РАЗРАБОТКА ОБЛЕГЧЁННОЙ АРХИТЕКТУРЫ ГЕНЕРАТИВНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ АВТОМАТИЗАЦИИ ОБРАБОТКИ ОБРАЩЕНИЙ ГРАЖДАН В ГОСУДАРСТВЕННЫХ УЧРЕЖДЕНИЯХ НА БАЗЕ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ
DOI:
https://doi.org/10.52167/1609-1817-2025-1-S1-297-306Ключевые слова:
: генеративный искусственный интеллект, большие языковые модели, обработка обращений граждан, электронное правительство, RAG, классификация текста, извлечение именованных сущностейАннотация
В данной статье рассматривается проблема автоматизации обработки обращений граждан в государственных учреждениях Республики Казахстан с использованием технологий генеративного искусственного интеллекта. Актуальность исследования обусловлена ростом объёма электронных обращений через платформу eOtinish (более 5 млн обращений в год) и необходимостью снижения нагрузки на государственных служащих при сохранении качества ответов. Целью работы является разработка облегчённой архитектуры генеративной информационной системы (GenAI), основанной на комбинировании методов классификации текста, извлечения именованных сущностей (NER), поисковой индексации (FAISS) и генерации ответов с использованием больших языковых моделей (LLM) по принципу RAG. Результаты исследования могут быть использованы при внедрении генеративных технологий в центрах обслуживания населения, ведомственных колл-центрах и иных государственных учреждениях.
Библиографические ссылки
Electronic Government of the Republic of Kazakhstan. Over 26 million government services delivered to citizens online since the beginning of 2025. URL: https://egov.kz/cms/ru/news/public_services_online (accessed: 08.04.2026).
Electronic Government of the Republic of Kazakhstan. eOtinish: the digital dialogue between the state and citizens has reached a new level. URL: https://egov.kz/cms/ru/news/eOtinish_platform (accessed: 08.04.2026).
Mavliyarov A.A., Shamsutdinova T.M. Avtomatizatsiya obrabotki obrashcheniy grazhdan (na primere administratsii Al'sheevskogo rayona) [Automation of citizen complaint processing (on the example of the Alsheevsky district administration)]. NovaInfo, 2016, no. 49, pp. 108–117.
Gartner. Retrieval-Augmented Generation as a core capability for enterprise Generative AI. 2024.
Primenenie tekhnologiy obrabotki estestvennogo yazyka (NLP) i mashinnogo obucheniya dlya obrabotki obrashcheniy grazhdan v sisteme munitsipal'nogo upravleniya [Application of natural language processing (NLP) and machine learning technologies for processing citizen complaints in municipal governance]. APNI, 2024.
Zhang Y. et al. Improving citizen-government interactions with generative artificial intelligence: Novel human-computer interaction strategies for policy understanding through large language models. Digital Government: Research and Practice, 2024, vol. 5, no. 4. DOI: 10.1145/3685680.
Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT, Minneapolis, ACL, 2019, pp. 4171–4186.
Li J. et al. A Survey on Deep Learning for Named Entity Recognition. IEEE Transactions on Knowledge and Data Engineering, 2022, vol. 34, no. 1, pp. 50–70.
Johnson J., Douze M., Jégou H. Billion-scale similarity search with GPUs. IEEE Transactions on Big Data, 2021, vol. 7, no. 3, pp. 535–547.
Lewis P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 2020, vol. 33, pp. 9459–9474.
Powers D.M.W. Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation. Journal of Machine Learning Technologies, 2011, vol. 2, no. 1, pp. 37–63.
OECD. Digital Government Review of Kazakhstan. OECD Digital Government Studies, OECD Publishing, Paris, 2024. DOI: 10.1787/7ab82aef-en.
Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2019, pp. 3982–3992. DOI: 10.18653/v1/D19-1410.
Sun W., Wang Y., Chen Y. Large Language Models for Public Affairs: Opportunities, Challenges, and a Research Agenda. Public Administration Review, 2024, vol. 84, no. 5, pp. 932–943. DOI: 10.1111/puar.13803.
Dettmers T., Pagnoni A., Holtzman A., Zettlemoyer L. QLoRA: Efficient Finetuning of Quantized Language Models. Advances in Neural Information Processing Systems (NeurIPS 2023), 2024, vol. 36. arXiv: 2305.14314.
Grattafiori A. et al. The Llama 3 Herd of Models. arXiv preprint arXiv:2407.21783, 2024.
Gao Y., Xiong Y., Dibia V. et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv preprint arXiv:2312.10997, 2024.
Liu Y., Iter D., Xu Y., Wang S., Xu R., Zhu C. G-Eval: NLG Evaluation Using GPT-4 with Better Human Alignment. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2023, pp. 2511–2522. DOI: 10.18653/v1/2023.emnlp-main.153.
Consumer Financial Protection Bureau. Consumer Complaint Database. 2024. URL: https://www.consumerfinance.gov/data-research/consumer-complaints/
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Бексултан Кобетай , Динара Касымова , Гульчат Есжанова , Улжалгас Адилбаева , Бекзат Сәдібек
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
