Hybrid Edge-Aware LLM (HEAL), сезимтал корпоративдик маалыматтарды түздөн-түз булуттагы чоң тил моделине жөнөтүүнүн ордуна; edge деңгээлинде анонимдештирүүнү жана зарыл болгондо жергиликтүү inference, federated learning, retrieval-augmented generation (RAG), эрежеге негизделген compliance көзөмөлү, explainable AI жана булуттагы LLM inference процессин бир гибрид архитектурага бириктирген сунушталган корпоративдик жасалма интеллект алкагы болуп саналат. Sakir Alimдин изилдөөсү HEALди борборлоштурулган булут LLM, түзмөктөгү чакан тил модели, federated fine-tuning жана RAG гана колдонгон төрт альтернативдүү архитектура менен аналитикалык түрдө салыштырат. Булакта HEAL үчүн %91,6 inference accuracy, 148 ms орточо кечигүү жана 0,94 privacy score билдирилет. Бирок баалоо чыныгы компанияда, ооруканада же каржы уюмунда толук HEAL жайылтуусуна эмес, саламаттык сактоо жана каржы контексттерин камтыган 500 синтетикалык чечимди колдоо суроосуна жана жарым-жартылай архитектурадан алынган өндүрүмдүүлүк маанилерине негизделет.

HEALдин негизги дизайн идеясы бардык суроолорду бир эле иштетүү агымына жөнөтпөө болуп саналат. Маалымат булагына жакын edge катмары алгач жеке адамды аныктоого мүмкүндүк берген маалыматтарды маскалап, анонимдештирет. Татаалдыгы төмөн суроолор жеңил жана quantized жергиликтүү модель менен чечилиши мүмкүн. Көбүрөөк ой жүгүртүүнү талап кылган суроолор болсо кирүү мүмкүнчүлүгү көзөмөлдөнгөн RAG, jurisdiction policy engine, explainability жана compliance gate катмарларынан өткөрүлгөндөн кийин жеке API аркылуу чоңураак foundation modelге жөнөтүлөт. Ошентип, жогорку кубаттуу булут моделинин мүмкүнчүлүгүн пайдалануу менен бирге чийки сезимтал маалыматтын корпоративдик чек арадан түз чыгып кетишине жол бербөө көздөлөт.

Изилдөөнүн жыйынтыктары HEAL салыштырылган архитектуралардын арасында пайдалуу тең салмак сунуштайт деп көрсөтөт; бирок булакта маанилүү валидациялык чектөөлөр бар. Privacy score кантип эсептелгени, 500 синтетикалык суроо кантип түзүлүп жана белгиленгени, accuracy метрикасынын деталдуу баалоо жол-жобосу, колдонулган чыныгы LLM жана edge model конфигурациялары, аппараттык жана тармактык шарттар баяндалган эмес. Мындан тышкары, макаладагы шилтемелер менен адабияттар тизмесинин ортосунда олуттуу дал келбестиктер жана II таблицанын түшүндүрмөсүндө арифметикалык карама-каршылык бар. Ошондуктан HEAL бул этапта тастыкталган өндүрүш системасынын көрсөткүчү катары эмес, сыноодон өткөрүлүшү керек болгон гибрид архитектура сунушу катары каралышы керек.

Корпоративдик жасалма интеллекттеги негизги карама-каршылык

Уюм чоң тил моделинен жогору ой жүгүртүү жөндөмүн алгысы келгенде эң оңой жол — маалыматты күчтүү булут моделине жөнөтүү. Жөнгө салынуучу тармактарда болсо мындай ыкма түздөн-түз башкаруу маселесин жаратат. Медициналык жазуулар, каржы операциялары же башка сезимтал корпоративдик маалыматтар тышкы кызмат көрсөтүүчүлөргө жөнөтүлгөндө маалыматтын жайгашуусу, жеке маалыматтарды коргоо, жеткиликтүүлүктү көзөмөлдөө жана аудитке жарамдуулук талаптары пайда болот.

Экинчи четинде бүт иштетүүнү уюмдун ичинде же түзмөктүн өзүндө жүргүзүү бар. Бул вариант чийки маалыматты жергиликтүү сактай алат; бирок булак изилдөө койгон көйгөйдүн алкагында кичирээк моделдер татаал суроолордо чоң foundation modelдердей inference жөндөмүн бере албашы мүмкүн.

