Модель интеллектуального агента на основе метода анализа формальных понятий и DeepSeek для задач регионального центра пространственного развития

В статье предложена концептуальная модель интеллектуального агента, объединяющая метод анализа формальных понятий (АФП) с большой языковой моделью DeepSeek. АФП формализует понятия и анализирует данные в форме «объект-признак». В статье излагаются теоретические положения АФП — формальные контексты, решетки понятий, связи Галуа, а также описываются возможности DeepSeek. Предложенная гибридная модель обеспечивает решение трех классов задач пространственного развития: кластеризацию территориальных объектов, выявление импликационных зависимостей в пространственных данных и поддержку принятия решений.

1. Ganter B., Wille R. Formal Concept Analysis: Mathematical Foundations. Berlin: Springer, 1999. 284 p.

2. Wille R. Restructuring lattice theory: An approach based on hierarchies of concepts // Ordered Sets. Ed. I. Rival. Dordrecht: Springer, 1982. P. 445—470.

3. Су Ф. Искусственный интеллект больших моделей как драйвер трансформации качественной производительности в строительной отрасли: механизмы, пути и практические исследования на примере DeepSeek [Large model artificial intelligence as a driver of qualitative productivity transformation in the construction industry: mechanisms, paths and practical studies using DeepSeek] // Строительные и дорожные машины. 2024. Т. 68, № 3—4. С. 40—52.

4. Formal Concept Analysis / S. Andrews et al. // Strategic Intelligence Management. 2013. P. 209— 233. (дата обращения: 12.05.2026).

5. Ignatov D. I. Introduction to Formal Concept Analysis and Its Applications in Information Retrieval and Related Fields. 2017. URL:https://arxiv.org/abs/1703.02819 (дата обращения: 12.05.2026).

6. Guigues J. L., Duquenne V. Familles minimales d'implications informatives résultant d'un tableau de données binaires // Mathématiques et Sciences humaines. 1986. № 95. P. 5—18.

7. Denniston J. T., Melton A., Rodabaugh S. E. Formal Contexts, Formal Concept Analysis, and Galois Connections. 2013. URL: https://arxiv.org/abs/1309.5134 (дата обращения: 12.05.2026).

8. Timashev S. Artificial Intelligence in Risk-Based Design and Operation of Infrastructures: Dangers and Opportunities // International Journal for Computational Civil and Structural Engineering. 2025. Vol. 20, no. 11. URL: https://cyberleninka.ru/article/n/artificial-intelligence-in-risk-based-design-and-operation-of-infrastructures-dangers-and-opportunities

9. DeepSeek LLM Technical Documentation // DeepSeek AI. 2024—2025. URL: https://github.com/deepseek-ai (дата обращения: 02.06.2026).

10. Роспатент одобрил регистрацию товарного знака популярного в России китайского ИИ стартапа // Информационное агентство SakhaNews / ТАСС. 2026. 4 марта. URL: https://sakhanews.ru (дата обращения: 25.04.2026).

11. Китайская компания DeepSeek регистрирует свои товарные знаки в России // Агентство городских новостей «Москва». 2025. 12 февраля. URL: https://mskagency.ru (дата обращения: 12.05.2026).

12. BRIDGE: Benchmarking Large Language Models for Understanding Real-world Clinical Practice Text. 2025. URL: https://arxiv.org/abs/2504.19467 (дата обращения: 12.05.2026).

13. Кулешова Ю. И. Нейронная сеть DeepSeek и ее применение // Ломоносов-2025 : материалы Междунар. науч. конф. студентов, аспирантов и молодых ученых. М. : МГУ, 2025. С. 120—125.

14. Климова С. Г., Михеенкова М. А., Финн В. К. ДСМ-метод в качественном социологическом исследовании: основные принципы и опыт использования // Социологический журнал. 2016. Т. 22, № 2. С. 8—30. DOI: 10.19181/socjour.2016.22.2.4255.

15. Финн В. К. ДСМ-метод как средство анализа каузальных зависимостей в интеллектуальных системах // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2000. № 11.

16. Финн В. К., Михеенкова М. А. О ситуационном расширении ДСМ-метода автоматического порождения гипотез // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2000. № 11. С. 20—28.

17. Финн В. К. Эвристика обнаружения эмпирических закономерностей и принципы интеллектуального анализа данных // Искусственный интеллект и принятие решений. 2018. № 3. С. 3—19. DOI: 10.14357/20718594180311.

18. Kuznetsov S. O., Obiedkov S. A. Comparing Performance of Algorithms for Generating Concept Lattices // Journal of Experimental & Theoretical Artificial Intelligence. 2002. Vol. 14, no. 2—3. P. 189—216.

19. DeepSeek License Agreement. Version 1.0 // GitHub: deepseek-ai/DeepSeek-V2. URL: https://github.com/deepseek-ai/DeepSeek-V2/blob/main/LICENSE-MODEL (дата обращения: 25.04.2026).