КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Молодь в науці: дослідження, проблеми, перспективи (МН-2026)

Розмір шрифта: 
ЕФЕКТИВНІСТЬ НЕЙРОСИМВОЛЬНИХ АРХІТЕКТУР У ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ
Богдан Петрович Янковський

Остання редакція: 2026-06-04

Анотація


Доповідь присвячена аналізу ефективності нейросимвольних архітектур у інтелектуальних системах. Розглянуто узагальнену схему гібридної взаємодії конекціоністської та символьної парадигм штучного інтелекту, виділено три типи зв’язку підсистем (послідовний, паралельний і циклічний) та запропоновано критерії оцінювання ефективності таких архітектур: точність вирішення цільової задачі, інтерпретованість результатів, обчислювальні витрати та переносимість на нові предметні області. Як приклад розглянуто власну розробку — програмний модуль перетворення природної мови в запити мови Cypher до графової бази знань, побудований за нейросимвольним принципом. Експериментально підтверджено, що додавання символьного шару семантичної корекції до нейронної мовної моделі підвищує точність трансляції природної мови у формальний запит на 23,3 процентного пункту, що ілюструє загальну ефективність розглянутої архітектурної парадигми

Ключові слова


нейросимвольні технології; гібридний штучний інтелект; інтелектуальні системи; ефективність архітектур; інтерпретованість; велика мовна модель; база знань

Посилання


1. Garcez A. d’Avila, Lamb L. C. Neurosymbolic AI: The 3rd Wave. Artificial Intelligence Review. 2023. Vol. 56, № 11. P. 12387–12406.

 

2. Pan S., Luo L., Wang Y., Chen C., Wang J., Wu X. Unifying Large Language Models and Knowledge Graphs: A Roadmap. IEEE Transactions on Knowledge and Data Engineering. 2024. Vol. 36, № 7. P. 3580–3599.

 

3. Hu E. J., Shen Y., Wallis P. et al. LoRA: Low-Rank Adaptation of Large Language Models. arXiv preprint 2106.09685. 2021. URL: https://arxiv.org/abs/2106.09685 (дата звернення: 05.04.2026).

 

4. Wang Y., Le H., Gotmare A. D., Bui N., Li J., Hoi S. C. H. CodeT5+: Open Code Large Language Models for Code Understanding and Generation. arXiv preprint 2305.07922. 2023. URL: https://arxiv.org/abs/2305.07922 (дата звернення: 04.04.2026).

 

5. Yang J., Hu R., Zhang H. et al. NL2GQL: A Two-Stage Text-to-Cypher Method via Schema-aware LLM with Cosine Similarity. arXiv preprint 2412.10064. 2024. URL: https://arxiv.org/abs/2412.10064 (дата звернення: 03.04.2026).

 

6. Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of EMNLPIJCNLP. 2019. P. 3982–3992.

 

7. Robinson I., Webber J., Eifrem E. Graph Databases: New Opportunities for Connected Data. 2nd ed. Sebastopol : O’Reilly Media, 2015. 238 p.


Повний текст: PDF