HEAL бул эки ыкманы бири-бирине альтернатива катары эмес, суроонун мүнөзүнө жараша бирге колдонууну сунуштайт. Сезимтал маалымат адегенде edge катмарында корголот; жөнөкөй суроолор жергиликтүү деңгээлде калат; күчтүүрөөк ой жүгүртүү керек болгондо анонимдештирилген жана эрежелер менен текшерилген контекст булутка жөнөтүлөт.

HEAL Архитектурасы Деген Эмне?

Hybrid Edge-Aware LLM (HEAL) — сезимтал корпоративдик маалыматты edge деңгээлинде чыпкалап жана анонимдештирген; жөнөкөй суроолорду жергиликтүү модель менен чече алган; татаал суроолорду RAG, жөнгө салуучу саясат текшерүүсү жана explainability катмарынан өткөргөндөн кийин булуттагы foundation modelге багыттаган төрт катмарлуу гибрид LLM архитектурасы.

Төрт дизайн максаты

Булак HEAL үчүн төрт ачык дизайн максатын аныктайт:

1. Жеке адамды аныктоого мүмкүндүк берген маалымат анонимдештирилбей туруп корпоративдик чек арадан сыртка чыкпашы.
2. Интерактивдүү чечимди колдоо үчүн баштан-аяк кечигүү 200 ms ден төмөн кармалышы.
3. Ар бир жоопко машина окуй ала турган compliance attestation кошулушу.
4. Тармактык адис моделдин ички параметрлерине кирбей туруп карап чыга ала турган түшүндүрмөлөр түзүлүшү.

Булардын баары билдирилген жыйынтыктардан айырмаланып, биринчи кезекте архитектуранын дизайн максаттары. Айрыкча 200 ms максаты чыныгы өндүрүштүк Service Level Agreement натыйжасы катары эмес, HEALдин дизайн критерийи катары кабыл алынышы керек.

Биринчи катмар: маалымат булактары

HEALдин киришинде ар кандай корпоративдик маалымат түрлөрү болушу мүмкүн. Булак үч мисал берет: электрондук саламаттык жазуулары, каржы операцияларынын жазуулары жана сенсор агымдары. Бул маалымат түрлөрүнүн жалпы өзгөчөлүгү — операциялык чечимди колдоо үчүн баалуу болушу, бирок жеке, корпоративдик же жөнгө салынуучу маалыматты камтышы мүмкүн.

Экинчи катмар: edge layer

Edge layer маалымат түзүлгөн же сакталган корпоративдик чөйрөгө жакын иштейт. Булак бул катмарга эки негизги функция берет.

Биринчи функция PII masking жана anonymisation процесси. Эрежеге негизделген маскалоо менен жергиликтүү fine-tune кылынган классификатор бирге колдонулуп, жеке адамды аныктоого мүмкүндүк берген маалыматты алыстан inference жүргүзүүдөн мурун коргоо максат кылынат.

Экинчи функция local inference процесси. Татаалдыгы төмөн суроолор quantized жеңил модель тарабынан түздөн-түз edge үстүндө чечилиши мүмкүн. Мындай суроо үчүн булут байланышы талап кылынбайт жана тармактык round-trip жоголот.

Булак баалоо топтомундагы суроолордун болжол менен %38 толугу менен edge үстүндө чечилгенин билдирет. Бирок бул үлүш чыныгы уюмдагы суроолордун бөлүштүрүлүшүн чагылдырат деп көрсөтүлгөн эмес; мааниси синтетикалык баалоо сценарийине тиешелүү.

Үчүнчү катмар: оркестрация

Татаалыраак суроолор HEALдин оркестрация катмарына жөнөтүлөт. Бул катмар системаны жөн гана “LLMге prompt жөнөтүү” архитектурасынан айырмалаган негизги бөлүк.

HEALде Compliance Gate Кантип Иштейт?

HEAL compliance gate анонимдештирилген суроону тиешелүү jurisdiction үчүн сакталган эрежелерге ылайык баалап, үч натыйжанын бирин чыгарат: pass, rewrite же block. Rewrite чечими жөнгө салынуучу маалымат категорияларын алып салууну же өзгөртүүнү, block чечими болсо суроону токтотуп, себеп коду менен каттоону жана адамдык кароого жөнөтүүнү көздөйт.

