KidBook - детская энциклопедия

Лабораторная работа по курсу "Искусственный интеллект"

Цель работы

Коллективными усилиями создать детскую энциклопедию с использованием:

• методов и инструментов явного представления знания (WikiData, dbpedia)
• генеративных ИИ-моделей (DeepSeek, YandexGPT, GigaChat и др.)

Задание

• Работа выполняется в группах по 5 человек
• По итогам работы вам необходимо заполнить два раздела в этом репозитории:
  • Описание и результаты вашей работы в директории WORK (в соответствующем подразделе)
  • Markdown-файлы со сгенерированными текстами в директории KIDBOOK (в соответствующем подразделе)
• Каждая группа берёт себе одно направление из представленных ниже
• В рамках этого направления вам необходимо:
  • Изучить существующие базы знаний по данной теме в WikiData, dbpedia и др.
  • Фрагменты знаний можно извлекать с помощью запросов SPARQL
  • Для извлечения подграфа знаний удобно использовать инструменты типа Wikidata Visualization Tool, либо SPARQL-запросы такого вида. Полезная информация есть тут
  • По возможности экспортировать фрагменты графов знаний в электронном виде, для автоматического использования в процессе написания текстов
  • Придумать концептуализацию и построить онтологию вашего фрагмента предметной области, результаты описать в документе README.md в директории WORK. Используйте графические средства для визуализации онтологии, полезно будет использовать Markmap.js, Mermaid.js, nomnoml, PlantUML и т.д., для очень продвинутых можно использовать редактор онтологий Protégé.
  • Концептуализация должны содержать объекты и связи между ними, желательно помимо иерархических связей иметь также другие виды горизонтальных связей
  • Концептуализация раздела должна включать в себя не менее 15 понятий (по 3 шт. на каждого члена команды)
  • Сгенерировать markdown-странички для всех понятий с помощью генеративного ИИ. Это можно сделать вручную (cut-and-paste из диалогового интерфейса с языковой моделью), или программным путём через API. Можно использовать бесплатный лимит в GigaChat, или же зарегистрировать пробный аккаунт в Yandex Cloud (или запросить у преподавателя доступ) и использовать различные облачные модели (например, Qwen3-235B). Чтобы изучить, как использовать языковые модели в облаке Yandex Cloud, смотрите этот курс (разделы 1 и 2)
  • В процессе генерации используйте в запросе промпт вида объясни для десятилетнего ребенка
  • Список используемых понятий и страничек сохранить в файле concepts.json в директории WORK
  • С помощью скрипта на Python расставить в текстах перекрестные ссылки на все используемые понятия внутри вашей группы, а в идеале - и на понятия из других групп (посмотрев на файлы concepts.json). Подумать, как быть с падежами (т.е. чтобы например расставлять ссылки во фразах типа "дети без ума от компьютерных игр").
  • Интегрировать все файлы в этот репозиторий с помощью Pull Request
• Также одна группа берёт на себя обязанность мастер-координации результата. В рамках этого нужно:
  • Посмотреть на все полученные результаты и попытаться проставить кросс-ссылки между разделами. Надо творчески подумать, как использовать для этого LLM или поиск по подсловам.
  • Сделать общую домашнюю страничку, разместить результат на GitHub Pages
  • Сделать страничку "словарь терминов" по всем разделам (+код для генерации такой странички)

Структура репозитория

Репозиторий содержит две основные папки:

• WORK - в ней содержатся все служебные материалы - артефакты с программным кодом, фрагменты графов знаний, изображения, оставшиеся по мотивам обсуждений в группах и т.д.
• WEB - раздел для финальных HTML-страничек книги. Это тот код, который затем будет оформляться как окончательная энциклопедия на GitHub Pages.

Внутри каждой папки создаются под-папки - по одной на каждую группу. Называть их рекомендуется в соответствии с тематическим разделом. Например, группа, отвечающая за развлечения, может хранить рабочие материалы в папке WORK/8.1_ entertainment, а финальные HTML-страницы размещать в WEB/8.1_ entertainment.

Критерии оценки

• Использование готовых знаний из структурированных источников (WikiData, dbpedia)
• Использование автоматической генерации текста с помощью LLM API
• Полнота модели знаний и её сложность (наличие связей разного вида)
• Полнота и подробность отчета
• Финальный текст (наличие ссылок, картинок, диаграмм и т.д.)

Структура разделов

добавим после обсуждения группой

Вся подробная документация здесь