Статья посвящена разработке экспертной системы для диагностики пневмонии. Эта система основана на нечеткой логике и реализована с использованием алгоритма Мамдани. Рассмотрены основные этапы разработки системы, включая фаззификацию входных данных, определение нечетких правил на основе медицинских экспертных знаний, агрегирование нечетких выводов и их дефаззификацию для получения окончательного диагностического результата. Веб-интерфейс системы реализован с использованием фреймворка Django, что обеспечивает удобство взаимодействия для пользователей. Применение медицинской экспертной системы для диагностики пневмонии может сократить время, необходимое для установления диагноза, и улучшить качество диагностики за счет интеграции опыта медицинских экспертов и современных информационных технологий.

Представлена информационно-аналитическая система оценки восьми когнитивных функций авиационного персонала на основе нечеткой логики. На вход системы подаются 14 входных переменных, являющихся результатами прохождения испытуемыми 13 валидизированных психодиагностических методик. Основой функционирования системы является алгоритм нечеткого вывода Мамдани, масштабируемый под размерность входного пространства (1, 2 или 3 метрики) и использующий адаптивные базы продукционных правил (3, 9 или 27). Сформированные количественные оценки восьми когнитивных функций в диапазоне [0; 1] поступают на трехуровневый классификатор, реализующий их качественную интерпретацию посредством отнесения к одной из трех зон: риска [0; 0.4], допустимого уровня (0.4; 0.7] или высокого уровня (0.7; 1]. Практическая значимость разработанной информационно-аналитической системы заключается в создании её как инструмента автоматизированной поддержки принятия решений для специалистов по профессиональному отбору. Внедрение системы позволит перейти от бинарной оценки «годен/не годен» к дифференцированному управлению кадровыми рисками, учитывающему структуру когнитивного профиля кандидата.

При авторегрессионной генерации текста языковыми моделями (LLM) выбор следующего токена выполняется функцией Softmax с фиксированным коэффициентом декодирования, равным единице и одинаковым для всех шагов генерации и типов текста. Такой подход не учитывает динамически изменяющиеся лингвистические характеристики формируемого контекста. Например, текст с высоким лексическим разнообразием нуждается в высокой избирательности: значение коэффициента декодирования должно быть малым. Монотонный повторяющийся контекст требует сглаживания распределения: значение коэффициента декодирования должно быть большим.

Предложен нечеткий регулятор вычисления коэффициента избирательности декодирования, построенный с использованием двух лингвистических признаков, а именно лексического разнообразия сформированного контекста и энтропии Шеннона распределения вероятностей на предшествующем шаге. Нечеткий регулятор реализован на алгоритме Мамдани с базой из девяти нечетко-логических правил и дефаззификатором на основе метода центра тяжести. Эффективность предложенного подхода заключается в том, что для терминологически насыщенного текста нечеткий регулятор снижает энтропию Шеннона распределения вероятностей более чем в 20 раз по сравнению со стандартным подходом.

Предложен нечеткий регулятор вычисления параметров скользящего окна для подготовки обучающих данных больших языковых моделей. Традиционный подход задает параметры «шаг окна» и «длина контекста» фиксированными константами, одинаковыми для всего текста, и не учитывает такие лингвистические характеристики отдельных фрагментов, как насыщенный научный текст и монотонный повторяющийся текст. Предлагаемый метод использует два автоматически вычисляемых признака фрагмента – лексическое разнообразие и среднюю длину BPE-токена. На основе алгоритма Мамдани с базой из 9 нечетко-логических правил и дефаззификацией методом центра тяжести нечеткий регулятор адаптивно вычисляет значения параметров «шаг окна» и «длина контекста» для каждого фрагмента. Предложенный подход имеет когнитивную интерпретацию, поскольку воспроизводит механизм адаптивного внимания человека при чтении, например, сложные фрагменты обрабатываются более внимательно при малом размере шага.