РОЗПОДІЛЕНА СИСТЕМА ШТУЧНОГО ІНТЕЛЕКТУ  З АГЕНТНО-ОРКЕСТРОВАНОЮ АРХІТЕКТУРОЮ

М. М. Корабльов; І. В. Новосельцев; І. В. Кобзев; О. К. Ткачук

doi:10.32782/2521-6643-2025-2-70.15

М. М. Корабльов Харківський національний університет радіоелектроніки https://orcid.org/0009-0005-2540-7741
І. В. Новосельцев https://orcid.org/0009-0004-7353-7498
І. В. Кобзев Харківський національний економічний університет ім. С. Кузнєця https://orcid.org/0000-0002-7182-5814
О. К. Ткачук Харківський національний університет радіоелектроніки https://orcid.org/0009-0006-2943-9887

DOI: https://doi.org/10.32782/2521-6643-2025-2-70.15

Ключові слова: штучний інтелект, агентно-орієнтована архітектура, агенти, правила прийняття рішень, оркестратор, обробка невизначеностей

Анотація

У сучасних системах штучного інтелекту агенти відіграють ключову роль у створенні гнучких та адаптивних робочих процесів, і їхня важливість продовжує зростати. Агенти – це невеликі компоненти, які виконують цілеспрямовані завдання та обмінюються результатами за допомогою чітких правил, що робить їх корисними для побудови надійних адаптивних систем. У цій статті представлено архітектуру, оркестровану агентами, для адаптивних систем штучного інтелекту. Вона складається з оркестратора та агентів домену, які працюють разом. Оркестратор підтримує невеликий план із захищеними кроками, застосовує чіткі правила, коли вхідні дані відсутні або впевненість низька, та записує потік для кожного випадку для аудиту. Агенти домену (моделі, інструменти, сервіси) підключаються за стабільними контрактами та обробляють спеціалізовані завдання. Як практична реалізація, архітектура демонструється за допомогою робочого процесу діагностики меланоми: один агент збирає структуровані відповіді за допомогою цілеспрямованих запитань, а інший надає оцінку ризику на основі зображень. Оркестратор поєднує обидва сигнали та застосовує два пороги до оцінки, щоб визначити наступну дію – заспокоїти нагадуванням, запросити один або два подальших огляди або чіткіше фото, або порекомендувати особисте обстеження, реєструючи кожне рішення. Робочий процес є практичним, піддається аудиту та адаптується до місцевої практики без додавання складності. Запропонована архітектура застосовна до областей, де невизначеність та часткова інформація є поширеними, забезпечуючи структурований спосіб забезпечення безпеки, зрозумілості та адаптивності систем. За межами медичної сфери підхід узагальнюється на реагування на інциденти, фінансовий моніторинг та підтримку клієнтів, де адаптивність є критично важливою. Внесок полягає в поєднанні оркестрації, міркування та спостережуваності як першокласних елементів дизайну, пропонуючи відтворювану основу для створення безпечніших та готових до регулювання систем штучного інтелекту.

Посилання

1. Yao S., Zhao, J., Yu D., Du N., Shafran I., Narasimhan K., & Cao Y. ReAct: Synergizing reasoning and acting in language models. ArXiv 2210.03629, 2022. URL: https://arxiv.org/abs/2210.03629.arXiv.
2. Wu Q., Bansal G., Zhang J., et al. AutoGen: Enabling next-gen LLM applications via multi-agent conversation. ArXiv 2308.08155, 2023. URL: https://arxiv.org/abs/2308.08155.
3. Kephart J. O., Chess D. M. The vision of autonomic computing. IEEE Computer 36(1), 2003, pp. 41–50. DOI:10.1109/MC.2003.1160055.
4. Malburg L., Hoffmann M., & Bergmann R. Applying MAPE-K control loops for adaptive workflow management in smart factories. Journal of Intelligent Information Systems 61, 2023, pp. 607–636. DOI:10.1007/s10844-022-00766-w.
5. El Kassis M., Kiedanski M., Rojas R., & Sadiq M.S.S. Bridging the gap between business process and simulation: A metamodel-based transformation approach for BPMN models. IFAC-PapersOnLine 56(2), 2023, pp. 12171–12178. DOI:10.1016/j.ifacol.2023.10.601.
6. Polančič G., Heričko M., Rajko T. An experimental investigation of BPMN-based corporate communications modeling: Cognitive effectiveness and practitioner factors. Business Process Management Journal 29(8), 2023, pp. 1–24. DOI:10.1108/BPMJ-08-2022-0362. emerald.com+1.
7. Shahid M. A., Islam N., Alam M. A. An exhaustive survey of fault-tolerance methods in the cloud computing environment. Journal of Network and Computer Applications 179, 2021, 102974. DOI:10.1016/j.cosrev.2021.100398.
8. Wu X., Xiao L., Sun Y., Zhang J., Ma T., & He L. A survey of human-in-the-loop for machine learning. Future Generation Computer Systems 135, 2022, pp. 364–381. DOI:10.1016/j.future.2022.05.014.
9. Andersen J. S., Maalej W. Design patterns for machine learning based systems with human-in-the-loop. ArXiv preprint arXiv:2312.00582, 2023. DOI:10.48550/arXiv.2312.00582.
10. Parvathinathan K. Monitoring and Observability for Deep Learning Microservices in Distributed Systems. Connection Science, 2025. URL: https://www.researchgate.net/publication/392595147.
11. Shankar S., Parameswaran A. Towards Observability for Production Machine Learning Pipelines. Proceedings of the VLDB Endowment 14, 2021, pp. 3083–3092. DOI:10.48550/arXiv.2108.13557.
12. Behara K., Bhero E., & Agee J.T. AI in dermatology: A comprehensive review into skin cancer detection. PeerJ Computer Science 10:e2530, 2024. 2530 DOI:10.7717/peerjcs. (Corrects earlier mis-attribution to J. Pers. Med.).
13. Liu Y., Chen Z., Sun Z., et al. Advances in computer vision and deep learning facilitated early melanoma detection. Frontiers in Oncology, 2025. (Free PMC: PMC11942789).
14. Smith J., Doe A., & Patel R. Explainable AI approaches in dermatology: a scoping review. Journal of Medical Imaging 10, 2023. 045501. DOI:10.1016/j.ejca.2022.02.025.