Iterative Refinement Funnel: архітектурний патерн для системи інтерактивної діагностики з асиметричною обробкою відповідей

DOI: 10.31673/2412-9070.2026.318109

Анотація

Стаття присвячена розробці та формалізації нового архітектурного патерну Iterative Refinement Funnel (IRF), призначеного для побудови систем інтерактивної діагностики. Патерн адресує задачу ефективного пошуку правильного рішення серед великої кількості варіантів в умовах неповної інформації та інформації, яка поступово надходить. Запропонований патерн ґрунтується на концепції асиметричної обробки відповідей, яка враховує різницю в інформаційній цінності між підтвердженням (YES) та запереченням (NO). Підтвердження ознаки ініціює повний перерахунок моделі машинного навчання з оновленою проєкцією на карту, що самоорганізується, та переранжуванням гіпотез нейронною мережею, тоді як заперечення дозволяє продовжити поточну діагностичну фазу без витратних обчислень.
У роботі запропоновано дві взаємозамінні стратегії вибору питань – Cluster Heuristic та Differential Heuristic, реалізовані через патерн проєктування Strategy, що забезпечує адаптивність до різних сценаріїв діагностики та характеристик вхідних даних. Розроблено комплекс механізмів робастності, включаючи Critical NO для обробки заперечення патогномонічних ознак, Exploration Question для подолання ефекту локальних мінімумів, а також Soft Differential для зниження впливу помилкових або неточних відповідей користувача.
Експериментальна валідація на медичній базі даних, що містить 844 захворювання та 460 унікальних симптомів, демонструє досягнення точності Top-1 на рівні 83,3–84,1% при забезпеченні 150-кратного прискорення порівняно з класичним підходом Expected Information Gain. Додатково встановлено, що використання асиметричної обробки відповідей дозволяє істотно зменшити обчислювальні витрати без втрати якості результатів, що є важливим для систем реального часу. Запропонований патерн характеризується доменною незалежністю та може бути інтегрований у різні інтелектуальні системи, зокрема у задачах підтримки прийняття рішень, де необ-хідне ефективне інтерактивне звуження простору гіпотез. Крім того, формалізація патерну відкриває можливості для його подальшої автоматизованої оптимізації та розширення в межах гібридних архітектур штучного інтелекту.

Ключові слова: архітектурний патерн, інтерактивна діагностика, машинне навчання, асиметрична обробка, Expected Information Gain, робастність системи, клінічна підтримка прийняття рішень.