Введение (актуальность). Разработка языковой модели для лекарственных препаратов средствами искусственного интеллекта представляет собой одну из наиболее значимых задач современной фармацевтической информации. В настоящее время аптечная практика сталкивается с рядом серьезных проблем, среди которых выделяются: сложность выбора оптимального препарата, необходимость быстрой обработки больших объемов информации и повышение требований к качеству обслуживания пациентов. Современные системы ИИ способны значительно повысить эффективность подбора препаратов, обеспечить точность рекомендаций и минимизировать риски ошибок. Однако успешная реализация таких информационных технологий невозможна без четкого и структурированного подхода. Именно здесь возникает потребность в разработке специализированных программ, учитывающих особенности фармацевтического рынка, номенклатуру лекарственных средств и потребности специалистов и пациентов. Разработка такой модели становится важным этапом внедрения инновационных технологий в аптеки с целью повышения качества оказания фармацевтических услуг, снижению рисков возникновения побочных эффектов и неправильного назначения лекарственных препаратов. Цель: рассмотреть и проанализировать процесс подготовки исходных данных и обучения прототипа программного решения на основе нейронной сети, целью которого является предоставление запрашиваемой фармацевтической информации о ЛП. Материалы и методы. Использованы методы контент-, маркетингового и структурного анализов, а также применялись методы анкетирования, сравнения, обобщения, систематизации и моделирования. В качестве информационной базы использовались: медицинская справочно-информационная система MedInfo; справочник лекарственных препаратов Видаль и Государственный реестр лекарственных средств РФ (ГРЛС) (оба издания - в редакциях от 2025г.). Результаты. Проведенный сравнительный анализ показал положительные стороны использования программного обеспечения для ведения фармацевтического бизнеса и востребованность, прежде всего, мобильных легко адаптируемых комплексов с использованием ИИ. С учетом всех достоинств и недостатков существующих программных комплексов была предложена модель информационной поддержки, которая корректно определяла наличие и отсутствие информации по конкретным ЛП, адекватно сопоставляла данные о показаниях, противопоказаниях и побочных эффектах, а также демонстрировала способность к элементарным обобщениям внутри заданной базы. Кроме того, при отсутствии информации о препарате модель также корректно идентифицировала ограниченность данных и не генерировала ложные сведения, что подтверждает правильность выбранного принципа системных инструкций и ограничения логических допущений. Обсуждение. Проведенные исследования подтвердили возможность использования локальных языковых моделей в фармацевтической практике в качестве инструмента интеллектуальной поддержки специалистов, что позволит оптимизировать процесс консультирования, повысить точность информационного сопровождения, а также автоматизировать ряд рутинных операций в аптечной деятельности. Выводы (заключение). Разработанный прототип локальных языковых моделей продемонстрировал высокую эффективность использования в фармацевтической практике, подтвердив перспективность внедрения интеллектуальных инструментов, благодаря чему повышается качество информирования пациентов, точность рекомендаций и интерпретаций запросов посетителей аптек, минимизируется риск ошибочных выводов. Таким образом, закладывается фундамент для разработки инновационных решений на основе ИИ, который способствует повышению уровня фармацевтической помощи.