере библиотеки документов по АСУ ТП АЭС. Проведена экспертная оценка эффективности поиска с применением облачных больших языковых моделей (БЯМ), в том числе с использованием специальных поисковых надстроек, локальных дистиллированных БЯМ (с различными вариантами встраивания библиотеки документов), классическими поисковыми системами, а также ручным контекстным поиском. Рассматриваются вопросы безопасности применения искусственного интеллекта на АЭС.

Рассмотрена задача внесения изменений в прикладное программное обеспечение систем верхнего блочного уровня АСУТП АЭС. Приведены краткие сведения о прикладном программном обеспечении, раскрыты основные идеи методики внесения изменений, представлена характеристика системы подготовки данных для автоматизированного внесения изменений.

Развитие больших языковых моделей (LLM) в настоящее время вызывает большой интерес в научном сообществе, в то же время прогресс методов генерации текстов стимулирует рост и постоянное обновление подходов обнаружения машинно-сгенерированных фрагментов. В более ранних исследованиях было отмечено, что значения перплексии и логарифмической функции вероятности способны отразить меру разницы между искусственными и написанными человеком текстами. На основе этого наблюдения в данной работе вводится новый критерий, который позволяет делать вывод о принадлежности текстового фрагмента конкретной LLM. В текущем исследовании предлагается новый эффективный метод, который позволяет обнаруживать искусственно-сгенерированные фрагменты с помощью аппроксимации значения перплексии у LLM. Приближение основано на предварительно собранных статистических языковых моделях. Аппроксимация позволяет достичь высоких показателей производительности системы и качества, в том числе и для фрагментов, сгенерированных большими языковыми моделями, веса которых не были опубликованы. Большое количество предварительно собранных словарей статистик повышает способность к обобщению и позволяет охватывать текстовые последовательности, которые не встречались ранее. Описанный в работе подход легко обновлять, необходим лишь новый словарь статистик, основанный на текстах, сгенерированных желаемой языковой моделью. Представленный метод в среднем достигает 94% полноты обнаружения сгенерированных фрагментов среди текстов из различных LLM, а одна проверка совершается за миллисекунды, что превосходит современные подходы в тысячи раз.

Современные генеративные модели создают изображения, практически неотличимые от человеческих, что ставит серьезные вызовы для верификации контента. В условиях когда машинно сгенерированный контент активно интегрируется в профессиональные рабочие процессы, задача его надежного обнаружения становится критически важной. Существующие детекторы машинно сгенерированных изображений плохо обобщаются на новые генераторы и визуальные домены. В данной работе исследуется способность современных детекторов машинно сгенерированных изображений распознавать новые генеративные модели и изображения из разных доменов, не представленные в обучающих данных. В качестве объектов исследования рассматриваются популярные архитектуры, включая комбинацию предобученного CLIP с MLP-классификатором, а также модель на основе смеси экспертов. Особое внимание уделяется анализу текущих ограничений и надежности как закрытых, так и открытых решений, особенно в контексте появления новых генеративных методов и специфичных типов изображений. Экспериментальные результаты демонстрируют значительные ограничения существующих подходов: модели показывают низкую обобщающую способность не только в отношении новых генераторов, но и при работе с изображениями из новых доменов.