As an object of research, the work considers the process of functioning of electronic warfare (EW) means using artificial intelligence (AI) technologies based on large language models (LLM). One of the most problematic issues in increasing the efficiency of their functioning is ensuring the adaptability function in EW means, as well as timely detection of threats and formation of appropriate countermeasures. This problem is solved by implementing a multi-agent architecture, the task of which is to ensure continuous exchange of information, both between agents in the EW means themselves and in the system as a whole. The considered method of increasing the adaptability of the system due to LLM with self-learning mechanisms provides the system with the opportunity to improve its data processing algorithms, promptly detect new types of signals and respond to changes in the parameters of the enemy's REM. Using the Retrieval-Augmented Generation (RAG) approach allows to detect and enter new types of signals into the database and quickly form appropriate recommendations for countermeasures. An equally important component is the use of combining several EW tools into a single information network. This approach will ensure the consistency of the actions of all EW tools (agents) and the rapid exchange of information between them. Taking into account the above, there is a possibility of significantly increasing the adaptability and efficiency of EW systems by integrating multi-agent structures using LLM, which allow optimizing resource allocation and making decisions in real time. This will ensure a high level of adaptation of EW tools, which is an important feature for working in conditions of dynamically changing electromagnetic environments. Thanks to the proposed architecture and the use of appropriate algorithms, it is possible to obtain high indicators of classification accuracy and signal processing speed, which positively affects the adaptability of the system and the overall effectiveness of countering threats.

В якості об’єкта дослідження в роботі розглядається процес функціонування засобів радіоелектронної боротьби (далі – РЕБ) з використанням технологій штучного інтелекту (далі – ШІ) на основі великих мовних моделей (далі – LLM). Одним із найбільш проблемних питань щодо підвищення ефективності їх функціонування є забезпечення функції адаптивності в засобах РЕБ, а також своєчасного виявлення загроз та формування відповідних контрзаходів. Вирішення даної проблеми здійснюється шляхом впровадження мультиагентної архітектури, завданням якої є забезпечення безперервного обміну інформації, як між агентами в самих засобах РЕБ, так і в системі в цілому. Розглянутий спосіб підвищення адаптивності системи за рахунок LLM з механізмами самонавчання, надає системі можливості вдосконалювати свої алгоритми обробки даних, оперативно виявляти нові види сигналів і реагувати на зміну параметрів РЕЗ противника. Використання підходу Retrieval-Augmented Generation (далі – RAG) дозволяє виявляти та вносити до бази даних нові види сигналів та швидко формувати відповідні рекомендації з метою протидії. Не менш суттєвою складовою є використання поєднання кількох засобів РЕБ в єдину інформаційну мережу. Даний підхід забезпечить узгодженість дій усіх засобів РЕБ (агентів) та швидкий обмін інформацією між ними. Враховуючи вище зазначене, існує можливість значного підвищення адаптивності та ефективності роботи систем РЕБ за рахунок інтеграції мультиагентних структур з використанням LLM, які дозволяють оптимізувати розподіл ресурсів та здійснювати прийняття рішень у реальному часі. Це забезпечить високий рівень адаптації засобів РЕБ, що є важливою особливістю для роботи в умовах динамічно змінюваних електромагнітних середовищ. Завдяки запропонованій архітектурі та застосуванню відповідних алгоритмів досягається можливість отримання високих показників точності класифікації та швидкості обробки сигналів, що позитивно впливає на адаптивність системи та загальну ефективність протидії загрозам.