Булакка ылайык, ар бир жооп менен кошо түзүлгөн compliance attestation колдонулган эрежелер топтомунун версиясын, чечим кодун жана иштетилген киргизүүнүн hash маанисин камтыйт. Ошентип, модель эмне деп жооп бергени гана эмес, суроо кайсы compliance көзөмөлүнөн өткөнү да байкала тургандай кылууга аракет жасалат.

RAG эмне үчүн архитектуранын бир бөлүгү?

Retrieval-Augmented Generation түзүлө турган жооп моделдин параметрлериндеги маалыматка гана эмес, көзөмөлдөнгөн документ кампасынан алынган далилдерге да таянуусун максат кылат. HEAL контекстинде RAGдын кошумча мааниси — explainability жана аудитке жарамдуулук.

Оркестрация катмарынан cloud тарабына жөнөтүлгөн context bundle анонимдештирилген суроону, алынган далилди жана compliance жыйынтыгын бирге алып барат. Булак булут модели түзүмдөлгөн жоопто чечим, confidence score жана ар бир билдирүүнү алынган документ менен байланыштырган citation list түзүшүн көздөйт.

Төртүнчү катмар: Cloud / LLM

Булут катмары private API deployment аркылуу жеткиликтүү чоң foundation modelди камтыйт. Edge катмарынын милдети чоң моделди жок кылуу эмес, ага кайсы маалымат жана кандай шарттарда жетерин чектөө.

Булак архитектурасында cloud тарабында vector index, audit ledger жана decision API компоненттери да бар. Түзүлгөн жооп колдонмого кайтарылардан мурун immutable audit ledgerге жазылышы сунушталат. Бул түзүлүш айрыкча жогорку тобокелдиктеги корпоративдик чечим процесстеринде кийинчерээк кароо жүргүзүүгө багытталган.

Federated update механизми

HEAL inference агымы гана эмес. Булак edge node ар бир 24 саатта federated optimisation раундуна катышарын билдирет. Local gradient борбордук топтоодон мурун clipping процессинен өткөрүлүп, калибрленген Gaussian noise кошулат.

Булак бул механизм epsilon-delta differential privacy кепилдигин берет деп айтат. Бирок колдонулган \(\varepsilon\), \(\delta\), clipping нормасы, noise multiplier, node саны, aggregation алгоритми жана convergence критерийлери билдирилген эмес. Ошондуктан differential privacy коргоосунун сандык күчүн булактан көз карандысыз кайра эсептөө мүмкүн эмес.

Эмне үчүн federated learning колдонулат?

Federated learningдин HEAL ичиндеги милдети — edge классификаторлорунун уюмдарда пайда болгон жергиликтүү маалымат бөлүштүрүүлөрүнөн үйрөнүүсүн камсыз кылып, ошол эле учурда чийки жазуулардын борборлоштурулган окутуу бассейнине көчүрүлүшүнө жол бербөө.

Бул ыкма маалыматтарды борборлоштурууну азайтышы мүмкүн; бирок булак өзүнүн адабият бөлүмүндө гетерогендүү маалымат бөлүштүрүүлөрү federated optimisation үчүн communication overhead жана convergence көйгөйлөрүн жаратышы мүмкүн экенин да баса белгилейт. HEAL бул көйгөйдү чыныгы көп уюмдуу чөйрөдө канчалык деңгээлде чече алары азырынча текшериле элек.

Булактагы 1-сүрөттүн илимий мааниси

Булак изилдөөнүн 3-бетиндеги 1-сүрөт төрт өзүнчө ишеним жана иштетүү аймагын аныктайт. Маалыматтын жолу солдон оңго өтөт:

1. Data Sources: EHR, каржылык transaction жана sensor stream.
2. Edge Layer: local inference, PII masking, anonymisation жана federated agent.
3. Orchestration: RAG retriever, policy engine, XAI module жана compliance gate.
4. Cloud / LLM: foundation LLM, vector index, audit ledger жана decision API.

