В условиях современного оперативно-служебного ландшафта работа с информацией остается одним из наиболее трудоемких и критически важных процессов [1]. Специалисты, в частности в сфере пожарной охраны, ежедневно сталкиваются с колоссальным и непрерывно растущим потоком данных: от постоянно обновляющихся нормативно-правовых актов, причем проблема состоит не только в их массовом количестве, но и в противоречии документов друг другу. Однако эта задача наталкивается на системные ограничения. Во-первых, в полевых условиях или на объектах с нарушенной инфраструктурой доступ к актуальным базам данных через интернет может быть невозможен или нестабилен. Во-вторых, даже при его наличии, классический поиск в массиве цифровых документов требует времени и определенных навыков. В-третьих, традиционная опора на бумажные носители — копии нормативно-правовых актов, распечатанные инструкции — делает процесс поиска информации неприемлемо медленным для реагирования в режиме реального времени.Возникает объективная необходимость в качественно новом инструменте — интеллектуальном помощнике, который мог бы радикально сократить когнитивную и временную нагрузку на специалиста [2-3]. Такой ассистент должен не просто хранить документы, а понимать естественно-языковый запрос человека, мгновенно анализировать локальную базу знаний, сформированную из утвержденных нормативно-правовых актов в области пожарной безопасности, и предоставлять точный, обоснованный выдержками из источников ответ. Это позволит перейти от трудоемкого поиска к мгновенному получению решения, обеспечив тем самым новое качество оперативного принятия решений в экстренных ситуациях. Разработка подобной системы и представляет собой цель настоящего исследования.Проведенный ранее эксперимент по использованию русскоязычной модели Saiga LLM [4] выявил ее ограниченную применимость для решения узкоспециализированных задач. Если на общих вопросах модель показала работоспособность, то тестирование на точных, фактографических запросах из области пожарной безопасности продемонстрировало большое количество аномалий (Аномалия – ошибки искусственного интеллекта) (рис. 1). В ходе апробации лишь 3 из 10 сгенерированных ответов соответствовали запросу, что указывает на высокую вероятность генерации недостоверных данных, также, данная модель имеет слишком большой вес (Веса модели - это фундаментальные, обучаемые параметры в нейронной сети, которые преобразуют входные данные), что делает ответ продолжительно долгим (около 5-7 минут). Таким образом, Saiga LLM не отвечает требованиям исследования. Рис. 1. Аномалия модели     Для преодоления выявленных ограничений архитектура системы была существенно модернизирована. Первоначальный прототип, реализованный в среде RenPy [4], был заменен на автономное клиент-серверное приложение в формате исполняемого (.exe) файла. Данный переход обеспечил необходимую гибкость и производительность для проведения дальнейших экспериментов.В новой архитектуре была реализована классическая схема RAG (Retrieval-Augmented Generation) [5]. В ее основе лежат две независимые нейронные сети:Модель эмбеддингов (Embedding model), ответственная за семантическое векторное представление текста [6]. Ее задача — преобразовать корпус нормативных документов и пользовательский запрос в числовые векторы (эмбеддинги), что позволяет эффективно находить релевантные фрагменты текста по смысловой близости.Языковая модель (LLM model) [7], отвечающая за генерацию итогового ответа. Она получает исходный запрос пользователя и найденные релевантные контексты (chunks) из базы знаний и формирует на их основе связный, фактологически точный текст.Для обеих ролей была выбрана модель Qwen. Критерием выбора послужил оптимальный баланс между качеством выходных данных (как для создания эмбеддингов, так и для генерации) и вычислительной эффективностью (размером модели), что является важным для потенциального развертывания системы на ограниченных аппаратных ресурсах.На текущем этапе разработки был выявлен системный недостаток, ограничивающий функциональность системы в целевой русскоязычной среде. Несмотря на заявленную мультиязычность, выбранная модель Qwen продемонстрировала недостаточную компетенцию в обработке русскоязычных текстов.Данное ограничение проявилось на двух уровнях архитектуры:На уровне извлечения информации: Модель эмбеддингов (Embedding model) генерирует векторные представления для русскоязычных документов и запросов с низкой семантической точностью. Это приводит к некорректной работе механизма поиска релевантных контекстов — система часто не находит ключевые документы или извлекает фрагменты, не соответствующие сути запроса.На уровне генерации ответа: Языковая модель (LLM model), получая даже корректный контекст, формирует ответы с фактологическими ошибками. Более того, наблюдаются случаи кодового смешения, когда часть ответа генерируется на китайском языке, что является прямым следствием смещения распределения вероятностей модели в сторону основного языка ее предобучения.