informИнформатикаInformatics1816-03012617-6963UIIP NASB10.37661/1816-0301-2026-23-2-68-79inform-1397Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИINFORMATION TECHNOLOGYРазработка интеллектуальной системы планирования на основе персонального ассистентаDevelopment of an intelligent scheduling system based on a personal assistantЯскевичА. В.YaskevichA. V.

Яскевич Антон Викторович, студент

пр. Независимости, 4, Минск, 220030

Anton V. Yaskevich, Student

av. Nezavisimosti, 4, Minsk, 220030

Tosha.yaskevich@mail.ruЧуйкоВ. А.ChuykoV. A.

Чуйко Владислав Александрович, магистр физико-математических наук, старший преподаватель

пр. Независимости, 4, Минск, 220030

Vladislav A. Chuyko, M. Sci. (Phys.-Math.), Senior Lecturer

av. Nezavisimosti, 4, Minsk, 220030

Vchuyko@bsu.byБелорусский государственный университетBelarusian State University2026280620262326879Copyright © Яскевич А.В., Чуйко В.А., 20262026Яскевич А.В., Чуйко В.А.Yaskevich A.V., Chuyko V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/1397Цели

Цели. Целью исследования является разработка интеллектуальной системы планирования, функционирующей локально на оборудовании пользователя без передачи данных в Интернет.

Методы

Методы. Рассматривается проблема обеспечения конфиденциальности и автономности цифровых ассистентов, зависящих от облачной инфраструктуры. Предложена клиент-серверная архитектура, в которой серверная часть реализована с использованием фреймворка FastAPI и базы данных SQLite, а клиентский интерфейс разработан на языке JavaScript. Визуализация расписания и редактирование записей осуществляются через веб-интерфейс.

Результаты

Результаты. Описан голосовой конвейер системы: для активации используется движок Porcupine, для транскрибации – модель Faster-Whisper с квантованием int8. Проведен сравнительный анализ технологического стека, обеспечивающего высокую точность распознавания речи. Разработан гибридный модуль понимания естественного языка. Реализована технология RAG, интегрирующая данные расписания в контекст генерации ответа. Для синтеза речи используется нейросеть Piper, выполнение которой через ONNX Runtime обеспечивает высокую скорость обработки. Разработан эвристический алгоритм жадного поиска для управления временными ресурсами.

Заключение

Заключение. Сделан вывод о применимости разработанной системы в корпоративном секторе, где критически важны защита информации и функционирование в условиях закрытого сетевого контура.

Objectives

Objectives. The aim of the research is to develop an intelligent scheduling system operating locally on the user's equipment without data transmission via Internet.

Methods

Methods. This paper examines the problem of ensuring the privacy and autonomy of digital assistants dependent on cloud infrastructure. A client-server architecture is proposed, in which the server component is implemented using the FastAPI framework and an SQLite database, and the client interface is written in JavaScript. Schedule visualization and entry editing are performed through the web interface.

Results

Results. The system's voice pipeline is described: the Porcupine engine is used for activation, and the Faster-Whisper model with int8 quantization is used for transcription. A comparative analysis of the technology stack, ensuring high speech recognition accuracy, is conducted. A hybrid natural language understanding module is developed. RAG technology is implemented, integrating schedule data into the response generation context. Speech synthesis is performed using the Piper neural network, whose execution through ONNX Runtime ensures high processing speed. A heuristic greedy search algorithm for managing time resources has been developed.

Conclusion

Conclusion. The developed system is considered applicable in the corporate sector, where information security and operation in closed network environments are critical.