Сүрөттүн илимий билдирүүсү — бардык маалымат түздөн-түз foundation modelге берилбейт. Сезимтал маалыматты коргоо жана ченемдик көзөмөл модель чакырылганга чейин архитектурага жайгаштырылган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Баалоо дизайны

HEAL төрт baseline менен салыштырылган:

• Centralized Cloud LLM
• On-Device Small Language Model (SLM)
• Federated Fine-Tuning
• RAG-only Pipeline

Салыштыруу беш өлчөм боюнча жүргүзүлгөн: latency, privacy preservation score, scalability, compliance efficiency жана inference accuracy.

Тактыкты баалоо үчүн саламаттык сактоо жана каржы кызматтарынын контексттерин камтыган синтетикалык корпоративдик чечимди колдоо сценарийинен алынган 500 түзүмдөлгөн суроо колдонулганы айтылат. Булак бул суроолордун деталдуу бөлүштүрүлүшүн, класс белгилерин, кайсы тапшырмаларды чагылдырганын же ground-truth түзүү жол-жобосун бербейт.

Архитектуралардын сапаттык өзгөчөлүктөрү

Бул сапаттык классификациялар булакта берилген дизайн баалоолору. “Strong”, “Moderate”, “Partial” же “Full” категорияларын баалаган көз карандысыз валидация протоколу билдирилбегендиктен, аларды өлчөнгөн физикалык чоңдуктардай чечмелөөгө болбойт.

Сандык жыйынтыктар

Centralized LLM менен салыштыруу

Centralized LLM baseline %87,2 тактык менен baseline тобундагы эң жогорку тактык маанисине ээ. Орточо кечигүү 420 ms, privacy score болсо 0,51 деп билдирилет.

HEAL менен салыштырганда булак таблицасындагы тактык айырмасы 91,6 - 87,2 = 4,4 пайыздык пунктту түзөт. HEALдин билдирилген кечигүүсү да 272 ms төмөн. Бирок булак эки кечигүү мааниси бир эле физикалык системада түздөн-түз баштан-аяк өлчөнгөн көзөмөлдүү benchmark маанилери эмес экенин өзүнчө белгилейт.

On-device SLM менен салыштыруу

On-device SLM 95 ms менен таблицадагы эң төмөн кечигүүнү жана 0,91 privacy score маанисин берет; ал эми inference accuracy %79,4.

Бул салыштыруу HEALдин негизги дизайн тандоосун көрсөтөт: HEAL толугу менен жергиликтүү модель сыяктуу эң төмөн кечигүүнү көздөбөйт; чоңураак cloud model мүмкүнчүлүгү аркылуу тактыкты жогорулатуу менен бирге сезимтал маалымат үчүн edge коргоосун камсыз кылууга аракеттенет.

Federated fine-tuning менен салыштыруу

Federated fine-tuning baseline үчүн %83,7 тактык, 310 ms latency жана 0,83 privacy score билдирилет. HEAL federated learningди өзүнчө чечим катары эмес, RAG, edge filtering жана compliance gating менен бирге колдонору көрүнөт.

RAG-only менен салыштыруу

RAG-only системасы %85,1 inference accuracy, 230 ms latency жана 0,66 privacy score берет. Булактын түшүндүрмөсүнө ылайык, edge enforcement жок болгондуктан сезимтал tokenдер retrieval суроолорунда көрүнүшү мүмкүн жана туура эмес суроону модель чакыруусуна чейин токтото турган атайын compliance gate жок.

HEAL менен RAG-only ортосундагы булак таблицасынан эсептелген тактык айырмасы 6,5 пайыздык пунктту түзөт. Булак текстинде берилген 8,4 пайыздык пункт мааниси бул таблицага туура келбейт.

HEAL Жыйынтыктары Чыныгы Дүйнөдөгү Өндүрүш Өндүрүмдүүлүгүн Далилдейби?

Жок. Булак баалоо чыныгы ооруканада, банкта же башка ишканада баштан-аяк HEAL жайылтуусу эмес экенин ачык айтат; 500 синтетикалык суроо колдонулган жана айрыкча latency маанилери толук системалык instrumentationдан эмес, архитектуралык талдоодон жана окшош жайылтылган системалардагы өлчөөлөрдөн алынган. Ошондуктан билдирилген %91,6 тактык, 148 ms latency жана 0,94 privacy score өндүрүш чөйрөсүндө тастыкталган өндүрүмдүүлүк кепилдиги эмес.

