| dc.contributor.author | Власюк, Р. Ю. | uk |
| dc.contributor.author | Vlasiuk, R. Y. | en |
| dc.date.accessioned | 2026-09-03T10:23:16Z | |
| dc.date.available | 2026-09-03T10:23:16Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Власюк Р. Ю. Дослідження підходів до створення AI-орієнтованих систем генерації текстового контенту // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/27906. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/52726 | |
| dc.description.abstract | У статті досліджуються методи розробки систем генерації текстового контенту, орієнтованих на штучний інтелект. Від статистичних моделей до сучасних трансформерних архітектур розглядається розвиток методів генерації тексту. Проаналізовано основні принципи навчання великих мовних моделей, включаючи підготовку до навчання, удосконалення та підкріплення навчання за допомогою людського feedback. | uk |
| dc.description.abstract | The article examines methods for developing AI-oriented text generation systems. The evolution of text generation approaches is considered, ranging from statistical models to modern transformer-based architectures. The key principles of training large language models are analyzed, including pretraining, fine-tuning, and reinforcement learning with human feedback. The main advantages, limitations, and application areas of these systems are identified. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/27906 | |
| dc.subject | штучний інтелект | uk |
| dc.subject | генерація тексту | uk |
| dc.subject | NLP | en |
| dc.subject | трансформери | uk |
| dc.subject | великі мовні моделі | uk |
| dc.subject | глибинненавчання | uk |
| dc.subject | artificial intelligence | en |
| dc.subject | text generation | en |
| dc.subject | NLP | en |
| dc.subject | transformers | en |
| dc.subject | large language models | en |
| dc.title | Дослідження підходів до створення AI-орієнтованих систем генерації текстового контенту | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.41 | |
| dc.relation.references | . Це дозволяє їм виконувати широкий спектр завдань без явного програмування та розвивати узагальнені мовні уявлення. Такі моделі можуть узагальнювати інформацію, вести розмову, перекладати та навіть вирішувати логічні задачі. Створення AI-орієнтованих систем генерації текстів складається з кількох основних етапів. Модель навчається на великих неструктурованих корпусах даних шляхом передбачення наступного токена або відновлення пропущених частин тексту на етапі попереднього навчання. Це сприяє розвитку основних мовних навичок. Далі проводиться донавчання (fine-tuning) на спеціалізованих наборах даних. Це дозволяє адаптувати модель до різних завдань, таких як створення коду, обробка запитів користувачів або чат-боти. Завершальним кроком є оптимізація за допомогою методів навчання з підкріпленням із використанням людського зворотного зв’язку (Reinforcement Learning from Human Feedback, або RLHF). Мета цієї стратегії полягає в тому, щоб підвищити якість, релевантність і безпеку контенту, який було створено. Обчислювальна інфраструктура є важливою для функціонування таких систем. Для навчання великих мовних моделей потрібні потужні графічні процесори (GPU), тензорні процесори (TPU) та розподілені обчислювальні системи. Зменшення затримок при генерації тексту, забезпечення масштабованості систем і оптимізація пам’яті також є важливими питаннями. AI-орiєнтовані системи генерації тексту мають широкий спектр застосування. Написання програмного коду, машинний переклад, аналіз і узагальнення текстів, автоматичне створення новинних статей і маркетингового контенту, створення інтелектуальних чат-ботів і віртуальних асистентів, а також адаптація контенту до потреб користувачів є частиною цих завдань. Такі системи можуть значно підвищити продуктивність роботи та скоротити витрати на обробку даних у бізнессередовищі. Тим не менш, є деякі проблеми з використанням цих систем. Одним із найважливіших є явище, відоме як «галюцинації», коли модель створює інформацію, яка виглядає правдоподібною, але насправді є неправдивою. Крім того, питання етичного використання є важливими; це включає запобігання упередженості у даних, забезпечення конфіденційності та нагляд за використанням створеного контенту. Крім того, великим викликом залишається залежність від значних навчальних даних, а також висока вартість розробки та обслуговування таких систем. Висновок Одним із найбільш перспективних напрямків розвитку сучасних інформаційних технологій є системи генерації текстового контенту, які базуються на використанні трансформерних моделей, великих мовних моделей і сучасних методів навчання. Попри значні досягнення, залишаються проблеми з якістю, мораллю та ефективністю таких систем. Удосконалення цієї галузі сприятиме створенню більш розумних і надійних систем генерації тексту. СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ | uk |
| dc.relation.references | Vaswani A. Attention is All You Nee [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/1706.03762 | uk |
| dc.relation.references | Brown T. Language Models are Few-Shot Learners [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/2005.14165 | en |
| dc.relation.references | Devlin J. BERT: Pre-training of Deep Bidirectional Transformers [Електронний ресурс] – Режим доступу: https://aclanthology.org/N19-1423/ | en |
| dc.relation.references | Goodfellow I. Deep Learning [Електронний ресурс] – Режим доступу: https: //www.deeplearningbook.org/ | en |
| dc.relation.references | OpenAI Research Papers [Електронний ресурс] – Режим доступу: https://openai.com/research/index/publication/ | uk |
