ОЦІНЮВАННЯ ЕФЕКТИВНОСТІ RAG-АРХІТЕКТУР ДЛЯ АВТОМАТИЗАЦІЇ АНАЛІЗУ ПОЛІТИК ІНФОРМАЦІЙНОЇ БЕЗПЕКИ

Андрій Винар; Олексій Сведенюк; Остап Мединський

doi:10.28925/2663-4023.2026.34.1309

Автор(и)

Андрій Винар Вищий навчальний заклад «Міжрегіональна Академія управління персоналом» https://orcid.org/0000-0003-2044-7590
Олексій Сведенюк Національний університет «Львівська Політехніка» https://orcid.org/0009-0001-6125-7382
Остап Мединський Національний університет "Львівська Політехніка" https://orcid.org/0009-0003-6582-828X

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1309

Ключові слова:

Retrieval-Augmented Generation (RAG), інформаційна безпека, ChatGPT-5, Агентний RAG, Великі мовні моделі, Вдосконалений RAG, LangChain

Анотація

Стаття присвячена емпіричному порівнянню ефективності трьох ключових архітектур Retrieval-Augmented Generation (RAG) – базової (Naive RAG), покращеної (Advanced RAG) та агентно-орієнтованої (Agentic RAG). Метою дослідження є аналіз їх ефективності у генерації точних і повних відповідей на запитання в критичній сфері інформаційної безпеки на основі внутрішніх корпоративних політик та процедур. Для проведення експериментів було застосовано спеціалізований Python-фреймворк із бібліотекою LangChain, векторною базою даних ChromaDB, а також гібридну конфігурацію локальних (Ollama: LLaMA 3) та хмарної (OpenAI ChatGPT-5) LLM-платформ. Результати демонструють значний потенціал застосування Advanced та Agentic RAG для підвищення точності, повноти і контекстуальної релевантності відповідей. Запропонований підхід підтверджує свою ефективність для автоматизації та спрощення процесу опрацювання великого обсягу документів фахівцями з інформаційної безпеки та аудиторами.

Завантаження

Дані завантаження ще не доступні.

Посилання

Kret, T. B. (2024). Approaches to threat modeling in the creation of a comprehensive information security system for multi-level intelligent control systems. Computer Systems and Networks, 6(1), 81–88. https://doi.org/10.23939/csn2024.01.081

Martseniuk, Ye. V., Partyka, A. I., & Kret, T. B. (2025). Study of artificial intelligence vulnerabilities and development of a comprehensive organizational security model. Modern Information Security, 1(61), 206–218. https://doi.org/10.31673/2409-7292.2025.018929

Oliinyk, B. V., & Chychkarov, Ye. O. (2025). Methods of implementing retrieval-augmented generation in combination with modern large language models. Scientific Notes of the State University of Telecommunications. Series: Information Technologies, (3), 56–65. https://doi.org/10.31673/2412-1034.2025.03.3267

Gao, Y., Xiong, Y., Gao, X., et al. (2023). Retrieval-augmented generation for large language models: A survey. arXiv. https://doi.org/10.48550/arXiv.2312.10997

International Organization for Standardization. (2022). ISO/IEC 27001:2022 Information security, cybersecurity and privacy protection—Information security management systems—Requirements. ISO.

Jiang, Z., Xu, F. F., Gao, L., et al. (2023). Active retrieval augmented generation. arXiv. https://doi.org/10.48550/arXiv.2305.06983

Karpukhin, V., Oguz, B., Min, S., et al. (2020). Dense passage retrieval for open-domain question answering. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP 2020) (pp. 6769–6781). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.emnlp-main.550

LangChain. (2025). LangChain Python documentation. https://python.langchain.com/en/latest/

Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33. https://proceedings.neurips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html

Li, Z., Wang, J., Jiang, Z., et al. (2024). DMQR-RAG: Diverse multi-query rewriting for RAG. arXiv. https://doi.org/10.48550/arXiv.2411.13154

Singh, A., Ehtesham, A., Kumar, S., et al. (2025). Agentic retrieval-augmented generation: A survey on agentic RAG. arXiv. https://doi.org/10.48550/arXiv.2501.09136

Yao, S., Zhao, J., Yu, D., et al. (2023). ReAct: Synergizing reasoning and acting in language models. In Proceedings of the 11th International Conference on Learning Representations (ICLR 2023). https://doi.org/10.48550/arXiv.2210.03629

Zhao, P., Zhang, H., Yu, Q., et al. (2024). Retrieval-augmented generation for AI-generated content: A survey. arXiv. https://doi.org/10.48550/arXiv.2402.19473