148 ms маанисин кантип чечмелөө керек?

Булак 148 ms орточо edge-to-response latency билдирет жана суроолордун болжол менен %38 булутка чыкпай edge үстүндө чечилгенин белгилейт. Бул дизайн cloud round-trip талап кылбаган суроолор жалпы кечигүүнү азайта аларын түшүндүргөн механизмди колдойт.

Бирок булак ошол эле абзацта latency маанилери толук HEAL агымында чыныгы end-to-end instrumentation менен өлчөнбөгөнүн моюнга алат. Ошондуктан 148 ms мааниси чыныгы өндүрүштүк SLA өлчөөсү катары колдонулбашы керек.

Privacy score канчалык кайра өндүрүлө алат?

HEAL үчүн privacy score 0,94, on-device SLM үчүн 0,91, federated fine-tuning үчүн 0,83, RAG-only үчүн 0,66 жана centralized LLM үчүн 0,51 берилген.

Булак privacy score'дун математикалык аныктамасын, компоненттерин, салмактарын же тест жол-жобосун түшүндүрбөйт. Ошондуктан сандардын иретин булак жыйынтыгы катары берүүгө болот; бирок көз карандысыз изилдөөчү ошол эле киргизүүлөрдөн ошол эле privacy score маанилерин алуу үчүн жетиштүү методикалык маалыматка ээ эмес.

Inference accuracy кантип чечмелениши керек?

Булак HEAL үчүн %91,6 inference accuracy билдирет. Бирок 500 синтетикалык суроонун тапшырма түрлөрү, gold-standard жооп түзүү, баалоо критерийи, exact-match же башка scoring ыкмасы, баалоочулар жана ишеним интервалдары түшүндүрүлгөн эмес.

Бул жетишпестик %91,6 маанисин булакта билдирилген жыйынтык болуудан чыгарбайт; бирок маанинин сырттан кайра өндүрүлүшүн жана башка системаларга жалпыланышын чектейт.

Compliance баалоосунун чеги

HEAL таблицада “Full” compliance efficiency категориясын алган жалгыз система. Бул айырма архитектурага explicit policy engine жана compliance gate киргизилгенине байланыштуу.

Ошентсе да, изилдөө белгилүү бир GDPR, HIPAA же каржылык жөнгө салуу беренелеринин топтому боюнча formal compliance audit билдирбейт. “Full” — булактын архитектуралык классификациясы; ал юридикалык сертификат же жөнгө салуучу органдын бекитүүсү дегенди билдирбейт.

Булак ичиндеги арифметикалык карама-каршылык

II таблица HEAL тактыгын %91,6 жана RAG-only тактыгын %85,1 деп берет. Бул эки маанинин айырмасы 6,5 пайыздык пункт. Булак тексти болсо айырманы 8,4 пайыздык пункт деп жазат.

Мындан тышкары, “best baseline” деген сөз менен RAG-only baseline көрсөтүлгөн; бирок таблицадагы эң жогорку baseline accuracy %87,2 менен centralized LLMге таандык. HEAL менен бул baseline ортосундагы айырма 4,4 пайыздык пункт. Ошондуктан Verianla баяны таблицада ачык берилген чийки маанилерди source-of-truth катары сактайт.

Адабияттар тизмеси менен текст ичиндеги шилтемелердин дал келбестиги

Изилдөөнүн адабият бөлүмүндөгү айрым шилтеме аттары менен номерленген булактар тизмеси бири-бирине дал келбейт. Текст Brown et al. [1], Hard et al. [2], Lewis et al. [3], Chowdhery et al. [4] жана Wornow et al. [5] деп көрсөтсө, PDFдеги адабияттар тизмесиндеги ошол эле номерлер башка авторлорго жана башка эмгектерге таандык.

Бул жагдай адабий негиздерди көз карандысыз текшерүүнү кыйындатат. Ошондуктан Verianla макаласы адабияттар тизмесинде жок шилтемелерди өз алдынча “түзөтпөйт” же башка эмгектер менен алмаштырбайт; дал келбестикти булак сапатынын чектөөсү катары ачык калтырат.

