Yugra State University BulletinYugra State University BulletinВестник Югорского государственного университета1816-92282078-9114Yugra State University69905210.18822/byusu20260193-100Mathematical modeling and information technologyМатематическое моделирование и информационные технологииResearch ArticleCreation of a neural network model for structuring and formalizing technical specificationsСоздание нейросетевой модели структуризации и формализации технического заданияYaparovaNatalia M.ЯпароваНаталья Михайловна
Russian Federation

Doctor of Engineering Science, Associate Professor

доктор технических наук, доцент

natyap7@mail.ruNizamovRuslan A.НизамовРуслан Аликович
Russian Federation

Software engineer, LLC "TRIDIVI"

инженер-программист, ООО «ТРИДИВИ»

rus.nizamov.04@mail.ruSouth Ural State UniversityЮжно-Уральский государственный университет (НИУ)30032026221931002212202515022026Copyright ©; 2026, Yugra State UniversityCopyright ©; 2026, Югорский государственный университет2026Yugra State UniversityЮгорский государственный университетhttps://creativecommons.org/licenses/by-sa/4.0https://vestnikugrasu.org/byusu/article/view/699052

Subject of research: approaches and methods of building neural network models based on transformer architecture for processing and analyzing technical tasks in the field of information technology.

Purpose of research: to create a neural network mode l for structuring and formalizing technical specifications, aimed at increasing structural consistency, logical consistency and formal completeness of the text of technical specifications.

Research methods: methods of neural network design, system analysis, machine learning, optimization methods in the field of machine learning.

Objects of research: non-formalized texts of technical assignments in the field of information technology, obtained from open sources.

Research findings: a neural network model for processing technical tasks in the field of information technology has been created. An intelligent system has been created capable of processing the text of the terms of reference, identifying structural deficiencies and formulating an improved version of the document. The validation results confirm that the proposed approach can be used in engineering practices for preparing project documentation and integrated into corporate software system development processes and can significantly reduce labor costs for creating and editing technical specifications.

Предмет исследования: подходы и методы построения нейросетевых моделей на основе архитектуры «трансформер» для обработки и анализа технических заданий в области информационных технологий.

Цель исследования: создание нейросетевой модели структуризации и формализации технического задания, направленной на повышение структурной согласованности, логической непротиворечивости и формальной полноты текста технических заданий.

Методы исследования: методы нейросетевого проектирования, системного анализа, машинного обучения, методы оптимизации в области машинного обучения.

Объекты исследования: неформализованные тексты технических заданий в области информационных технологий, полученные из открытых источников.

Основные результаты исследования: создана нейросетевая модель обработки технических заданий в области информационных технологий. Создана интеллектуальная система, способная обрабатывать текст технического задания, выявлять структурные недостатки и формулировать улучшенный вариант документа. Результаты валидации подтверждают, что предложенный подход может быть использован в инженерных практиках подготовки проектной документации и интегрирован в корпоративные процессы разработки программных систем, способен существенно снизить трудозатраты на создание и редактирование технических заданий.

terms of referencetext processingrequirements structuringneural networkslanguage modelsdocumentation verificationdesign automationengineering documentationтехническое заданиеобработка текстовструктуризация требованийнейронные сетиязыковые моделиверификация документацииавтоматизация проектированияинженерная документацияГОСТ Р 56922-2016 / ISO/IEC/IEEE. Системная и программная инженерия. Тестирование программного обеспечения. Часть 3. Документация тестирования : национальный стандарт Российской Федерации утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 18 мая 2016 г. № 333-ст. – Москва : Стандартинформ, 2016. – 113 с.Language Models are Few-Shot Learners / T. B. Brown, B. Mann, N. Ryder [et al.] // Advances in Neural Information Processing Systems. – Vancouver, 2020. – P. 1–25.BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding / J. Devlin, M.-W. Chang, K. Lee, K. Toutanova // NAACL-HLT. 2019. P. 1–16.Goldberg, Y. Neural Network Methods for Natural Language Processing // Synthesis Lectures on Human Language Technologies. – 2017. – Vol. 10, № 1. – P. 1–311.LoRA: Low-Rank Adaptation of Large Language Models / E. J. Hu, Y. Shen, P. Wallis [et al.] // International Conference on Learning Representations (ICLR). – 2022. – P. 1–26.IEEE Standard for System, Software, and Hardware Verification and Validation. IEEE Std 1012-2016 // ANSI Webstore. – URL: https://webstore.ansi.org/standards/ieee/ieee10122016 (date of application: 17.02.2026).Jurafsky, D. Speech and Language Processing / D. Jurafsky, J. H. Martin. – 3rd ed. draft. – New York : Pearson Education, 2023. – 636 p.Loper, E. NLTK: The Natural Language Toolkit / E. Loper, S. Bird // Proceedings of the ACL-02 Workshop on Effective tools and methodologies for teaching natural language processing and computational linguistics. – Stroudsburg, 2002. – P. 1–8.Efficient Estimation of Word Representations in Vector Space / T. Mikolov, K. Chen, G. Corrado, J. Dean // International Conference on Learning Representations (ICLR) Workshop. Scottsdale, 2013. – P. 1–12.Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer / C. Raffel, N. Shazeer, A. Roberts [et al.] // Journal of Machine Learning Research. – 2020. – Vol. 21. – P. 1–67.Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar [et al.] // Advances in Neural Information Processing Systems. Long Beach, CA, 2017. – P. 1–15.