Таким образом, языковой барьер модели Qwen приводит к каскадному сбою всей RAG-архитектуры: неточный поиск усугубляется некорректной генерацией. Опираясь на результаты предыдущих неудачных экспериментов с мультиязычными моделями общего назначения, был сформулирован принципиально иной подход — разработка собственной специализированной нейронной сети. Ключевая гипотеза заключается в том, что узкопредметная область пожарной безопасности, характеризующаяся строго формализованным языком и ограниченным понятийным аппаратом, представляет собой более решаемую задачу для обучения, чем тонкая настройка универсальной модели с ее избыточной сложностью и смещенными распределениями данных.Для реализации данного подхода была разработана и применена комбинированная двухэтапная методология обучения:Контролируемое обучение на размеченных диалоговых данных (Supervised Fine-Tuning, SFT). Был создан специализированный датасет, содержащий 4000 триплетов «вопрос-ответ», отражающих вопросы, касающиеся пожарной охраны. Каждый вопрос был снабжен тремя вариативными, но семантически эквивалентными ответами, что позволяет модели абстрагироваться от конкретной формулировки и усвоить инвариантную семантику запроса, повышая тем самым ее работоспособность. Датасет был разделен на обучающую, валидационную и тестовую выборки в стандартной пропорции для объективной оценки обобщающей способности модели.Обучение с подкреплением на основе документов (Document-based Reinforcement Learning). Для обработки запросов, выходящих за пределы подготовленных диалоговых пар, был реализован механизм, при котором модель не генерирует ответ напрямую, а выполняет семантический поиск в предоставленном корпусе нормативных документов (рис. 2,3). Важным решением на этом этапе стал отказ от мультиязычных эмбеддинг-моделей в пользу специализированной русскоязычной модели ruBERT [8]. Ее выбор обусловлен глубоким предобучением на русскоязычных текстах, что гарантирует высокое качество создания семантических векторных представлений (эмбеддингов) для терминологически насыщенных документов и запросов, решая тем самым ключевую проблему предыдущих этапов — низкое качество поиска.Рис. 2. Ответ модели согласно нормативно-правовым документам Рис. 3. Интерфейс умного помощника Предложенная архитектура демонстрирует полное соответствие ключевым требованиям, сформулированным в рамках исследования.Во-первых, система обладает высокой вычислительной эффективностью. В её основе лежит предобученная и дообученная модель (ruBERT для поиска и собственная обученная LLM для генерации), что исключает необходимость ресурсоёмкого обучения с нуля на каждом этапе развёртывания. Основная нагрузка приходится на этап инференса (логического вывода), что позволяет системе функционировать на стандартном аппаратном обеспечении без использования мощных GPU-кластеров. Это необходимо для потенциального внедрения в условиях пожарных частей или на мобильных командных пунктах.Во-вторых, достигнута приемлемая оперативность работы. Время формирования ответа на типовой запрос составляет от 10 до 30 секунд. Данный интервал является удовлетворительным для большинства сценариев аналитической и подготовительной работы, что подтверждает практическую применимость системы в реальных, хотя и не экстремально срочных, условиях.В-третьих, система обладает принципиальной способностью к адаптивному дообучению [9]. Это реализуется по двум основным направлениям:Коррекция ошибок: При выявлении некорректного ответа у администратора системы появляется возможность предоставить модели корректную пару «вопрос-ответ». Эта пара добавляется в тренировочный набор для последующих циклов дообучения, что позволяет системе эволюционировать и минимизировать повторение аналогичных ошибок в будущем.Расширение базы знаний: Система допускает масштабирование как базы документов для семантического поиска, так и диалогового датасета. Загрузка новых массивов вопросов и ответов с последующим дообучением модели позволяет постоянно повышать её охват и точность, адаптируя помощника к изменениям в нормативной базе или появлению новых типовых оперативных задач.Таким образом, разработанное решение не только решает конкретную проблему языкового барьера, но и удовлетворяет системным критериям эффективности, скорости и способности к непрерывному развитию, заложенным в методологию исследования.Основным вектором дальнейшего развития данного исследования станет качественное и количественное расширение предметной области интеллектуального помощника.В краткосрочной перспективе работа будет сосредоточена на горизонтальном масштабировании в рамках сферы пожарной охраны. Планируется систематическое пополнение корпуса документов, на которых обучается и работает модель, за счет включения новых категорий нормативных, справочных и оперативных материалов. Это позволит охватить более широкий спектр специализированных направлений, таких как: профилактические проверки, расследование причин пожаров, тактика тушения специфических объектов (нефтехимические комплексы, высотные здания, объекты транспорта), применение специального оборудования и средства индивидуальной защиты. Целью данного этапа является превращение системы в универсального ассистента для всех основных служебных задач рядового и офицерского состава пожарной охраны.В долгосрочной перспективе исследование нацелено на вертикальное расширение предметной области до масштабов всей пожарной безопасности.