Изилдөө колдогон жыйынтыктар

• HEAL edge anonymisation, жергиликтүү inference, federated learning, RAG, XAI, compliance gating жана cloud LLMди бир архитектурада бириктирген так аныкталган система дизайны.
• Булактын синтетикалык баалоосунда HEAL %91,6 тактык, 148 ms latency жана 0,94 privacy score менен билдирилген.
• HEALдин билдирилген accuracy мааниси таблицадагы төрт baseline маанисинин баарынан жогору.
• On-device SLM HEALге караганда төмөн latency берет, бирок төмөн accuracy менен билдирилген.
• Болжол менен %38 синтетикалык суроо edge үстүндө аяктаганы билдирилет.
• Compliance gate архитектурада inference алдында жайгашкандыктан, HEAL булак баалоосунда compliance-aware система катары башка baseline'дардан айырмаланат.

Изилдөө колдобогон жыйынтыктар

• HEAL чыныгы ооруканада, банкта же башка жөнгө салынуучу уюмда %91,6 тактык берет деп далилденген эмес.
• 148 ms мааниси чыныгы өндүрүш чөйрөсүндө баштан-аяк өлчөнгөн кепилденген latency эмес.
• 0,94 privacy score универсалдуу же стандартташтырылган купуялуулук метрикасы экени көрсөтүлгөн эмес.
• “Full compliance” деген сөз юридикалык сертификат, GDPR/HIPAA шайкештик документи же жөнгө салуучу органдын бекитүүсү эмес.
• Federated learningдин чыныгы көп уюмдуу маалымат гетерогендүүлүгүндө convergence ийгилиги текшерилген эмес.
• Булак чыныгы бейтап же чыныгы каржы кардарынын маалыматтары боюнча система валидациясын билдирбейт.
• HEAL baseline системалардан статистикалык жактан маанилүү деңгээлде жогору экени көрсөтүлгөн эмес; ишеним интервалы, дисперсия же маанилүүлүк тести билдирилген эмес.

Келечектеги изилдөөлөр

Булак келечектеги үч негизги изилдөө багытын берет. Биринчиси — өнөктөш оорукана тармагында жандуу пилот түзүп, federated update механизминин көп борборлуу клиникалык маалымат гетерогендүүлүгү шартындагы convergence жүрүм-турумун текшерүү.

Экинчи багыт compliance rule setти кол менен даярдоо маселесине багытталган. Булак келечекте жөнгө салуучу тексттерден автоматтык эрежелерди чыгарууну изилдөөнү сунуштайт.

Үчүнчү багыт XAI катмары. Учурдагы HEAL дизайнында түшүндүрмөлөр булак көрсөтүү жана retrieved evidence менен байланышкан; изилдөө келечекте counterfactual reasoning колдоосу жогорку тобокелдиктеги каржы жана саламаттык сактоо чечимдеринде пайдалуу болушу мүмкүн деп сунуштайт.

Булак жана Ыкма Жөнүндө Эскертүү

Толук түпнуска аталыш: Intelligent Enterprise Systems: Integrating Artificial Intelligence, Data Analytics, and Information Management for Strategic Decision Making.

Автор: Sakir Alim.

PDF аффилиациясы: Department of Information Systems, University of Lagos, Lagos, Nigeria.

Платформа: SSRN.

SSRN abstract номери: 6894938.

DOI: 10.2139/ssrn.6894938.

Date Written: 11 Март 2025.

SSRNге жөнөтүлгөн/жарыяланган датасы: 29 Июнь 2026.

Булактын түрү: Preprint / working paper мүнөзүндөгү SSRN изилдөөсү.

Рецензия статусу: Учурдагы текшерүүдө рецензияланган журнал версиясы табылган эмес; изилдөө рецензияланган макала катары көрсөтүлбөшү керек.

Лицензия/укук абалы: SSRN жазуусу “All rights reserved” жана уруксатсыз кайра пайдаланбоо шартын билдирет. Ошондуктан булактагы сүрөт, оригиналдуу таблица дизайны жана корголгон текст кайра колдонулган эмес.

