1561-5405 10.24151/1561-5405 Proceedings of Universities. Electronics Scientifical and technical journal "Proceedings of Universities. Electronics" Научно-технический журнал «Известия высших учебных заведений. Электроника» 1561-5405 2587-9960 National Research University of Electronic Technology Национальный исследовательский университет "Московский институт электронной техники" 10.24151/1561-5405-2025-30-6-788-794KAPWQE004.4'412Информационно-коммуникационные технологииFeatures of accounting for uncertainties in machine processing of natural languagesОсобенности учета неопределенностей при машинной обработке естественных языковСлюсарь Мария ВладимировнаСлюсарьМария ВладимировнаSlyusarMaria V.Maria V. SlyusarСсали РональдСсалиРональдSsaliRonaldRonald SsaliНациональный исследовательский университет «МИЭТ», Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1)26122025Том. 30 №6788794http://ivuz-e.ru/issues/Том 30 №6/osobennosti_ucheta_neopredelennostey_pri_mashinnoy_obrabotke_estestvennykh_yazykov/http://ivuz-e.ru#

The problem of uncertainties in natural language processing is a critical challenge for AI-driven automation in the digital economy. In this work, lexical, semantic, referential, pragmatic uncertainties that occur in natural language processing are identified. An algorithm enhancing the reliability level due to context disambiguation and misinterpretations reduce is proposed. The empirical results have shown an improvement in classification accuracy and better adaptability in ambiguous scenarios. The proposed approach can be used in digital economy applications, such as customer service chat bots, sentiment analysis for market forecasting, and scientific research. It was demonstrated that by mitigating uncertainty, the algorithm strengthens AI-driven predictive control in automated systems.

При обработке естественного языка проблема неопределенностей – критическая задача для автоматизации на основе искусственного интеллекта в цифровой экономике. В работе раскрыты лексические, семантические, референциальные, прагматические неопределенности, возникающие в естественном языке. Предложен алгоритм, повышающий уровень надежности за счет разрешения контекстной неоднозначности и уменьшения количества неверных интерпретаций. Эмпирические результаты показали повышение точности классификации и лучшую адаптивность в неоднозначных сценариях. Предложенный подход может применяться в приложениях цифровой экономики, таких как чат-боты для обслуживания клиентов, анализ настроений для прогнозирования рынка и научных исследований. Показано, что при смягчении неопределенности алгоритм усиливает предиктивный контроль в автоматизированных системах на основе искусственного интеллекта.

