Розробка рішення для отримання консолідованої відповіді від декількох ШІ-моделей на Python

Abstract

У роботі обґрунтовано розробку програмного рішення для отримання консолідованої відповіді від декількох ШІ-моделей з метою автоматизації процесів взаємодії з великими мовними моделями (LLM), оптимізації агрегації даних, усунення неузгодженості відповідей та підвищення точності результатів через API. Проаналізовано предметну область, сучасний стан розвитку мовних моделей та наявні підходи до обробки штучним інтелектом текстової інформації. Сформульовано функціональні вимоги до системи, обґрунтовано вибір технологій та спроєктовано структуру програмного забезпечення. Практично реалізовано архітектуру рішення, інструменти паралельних запитів до різних API-інтерфейсів та алгоритми консолідації та валідації фінальних відповідей мовою Python. Результати тестування й налагодження підтвердили стабільність роботи, високу швидкість агрегації та практичну ефективність розробленого програмного продукту.

The thesis substantiates the development of a software solution to obtain a consolidated response from multiple AI models aimed at automating interaction with large language models (LLMs), optimizing data aggregation, resolving response inconsistency, and improving multi-model output accuracy via APIs. The domain of artificial intelligence, contemporary language models, and text processing approaches are analyzed, identifying the limitations of single-model dependencies. Functional specifications are defined, and a scalable software structure is designed using modern software engineering standards. Furthermore, the parallel API routing architecture, asynchronous model query mechanisms, and consensus-driven response aggregation algorithms are practically implemented utilizing Python. Testing and evaluation results confirmed the system's operational stability, high processing speed, and practical efficiency in generating verified consolidated AI outputs.