Обсуждаем ИБЗ и использование нейронных сетей в работе полиграфолога
Возможности модуля Интеллектуальной Базы Знаний (ИБЗ) Полиграфолога
- Предоставление оперативной справки на вопросы о технологиях инструментальной детекции лжи, на основе источников (книг, учебников, статей) помещённых в базу знаний;
- Производство анализа метрических данных тестов по трём предустановленным промтам: ЭСО (1-2-1-1, 10%), нормализация и вычисление взвешенных индексов, промпт DeepSeek - нейронная сеть сама выбирает метод анализа данных, по результатам анализа даётся диагностическое заключение о психологической значимости проверочных стимулов;
- Подготовка подробного отчёта по результатам анализа данных с выводами и рекомендациями;
- Генерирование профессиональных отчётов по результатам тестирования на полиграфе, в том числе с помощью конструктора отчётов и по образцу готового отчёта;
- Формулировка контрольных и проверочных вопросов для тестов по заданной фабуле с полным соответствии с требованиями методик формулировки стимулов;
- Подготовка целых тестов и тестовых батарей по заданной фабуле;
- Анализ тестов, тестовых стимул на соответствие методике подготовки тестов и стимулов, выдача рецензии;
- Создание психологического портрета по описанию поведения проверяемого лица, проведенной беседы, результатам тестам.
Для работы с нейронными сетями в модуле ИБЗ СППРП Сокол используется RAG технология
🧠
RAG (Retrieval-Augmented Generation) — технология, которая соединяет большую языковую модель (LLM) с внешней базой знаний. Простыми словами: вместо того чтобы использовать только внутренние знания модели, RAG обращается к внешним источникам, таким как базы данных и текстовые архивы, для нахождения более точной и содержательной информации. RAG был разработан для решения проблем стандартных LLM: склонности к «галлюцинациям» (созданию правдоподобной, но ложной информации) и ограниченности знаний моментом их последнего обучения.
Принцип работы
RAG объединяет два основных процесса:
Извлечение информации — при поступлении запроса система ищет релевантные материалы в базе данных или корпусе документов.
Генерация ответа — найденные тексты передаются в LLM, которая на их основе формирует осмысленный и точный ответ, учитывая как содержание источников, так и формулировку запроса.
В зависимости от указаний в подсказках сгенерированный ответ может включать цитаты или ссылки на исходные документы, что повышает прозрачность и доверие пользователей, позволяя проверить информацию.
Нейронная сеть может давать точные и релевантные ответы на запросы пользователей, если в её память на этапе обучения заложены сведения, необходимые для ответа. Если таких сведений в её памяти нет, а таких сведений об инструментальной детекции лжи в памяти нейронных сетей очень мало, то нейронная сеть легко может начать "галлюцинировать" - выдавать "придуманные" ответы, которые выглядят очень правдоподобно. Эти ответы легко могут ввести в заблуждение даже человека проходившего обучение.