управление неопределенностьюестественный языкпредиктивное управлениеискусственный интеллектлексико-смысловая неоднозначностьконтекстная неоднозначностьцифровая экономикаuncertainty managementnatural languagepredictive controlAIlexical and semantic ambiguitycontext ambiguitydigital economy Поляков Д. В., Елисеев А. И., Андреев Д. С., Селиванов А. Ю. Подход к машинному обучению моделей открытых систем на основе теории нечетких множеств. In: Цифровизация агропромышленного комплекса: сб. статей II Междунар. науч.-практ. конф. (Тамбов, 21–23 окт. 2020). Т. 2. Тамбов: Тамбовский гос. техн. ун-т; 2020, с. 347–352. EDN: LSCBWD.Polyakov D. V., Eliseev A. I., Andreyev D. S., Selivanov A. Yu. A new approach to machine learning for fuzzy models of open systems. In: Tsifrovizatsiya agropromyshlennogo kompleksa: collected papers of 2nd International res.-to-pract. conf. (Tambov, 21–23 okt. 2020). Vol. 2. Tambov: Tambov State Tech. Univ.; 2020, pp. 347–352. (In Russ.).Григорьев Д. В. Применение машинного обучения и естественного языкового процессинга в анализе текстовых данных: обзор методов, эффективности и перспектив. In: Научные исследования молодых ученых: сб. статей XXVIII Междунар. науч.-практ. конф. (Пенза, 27 июня 2024). Пенза: Наука и просвещение; 2024, с. 9–11. EDN: BDNYWX.Grigoriev D. V. Application of machine learning and natural language processing in text data analysis: Overview of methods, effectiveness and prospects. In: Nauchnye issledovaniya molodykh uchenykh: collected papers of 28th International res.-to-pract. conf. (Penza, 27 iyunya 2024). Penza: Nauka i prosveshchenie Publ.; 2024, pp. 9–11. (In Russ.).Воробьева А. А., Федосенко М. Ю. Методы интеллектуального анализа данных и обработки естественного языка в управлении роботизированными производственными системами. Доклады ТУСУР. 2023;26(3):65–71. https://doi.org/10.21293/1818-0442-2023-26-3-65-71. EDN: UJGUUB.Vorobeva A. A., Fedosenko M. Yu. Methods for data mining and natural language processing in the management of robotic production systems. Doklady TUSUR = Proceedings of the TUSUR University. 2023;26(3):65–71. (In Russ.). https://doi.org/10.21293/1818-0442-2023-26-3-65-71Бритов В. С., Мартышкин А. И., Данилов Е. А. Обзор и сопоставление в задачах обработки естественного языка сверхточных и рекуррентных нейронных сетей. Тенденции развития науки и образования. 2023;(97-12):41–45. https://doi.org/10.18411/trnio-05-2023-654. EDN: JBPZQT.Britov V. S., Martyshkin A. I., Danilov E. A. Review and comparison in natural language processing tasks of convolutional and recurrent neural networks. Tendentsii razvitiya nauki i obrazovaniya. 2023;(97-12):41–45. (In Russ.). https://doi.org/10.18411/trnio-05-2023-654Лобач В. И., Зайцева А. В., Лобач С. В. О байесовском подходе в машинном обучении на основе МСМС-метода. Экономика, моделирование, прогнозирование. 2021;(15):192–198. EDN: IGWWRP.Lobach V., Zaytseva A., Lobach S. On bayesian approach in machine learning based on MCMC-method. Ekonomika, modelirovanie, prognozirovanie. 2021;(15):192–198. (In Russ.).Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D. et al. Going deeper with convolutions. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA: IEEE; 2015, pp. 1–9. https://doi.org/10.1109/CVPR.2015.7298594Гудков А. А. Прогнозирование эффективности проектной деятельности на основе интеграции подходов бизнес-аналитики и машинного обучения. Вестник Волжского университета им. В. Н. Татищева. 2024;2(1):27–36. https://doi.org/10.51965/2076-7919_2024_2_1_27. EDN: QYXZHC.Gudkov A. A. Forecasting the efficiency of project activities based on the integration of business analytics and machine learning approaches. Vestnik Volzhskogo universiteta im. V. N. Tatishcheva = Reporter of Volzhsky University after V. N. Tatischev. 2024;2(1):27–36. (In Russ.). https://doi.org/10.51965/2076-7919_2024_2_1_27Brownlee J. Encoder-decoder recurrent neural network models for neural machine translation. Machine Learning Mastery. 07.08.2019. Available at: https://machinelearningmastery.com/encoder-decoder-recurrent-neural-network-models-neural-machine-tr... (accessed: 10.09.2025).Алейник А. О. Применение нейронных сетей для обработки естественного языка в информационных технологиях. Студенческий. 2023;(26-1):17–18. EDN: TKEYHQ.Aleynik A. O. Neural networks application for natural language processing in information technologies. Studencheskiy. 2023;(26-1):17–18. (In Russ.).Капелько И. В., Шиман Д. В. Трехуровневая токенизация для автоматического реферирования текста. In: Информационные технологии: материалы 83-й науч.-техн. конф. ППС, науч. сотрудников и аспирантов (с междунар. участием) (Минск, 04–15 февр. 2019). Минск: БГТУ; 2019, с. 53. EDN: YZVFNZ.Kapel’ko I. V., Shiman D. V. Three-level tokenization for automated text summarization. In: Informatsionnye tekhnologii: proceedings of 83th sci.-tech. conf. for academic teaching staff, scientific researchers and postgraduate students (with international participation) (Minsk, 04–15 fevr. 2019). Minsk: BelSTU; 2019, p. 53. (In Russ.).