Реализация машинопонимаемых стандартов с помощью технологии искусственного интеллекта

Введение. Современные отраслевые стандарты характеризуются возрастающим объемом и сложностью, что делает их ручной анализ трудоемким и подверженным ошибкам. Актуальной задачей является разработка и внедрение методов автоматизированного, машинопонимаемого представления стандартов для их интеграции в интеллектуальные системы поддержки принятия решений.

Цель. Исследование направлено на анализ возможностей технологий искусственного интеллекта для автоматизации процессов интерпретации, структурирования и анализа нормативных документов, а также на выявление ключевых вызовов и перспектив в данной области.

Материалы и методы. В работе применялись современные методы NLP, включая токенизацию, лемматизацию, извлечение ключевых фраз, семантический анализ на основе трансформерных архитектур и классификацию текста. Анализ данных включал преобразование текста в структурированные форматы (JSON/XML).

Результаты. Разработанный подход продемонстрировал высокую эффективность: было сокращено время анализа нормативных документов, а точность классификации разделов стандартов достигла 92 %. На примере стандарта ISO 27001 была показана возможность автоматического извлечения структурированных требований. Автоматизированное сравнение версий стандартов (на примере ГОСТ Р) позволило выявить до 98 % изменений.

Выводы. Практическая реализация методов искусственного интеллекта подтвердила их высокий потенциал для автоматизации машинопонимания стандартов. Дальнейшее развитие связано с адаптацией моделей к узкоспециализированным доменам, разработкой объяснимого искусственного интеллекта и интеграцией с экспертными системами для валидации результатов, что будет способствовать созданию полноценных интеллектуальных систем работы с нормативной документацией.

1. ISO/IEC Directives, Part 2: Principles and rules for the structure and drafting of ISO and IEC documents. International Organization for Standardization, 2021, 120 p.

2. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2022, 117 p.

3. Goodfellow I., Bengio Y., Courville A. Deep Learning. The MIT Press, 2016, 775 p.

4. LeCun Y., Bengio Y., Hinton G. Deep learning. <i>Nature</i>. 2015, vol. 521, no. 7553, pp. 436–444.

5. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need. <i>Advances in Neural Information Processing Systems</i>. 2017, vol. 30, pp. 5998–6008. Available

6. at: https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf.

7. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv: 1810.04805, 2019. Available at: https://arxiv.org/abs/1810.04805.

8. Brown T., Mann B., Ryder N., et al. Language Models are Few-Shot Learners. arXiv preprint arXiv: 2005.14165, 2020. Available at: https://arxiv.org/abs/2005.14165.

9. Mitchell T.M. Machine Learning. McGraw-Hill, 1997, 414 p.

10. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006, 738 p.

11. Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. The MIT Press, 2018, 526 p.

12. Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw. 2015, vol. 61, pp. 85–117. DOI: https://doi.org/10.1016/j.neunet.2014.09.003.

13. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems. 2012, vol. 25, no. 2. DOI: https://doi.org/10.1145/3065386.

14. Jurafsky D., Martin J.H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. 3rd ed. Online manuscript released August 24, 2025. Available at: https://web.stanford.edu/~jurafsky/slp3/.

15. Manning C.D., Raghavan P., Schütze H. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2009. Available at: https://nlp.stanford.edu/IR-book/information-retrieval-book.html.

16. Szeliski R. Computer Vision: Algorithms and Applications. Springer, 2010, 812 p.

17. LeCun Y., Bengio Y., Hinton G. Deep learning. <i>Nature</i>. 2015, vol. 521, no. 7553, pp. 436–444. DOI: https://doi.org/10.1038/nature14539.

18. Jackson P. Introduction to Expert Systems. Addison-Wesley, 1998, 560 p.

19. Luger G.F. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson, 2008, 754 p.

20. Tapscott D., Tapscott A. Blockchain Revolution: How the Technology Behind Bitcoin Is Changing Money, Business, and the World. Penguin, 2016, 368 p.

21. Thrun S. Toward Robotic Cars. Communications of the ACM. 2010, vol. 53, no. 4, pp. 99–106. DOI: https://doi.org/10.1145/1721654.1721679.

22. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. <i>Nature Medicine</i>. 2019, vol. 25, no. 1, pp. 44–56. DOI: https://doi.org/10.1038/s41591-018-0300-7.

23. Arrieta A.B., Díaz-Rodríguez N., Del Ser J., Bennetot A., Tabik S., Barbado A., García S., Gil-Lopez S., Molina D., Benjamins R., Chatila R., Herrera F. Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. <i>Information Fusion.</i> 2020, vol. 58, pp. 82–115. DOI: https://doi.org/10.1016/j.inffus.2019.12.012. Available at: https://www.sciencedirect.com/science/article/pii/S1566253519308103.