Медицинская радиология и радиационная безопасность. 2025. Том 70. № 4

DOI:10.33266/1024-6177-2025-70-4-46-54

В.Г. Барчуков, А.А. Болотов, Е.Н. Жирнов, А.С. Самойлов, С.М. Шинкарев,
И.Б. Ушаков, И.К. Теснов, А.С. Галузин, Д.А. Кудинова, В.Ю. Лизунов

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБЕСПЕЧЕНИЯ РАДИАЦИОННОЙ БЕЗОПАСНОСТИ ПРИ ВЫВОДЕ ИЗ ЭКСПЛУАТАЦИИ РАДИАЦИОННЫХ И ЯДЕРНЫХ ОБЪЕКТОВ

Федеральный медицинский биофизический центр им. А.И. Бурназяна ФМБА России, Москва

Контактное лицо: Александр Александрович Болотов, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

РЕФЕРАТ

Актуальность: Вывод из эксплуатации радиационно-опасных объектов (РОО) ‒ сложный процесс, требующий соблюдения законодательных и нормативных требований. Для их выполнения и обеспечения безопасности необходимы эффективное управление документацией и постоянное обучение персонала. Искусственный интеллект (ИИ) может значительно упростить и автоматизировать обработку и управление документацией, снижая нагрузку на персонал и минимизируя ошибки. Он также помогает в соблюдении нормативных требований, автоматически отслеживая изменения и обеспечивая соответствие стандартам. Дополнительно ИИ способен анализировать большие объемы данных, выявлять потенциальные риски и предлагать оптимальные решения на основе предсказательной аналитики.

Цель: Создание сервиса на основе ИИ, способного поддерживать полноценный и информированный диалог по вопросам вывода из эксплуатации РОО. Для достижения этой цели была выбрана модель обработки естественного языка (NLP) Keras. Для обучения модели был создан набор данных, включающий 5 основных нормативных документов по радиационной безопасности. Документы были разделены на отдельные контексты, по которым эксперты задавали вопросы и формулировали ответы на них. Всего было введено 429 контекстов и по ним было задано 6512 вопросов и ответов.

Результат: Модель тестировалась в специально разработанном приложении, аналогичном ChatGPT, которое помогает специалистам находить ответы на вопросы, возникающие в процессе вывода из эксплуатации РОО. Кроме того, была реализована функция динамического обновления базы знаний, позволяющая оперативно учитывать изменения в нормативной документации.

Разработанная система продемонстрировала высокую точность в ответах на вопросы, связанные с нормативными аспектами вывода из эксплуатации. Алгоритмы машинного обучения, созданные на основе нашего набора данных для обработки и интерпретации текста, оказались эффективными в распознавании и обработке пользовательских запросов. Система была протестирована в различных сценариях, включая внутренние оценки модели Keras и тестовые вопросы, не вошедшие в набор данных для обучения модели. Полученные результаты подтвердили перспективность использования технологий искусственного интеллекта в управлении процессами вывода РОО из эксплуатации. Дополнительно были проведены испытания на реальных данных, что позволило выявить ключевые зоны для дальнейшего улучшения системы и расширения её функциональных возможностей.

Ключевые слова: искусственный интеллект, вывод из эксплуатации радиационных и ядерных объектов, нормативные документы, радиационная безопасность, языковые модели, Keras

Для цитирования: Барчуков В.Г., Болотов А.А., Жирнов Е.Н., Самойлов А.С., Шинкарев С.М., Ушаков И.Б., Теснов И.К., Галузин А.С., Кудинова Д.А., Лизунов В.Ю. Использование технологий искусственного интеллекта для обеспечения радиационной безопасности при выводе из эксплуатации радиационных и ядерных объектов // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 4. С. 46–54. DOI:10.33266/1024-6177-2025-70-4-46-54

Список литературы

1. Devlin J., Chang M.W., Lee K., Toutanova K. BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805.

2. Sun C., Qiu X., Xu Y., Huang X. How to Fine-Tune BERT for Text Classification? China National Conference on Chinese Computational Linguistics. Springer, Cham. P. 194-206.

3. Wolf T., Debut L., Sanh V., Chaumond J., Delangue C., Moi A., Rush A.M. Transformers: State-of-the-Art Natural Language Processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. P. 38-45.

4. Radford A., Narasimhan K., Salimans T., Sutskever I. Improving Language Understanding by Generative Pre-Training. OpenAI. 2018.

5. Floridi L., Chiriatti M. GPT-3: Its Nature, Scope, Limits, and Consequences. Minds and Machines. 2020;30;4:681-694.

6. Liu Y., Ott M., Goyal N., Du J., Joshi M., Chen D., Stoyanov V. RoBERTa: A Robustly Optimized BERT Pretraining Approach.  arXiv. 2019 preprint arXiv:1907.11692.

7. Gulli A., Sujit P. Deep Learning with Keras: Implementing Deep Learning Models and Neural Networks with the Power of Python. Birmingham, Packt, 2017. 318 p.

8. Anshik. AI for Healthcare: Keras and TensorFlow. AI and Machine Learning for Healthcare. New Delhi, 2021. 381 p.

  PDF (RUS) Полная версия статьи

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование не имело спонсорской поддержки.

Участие авторов. Cтатья подготовлена с равным участием авторов.

Поступила: 20.03.2025. Принята к публикации: 25.04.2025.