СОВМЕСТНОЕ ПРИМЕНЕНИЕ КОНЦЕПЦИИ АКТИВНЫХ ЗНАНИЙ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Авторы: 
В. А. Перепелкин*, С. Б. Арыков**
УДК: 
004.4’242
DOI: 
10.24412/2073-0667-2026-1-65-78
Аннотация: 

EDN: YKXJIB
В работе рассматриваются возможности совместного использования концепции активных знаний и методов машинного обучения для повышения уровня автоматизации разработки параллельных программ. Концепция активных знаний представляет собой методологию автоматического конструирования программ в конкретных предметных областях. В ее основе лежит идея создания базы активных знаний — специального формализованного описания конкретной предметной области, благодаря чему в этой предметной области существенно снижается сложность автоматического конструирования программ. Методы машинного обучения могут способствовать автоматизации и упрощению создания и использования таких баз активных знаний, снижать порог вхождения в работу с системой автоматического конструирования программ (например, системой LuNA). В работе представлен ИИ-помощник, способный в неформальном общении отвечать на вопросы о системе LuNA и концепции активных знаний. Он реализован на основе большой языковой модели и использует подход RAG для работы с подготовленной для этого текстовой базой знаний. В дальнейшем планируется развивать функциональность ИИ-помощника.

Работа выполнена в рамках государственного задания ИВМиМГ СО РАН FWNM-2025-0005.

Список литературы

  1. Вальковский В. А., Малышкин В.Э. Синтез параллельных программ и систем на вычислительных моделях / Отв. ред. Котов В.Е.; АН СССР, Сиб. отд-ние, ВЦ. Новосибирск: Наука. Сиб. отд-ние, 1988. 126 с.
  2. Malyshkin V. Active Knowledge, LuNA and Literacy for Oncoming Centuries // LNCS, Vol. 9465. 2015. C. 292-303. DOI: 10.1007/978-3-319-25527-9_19.
  3. Malyshkin V. E., Perepelkin V. A. LuNA Fragmented Programming System, Main Functions and Peculiarities of Run-Time Subsystem // Proceedings of the 11th International Conference on Parallel Computing Technologies (PaCT-2011), LNCS, T. 6873, 2011, C. 53-61. DOI: 10.1007/978-3-642-23178- 0_5.
  4. Arykov, S. Defining Order of Execution in Aspect Programming Language // LNCS. 2017. Vol. 10421. P' 255 261. ISBN 978-3-319-62932-2. DOI: 10.1007/978-3-319-62932-2_25.
  5. Weisz et al. Examining the Use and Impact of an Al Code Assistant on Developer Productivity and Experience in the Enterprise // Proceedings of the Extended Abstracts of the CHI EA ’25 Conference on Human Factors in Computing Systems. Article No. 673. P. 1-13. ISBN: 9798400713958. DOI: 10.1145/3706599.3706670.
  6. Jiang et al. CursorCore: Assist Programming through Aligning Anything // CoRR. Vol. abs/2410.07002. 2024. ISSN 2331-8422. DOI: 10.48550/arXiv.2410.07002.
  7. Mark Chen et al. Evaluating Large Language Models Trained on Code // CoRR. Vol. abs/2107.03374. 2021. ISSN 2331-8422. DOI: 10.48550/arXiv.2107.03374.
  8. Pandey et al. Transforming Software Development: Evaluating the Efficiency and Challenges of GitHub Copilot in Real-World Projects // CoRR. Vol. abs/2406.17910. 2024. ISSN 2331-8422. DOI: 10.48550/arXiv.2406.17910.
  9. Gemini Code Assist | Al coding assistant. [Электронный ресурс]: https://developers. google.com/gemini-code-assist/docs/overview (дата обращения: 24.11.2025).
  10. Grok Code Fast 1 Model Card. [Электронный ресурс]: https://data.x.ai/2025-08-26- grok-code-fast-l-model-card.pdf (дата обращения: 03.02.2025).
  11. SourceCraft. Code Assistant. [Электронный ресурс], https://sourcecraft.dev/portal/ code-assistant/ (дата обращения: 22.11.2025).
  12. GigaCode. [Электронный ресурс], https://gigacode.ru/ (дата обращения: 22.11.2025).
  13. Tai Kadosh et al. OMPar: Automatic Parallelization with AI-Driven Source-to-Source Compilation // CoRR. Vol. abs-2409-14771. 2024. ISSN 2331-8422. DOI: 10.48550/arXiv.2409.14771.
  14. Mahmud et al. AutoParLLM: GNN-Guided Automatic Code Parallelization using Large Language Models // CoRR. Vol. abs/2310.04047. 2023. ISSN 2331-8422. DOI: 10.48550/arXiv.2310.04047.
  15. Nichols et al. HPC-Coder: Modeling Parallel Programs using Large Language Models // ISC High Performance 2024 Research Paper Proceedings (39th International Conference). Hamburg, Germany. 2024. P. 1-12. DOI: 10.23919/ISC.2024.10528929.

 

Ключевые слова: 
концепция активных знаний, система LuNA, машинное обучение, большие языковые модели, ИИ-ассистент.
Номер журнала: 
1(70) 2026 г.
Год: 
2026
Адрес: 
Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия * Новосибирский национальный исследовательский государственный университет, 630090, Новосибирск, Россия ** Новосибирский государственный технический университет, 630073, Новосибирск, Россия
Библиографическая ссылка: 
Перепелкин В. А. , Арыков С. Б. Совместное применение концепции активных знаний и методов машинного обучения //"Проблемы информатики", 2026, № 1, с.66-79.  DOI: 10.24412/2073-0667-2026-1-66-79.