Розробка застосунку для вивчення іноземної мови з інтеграцією генеративних моделей

Abstract

UA : Робота викладена на 48 сторінках друкованого тексту, містить 31 рисунок, 1 таблицю, 18 джерел, 1 додаток. Об’єкт дослідження – процес розробки платформи для вивчення іноземних мов. Мета роботи: розробка застосунку для вивчення іноземної мови з інтеграцією генеративних моделей. Методи дослідження – методи об’єктно-орієнтованого програмування, методи машинного навчання, методи використання великих мовних моделей (LLM) для генерації, аналізу й адаптації навчального контенту. У межах кваліфікаційної роботи було розроблено вебзастосунок для вивчення іноземної мови з використанням генеративних моделей штучного інтелекту. Для реалізації поставлених завдань було використано мову програмування Python. Як вебсерверну складову застосовано фреймворк FastAPI. Новизна підходу полягає у використанні великих мовних моделей як основного компонента, що забезпечує адаптивне навчання відповідно до цілей студента. Щоб зменшити частку галюцинацій у відповідях, зокрема під час генерації навчального контенту, зворотного зв’язку та навчальних модулів, було застосовано техніки промпт-інженерії та генерацію з доповненням через пошук (RAG), реалізовану на основі архітектури векторної бази даних Weaviate.

EN : The work is presented on 48 pages of printed text, 31 figures, 1 table, 18 references, 1 supplement. The object of the study is the process of developing a platform for learning foreign languages. The aim of the study is to develop an application for learning a foreign language with the integration of generative models. The methods of research include object-oriented programming methods, machine learning methods, as well as methods of using large language models (LLM) for the generation, analysis, and adaptation of educational content. Within the scope of the bachelor’s qualification paper, a web application for learning a foreign language using generative artificial intelligence models was developed. The Python programming language was used to implement the defined tasks. The FastAPI framework was applied as the web server component of the system. The novelty of the approach lies in the use of large language models as a core component, enabling adaptive learning aligned with individual student goals. To reduce the occurrence of hallucinations in model responses, particularly during the generation of educational content, feedback, and learning modules, prompt engineering techniques and Retrieval-Augmented Generation (RAG) were applied, implemented using the Weaviate vector database architecture.