интеллектуальная системаголосовой ассистентнейронные сетипланирование задачраспознавание речиестественный языкграфическая оболочкаintelligent systemvoice assistantneural networkstask planningspeech recognitionnatural languagegraphical shellReferencesRobust Speech Recognition via Large-Scale Weak Supervision / A. Radford, J. W. Kim, T. Xu [et al.]. – 2022. – URL: https://arxiv.org/pdf/2212.04356 (date of access: 13.01.2026).Radford A., Kim J. W., Xu T., Brockman G., McLeavey C., Sutskever I. Robust Speech Recognition via Large-Scale Weak Supervision, 2022. Available at: https://arxiv.org/pdf/2212.04356 (accessed 13.01.2026).Кузьменков, Л. П. Система транскрибации речи и перевода с русского языка на китайский / Л. П. Кузьменков, В. А. Чуйко, Е. И. Козлова // Информатика. – 2025. – Т. 22, № 3. – С. 25–34. – https://doi.org/10.37661/1816-0301-2025-22-3-25-34.Kuzmenkov L. P., Chuyko V. A., Kаzlova A. I. Speech transcription and translation system from Russian to Chinese. Informatika [Informatics], 2025, vol. 22, no. 3, pp. 25−34 (In Russ.). https://doi.org/10.37661/1816-0301-2025-22-3-25-34.Рыбина, Г. В. Основы построения интеллектуальных систем : учеб. пособие / Г. В. Рыбина. – М. : Финансы и статистика, 2010. – 432 с.Rybina G. V. Osnovy postroenija intellektual'nyh sistem. Fundamentals of Building Intelligent Systems. Мoscow, Finansy i statistika, 2010, 432 р. (In Russ.).Куратов, Ю. М. Адаптация глубоких двунаправленных трансформеров-энкодеров для задач русского языка / Ю. М. Куратов, М. Ю. Архипов // Компьютерная лингвистика и интеллектуальные технологии : по материалам ежегодной Междунар. конф. «Диалог». – 2019. – № 18. – С. 333–339.Kuratov Ju. M., Arhipov M. Ju. Adaptation of deep bidirectional transformer-encoders for Russian language tasks. Komp'juternaja lingvistika i intellektual'nye tehnologii: po materialam ezhegodnoj Mezhdunarodnoj konferencii «Dialog» [Computational Linguistics and Intelligent Technologies: Based on the Materials of the Annual International Conference "Dialogue"], 2019, no. 18, рр. 333–339 (In Russ.).Зегжда, Д. П. Основы безопасности информационных систем / Д. П. Зегжда, А. М. Ивашко. – М. : Горячая линия – Телеком, 2000. – 452 с.Zegzhda D. P., Ivashko A. M. Osnovy bezopasnosti informacionnyh sistem. Fundamentals of Information Systems Security. Мoscow, Gorjachaja linija – Telekom, 2000, 452 р. (In Russ.).Кипяткова, И. С. Аналитический обзор систем автоматического распознавания русской речи / И. С. Кипяткова, А. А. Карпов // Труды СПИИРАН. – 2013. – № 6 (29). – С. 5–20.Kipjatkova I. S., Karpov A. A. Analytical review of automatic Russian speech recognition systems. Trudy SPIIRAN [SPIIRAS Proceedings], 2013, no. 6 (29), рр. 5–20 (In Russ.).BERT: Pre-training of deep bidirectional transformers for language understanding / J. Devlin, M.-W. Chang, K. Lee, K. Toutanova // Proc. of the 2019 Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Minneapolis, MN, USA, 2–7 June 2019. – Minneapolis, 2019. – Vol. 1. – P. 4171–4186.Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Minneapolis, MN, USA, 2–7 June 2019. Minneapolis, 2019, vol. 1, рр. 4171–4186.Retrieval-augmented generation for knowledge-intensive NLP tasks / P. Lewis, E. Perez, A. Piktus [et al.] // NIPS'20 : 34th Intern. Conf. on Neural Information Processing Systems, Vancouver, BC, Canada, 6–12 Dec. 2020. – Vancouver, 2020. – P. 9459–9474.Lewis P., Perez E., Piktus A., Petroni F., Karpukhin V., …, Kiela D. Retrieval-augmented generation for knowledge-intensive NLP tasks. NIPS'20: 34th International Conference on Neural Information Processing Systems, Vancouver, BC, Canada, 6–12 December 2020. Vancouver, 2020, рр. 9459–9474.Бурцев, М. С. Разговорный интеллект: от тестов Тьюринга к глубокому обучению / М. С. Бурцев // Труды Московского физико-технического института. – 2022. – Т. 14, № 1. – С. 4–12.Burcev M. S. Conversational intelligence: From turing tests to deep learning. Trudy Moskovskogo fiziko-tehnicheskogo instituta [Proceedings of Moscow Institute of Physics and Technology], 2022, vol. 14, no. 1, рр. 4–12 (In Russ.).Kim, J. Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech / J. Kim, J. Kong, J. Son // Proc. of the 38th Intern. Conf. on Machine Learning, ICML 2021, Online, 18–24 July 2021. – 2021. – Vol. 139. – P. 5530–5540.Kim J., Kong J., Son J. Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech. Proceedings of the 38th International Conference on Machine Learning, ICML 2021, Online, 18–24 July 2021. 2021, vol. 139, рр. 5530–5540.Qwen Technical Report / J. Bai, S. Bai, Y. Chu [et al.]. – 2023. – URL: https://arxiv.org/pdf/2309.16609 (date of access: 13.01.2026).Bai J., Bai S., Chu Y., Cui Z., Dang K., …, Zhu T. Qwen Technical Report, 2023. Available at: https://arxiv.org/pdf/2309.16609 (accessed 13.01.2026).Efficient keyword spotting using dilated convolutions and gating / A. Coucke, M. Chlieh, T. Gisselbrecht [et al.] // IEEE Intern. Conf. on Acoustics, Speech and Signal Processing, ICASSP 2019, Brighton, United Kingdom, 12–17 May 2019. – Brighton, 2019. – P. 6351–6355.Coucke A., Chlieh M., Gisselbrecht T., Leroy D., Poumeyrol M., Lavril T. Efficient keyword spotting using dilated convolutions and gating. IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP 2019, Brighton, United Kingdom, 12–17 May 2019. Brighton, 2019, рр. 6351–6355.Hoy, M. B. Alexa, Siri, Cortana, and more: An introduction to voice assistants / M. B. Hoy // Medical Reference Services Quarterly. – 2018. – Vol. 37, no. 1. – P. 81–88.Hoy M. B. Alexa, Siri, Cortana, and more: An introduction to voice assistants. Medical Reference Services Quarterly, 2018, vol. 37, no. 1, рр. 81–88.Privacy attitudes of smart speaker users / N. Malkin, J. Deatrick, A. Tong [et al.] // Proceedings on Privacy Enhancing Technologies. – 2019. – Vol. 2019, iss. 4. – P. 250–271.Malkin N., Deatrick J., Tong A., Wijesekera P., Egelman S., Wagner D. Privacy attitudes of smart speaker users. Proceedings on Privacy Enhancing Technologies, 2019, vol. 2019, iss. 4, рр. 250–271.Attention is all you need / A. Vaswani, N. Shazeer, N. Parmar [et al.] // NIPS'17 : Proc. of the 31st Intern. Conf. on Neural Information Processing Systems, Long Beach, California, USA, 4–9 Dec. 2017. – Long Beach, 2017. – Р. 6000–6010.Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., …, Polosukhin I. Attention is all you need. NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems, Long Beach, California, USA, 4–9 December 2017. Long Beach, 2017, рр. 6000–6010.Лазарев, А. А. Теория расписаний. Задачи и алгоритмы / А. А. Лазарев, Е. Г. Мусатова. – М. : МГУ, 2012. – 208 с.Lazarev A. A., Musatova E. G. Teorija raspisanij. Zadachi i algoritmy. Scheduling Theory: Problems and Algorithms. Мoscow, Moskovskij gosudarstvennyj universitet imeni M. V. Lomonosova, 2012, 208 р. (In Russ.).Edge intelligence: Paving the last mile of artificial intelligence with edge computing / Z. Zhou, X. Chen, E. Li [et al.] // Proceedings of the IEEE. – 2019. – Vol. 107, no. 8. – P. 1738–1762.Zhou Z., Chen X., Li E., Zeng L., Luo K., Zhang J. Edge intelligence: Paving the last mile of artificial intelligence with edge computing. Proceedings of the IEEE, 2019, vol. 107, no. 8, рр. 1738–1762.LLaMA: Open and Efficient Foundation Language Models / H. Touvron, T. Lavril, G. Izacard [et al.]. – 2023. – URL: https://arxiv.org/pdf/2302.13971 (date of access: 13.01.2026).Touvron H., Lavril T., Izacard G., Martinet X., Lachaux M.-A., …, Lample G. LLaMA: Open and Efficient Foundation Language Models, 2023. Available at: https://arxiv.org/pdf/2302.13971 (accessed 13.01.2026).Щеглов, А. Ю. Защита информации: основы теории / А. Ю. Щеглов. – М. : Юрайт, 2019. – 309 с.Shheglov A. Ju. Zashhita informacii: osnovy teorii. Information Security: Theoretical Basics. Мoscow, Jurajt, 2019, 309 р. (In Russ.).A Survey of Quantization Methods for Efficient Neural Network Inference / A. Gholami, S. Kim, Z. Dong [et al.]. – 2021. – URL: https://arxiv.org/pdf/2103.13630 (date of access: 13.01.2026).Gholami A., Kim S., Dong Z., Yao Z., Mahoney M. W., Keutzer K. A Survey of Quantization Methods for Efficient Neural Network Inference, 2021. Available at: https://arxiv.org/pdf/2103.13630 (accessed 13.01.2026).

The authors declare that there are no conflicts of interest present.