PDF ичиндеги байланыш талаасы: PDFде Sakir Alim деген аттын астында “o.adeyemi@unilag.edu.ng” электрондук почта дареги жазылган. Бул талаа автордун аты менен ачык дал келбегендиктен жана SSRN барагында ачык электрондук почта тастыктамасы жүргүзүлбөгөндүктөн, байланыш дареги тастыкталган corresponding-author маалыматы катары кабыл алынган эмес.

Негизги модель: Hybrid Edge-Aware LLM (HEAL).

Архитектура катмарлары: Data Sources; Edge Layer; Orchestration; Cloud / LLM.

Негизги механизмдер: PII masking, anonymisation, local quantised inference, federated optimisation, differential privacy, RAG, jurisdiction policy engine, compliance gate, XAI, private cloud foundation LLM жана immutable audit ledger.

Federated update жыштыгы: Булакта ар бир edge node үчүн 24 саатта бир раунд деп көрсөтүлгөн.

Баалоо үлгүсү: Саламаттык сактоо жана каржы кызматтары сценарийлерин камтыган 500 түзүмдөлгөн синтетикалык суроо.

Салыштырылган baseline'дар: Centralized Cloud LLM, On-Device SLM, Federated Fine-Tuning жана RAG-only Pipeline.

Баалоо өлчөмдөрү: Inference latency, privacy preservation score, scalability, compliance efficiency жана inference accuracy.

HEAL үчүн билдирилген жыйынтыктар: 148 ms latency, 0,94 privacy score, High scalability, Full compliance efficiency жана %91,6 inference accuracy.

Маанилүү арифметикалык маселе: Булак текстинде HEAL менен RAG-only ортосундагы accuracy айырмасы 8,4 пайыздык пункт деп жазылган; II таблицадагы маанилер бул айырма 6,5 пайыздык пункт экенин көрсөтөт. Таблицадагы эң жогорку accuracy baseline болсо %87,2 менен centralized LLM жана HEAL менен айырмасы 4,4 пайыздык пункт.

Маанилүү шилтеме маселеси: Адабият бөлүмүндөгү Brown, Hard, Lewis, Chowdhery жана Wornow шилтемелеринин номерлери PDFдин аягындагы номерленген булак жазуулары менен дал келбейт. Ошондуктан адабияттар тизмесине адабий текшерүү жагынан этият мамиле кылуу керек.

Кайра өндүрүлө билүү жагынан билдирилбеген негизги деталдар: Синтетикалык суроолорду түзүү жол-жобосу, суроо класстарынын бөлүштүрүлүшү, gold-standard түзүү ыкмасы, accuracy scoring ыкмасы, privacy score формуласы, compliance scoring протоколу, чыныгы foundation model аталышы жана версиясы, edge model аталышы, quantisation ыкмасы, аппараттык жабдык, тармак топологиясы, vector database деталдары, embedding модели, RAG retrieval параметрлери, federated aggregation алгоритми, node саны, learning rate, convergence критерийлери, differential privacy \(\varepsilon\) жана \(\delta\) маанилери, clipping нормасы жана noise multiplier.

Статистикалык белгисиздик: Булак p-маани, confidence interval, standard deviation же башка белгисиздик өлчөмүн билдирбейт.

Талаалык валидация: Жок. Булак келечекте оорукана тармагында жандуу пилот пландалып жатканын билдирет.

Каржылоо: PDFде каржылоо билдирүүсү берилген эмес.

Кызыкчылыктардын кагылышы: PDFде өзүнчө кызыкчылыктардын кагылышы жөнүндө билдирүү берилген эмес.

Маалыматтардын жеткиликтүүлүгү: PDFде маалымат топтому же синтетикалык суроолор топтому үчүн өзүнчө жеткиликтүүлүк билдирүүсү берилген эмес.

CRediT / автордук салымдар: PDFде CRediT салым билдирүүсү берилген эмес.

1-сүрөттүн ролу: Булактын төрт катмарлуу HEAL маалымат агымын көрсөтөт. Verianla үчүн ошол эле визуалдык түзүлүш көчүрүлбөшү керек; маалымат булагы → edge privacy/local inference → RAG/policy/XAI/compliance → cloud LLM/audit байланыштары гана жаңы семантикалык архитектура менен кайра тартылышы керек.