Метод застосування агентів штучного інтелекту в багатоагентній системі для автоматизації процесів інтелектуального аналізу даних

Стаття присвячена розробці методу застосування агентів штучного інтелекту для автоматизації інтелектуального аналізу даних (ІАД) з використанням векторних та графових баз даних для накопичення відомостей про застосовувані конвеєри обробки та пошуку схожих кейсів обробки даних і відповідних ланцюгів застосування алгоритмічного забезпечення етапів аналізу та витягу моделей з даних. У роботі проаналізовані можливості та сучасний стан інтеграції агентів ШІ із великими мовними моделями (LLM), що дозволяє значно розширити функціональність агентів та забезпечити автоматизацію складних процесів ІАД. Запропонований у даній роботі підхід базується на сумісному використанні результатів онтологічного моделювання предметної області ІАД, що дозволяє обмежити або уточнити рішення, які приймаються агентами штучного інтелекту на відповідних етапах загального процесу, що автоматизується, та графових баз даних (Knowledge Graphs) для накопичення знань про успішні кейси обробки даних. Ключові результати дослідження включають: розробку методології створення багатоагентних систем із спеціалізованими агентами для кожного етапу процесу ІАД; використання векторних баз даних для пошуку подібних кейсів обробки на основі вбудовувань запитів; автоматизацію використання онтологічних моделей предметної області як контексту для виконання завдань агентами ШІ; ітеративний підхід до обробки даних із можливістю вдосконалення на основі накопиченого досвіду. У роботі представлено результати структурно-функціонального аналізу запропонованої архітектури системи та фрагмент графової бази даних для збереження знань про кейси обробки даних. Також обговорено переваги та обмеження застосування агентів ШІ. Висновки підкреслюють практичну цінність запропонованого підходу для підвищення ефективності ІАД в умовах зростаючої складності обробки великих обсягів даних.

The article is devoted to the development of a method of using artificial intelligence agents for automation of intelligent data analysis (IAD) using vector and graph databases to accumulate information about the processing pipelines used and search for similar data processing cases and the corresponding chains of application of algorithmic support for the stages of analysis and extraction of models from data. The paper analyzes the possibilities and current state of integration of AI agents with large language models (LLM), which allows significantly expanding the functionality of agents and ensuring the automation of complex IAD processes. The approach proposed in this paper is based on the combined use of the results of ontological modeling of the AI domain, which allows limiting or refining the decisions made by artificial intelligence agents at the relevant stages of the general automated process, and graph databases (Knowledge Graphs) for accumulating knowledge about successful data processing cases. The key results of the research include: development of a methodology for creating multi-agent systems with specialized agents for each stage of the AI process; use of vector databases to search for similar processing cases based on query embeddings; automation of the use of ontological models of the domain as a context for performing tasks by AI agents; iterative approach to data processing with the possibility of improvement based on accumulated experience. The paper presents the results of the structural and functional analysis of the proposed system architecture and a fragment of a graph database for storing knowledge about data processing cases. The advantages and limitations of the use of AI agents are also discussed. The conclusions emphasize the practical value of the proposed approach for improving the efficiency of AI in the face of the growing complexity of processing large amounts of data.