В работе проведен анализ текстов описаний товарных позиций ТН ВЭД для обуви, определены признаки, влияющие на классификацию. Предложена систематизация признаков, доступных для визуального распознавания и формализации из документации. Приведены возможности использования методов искусственного интеллекта для решения задач классификации, приведен опыт построения экспертной системы.
Идентификаторы и классификаторы
В международной внешнеэкономической деятельности используется идентификация товаров в соответствии с Гармонизированной системой описания и кодирования товаров Всемирной таможенной организации (ГС). Международная Конвенция о ГС вступила в силу в 1988 г. [1]. ГС обновляется каждые 5 лет, чтобы быть актуальной и соответствовать реалиям современного производства и международной торговли. Создаются новые товарные позиции, например, для 3Dпринтеров, для беспилотных летательных аппаратов. Некоторые товарные позиции из номенклатуры могут быть удалены в связи с уменьшением объемов торговли, например, кадмий [2]. Для выделения отдельной товарной позиции Комитет по Гармонизированной Системе устанавливает уровень годового международного товарного оборота более 100 миллионов долларов США, а для выделения в субпозицию оборот должен превышать 50 миллионов в год [2]. Товарная номенклатура внешнеэкономической деятельности Евразийского экономического союза (ТН ВЭД ЕАЭС), основанная на ГС, в соответствии с договором о ЕАЭС, применяется на территории стран – членов ЕАЭС [3]. Ее суть – упорядоченный систематизированный перечень, по которому каждый перемещаемый через границу товар может быть закодирован однозначно. Коды ТН ВЭД используются для определения величины пошлин и налогов, запретов и ограничений, групп товаров для маркировки, сертификации, утилизационного эко-сбора, а также для ведения статистики. Определение кодов ТН ВЭД – ответственный и неотъемлемый шаг таможенного оформления. От их достоверности во многом зависят эффективность и качество работы таможенного брокера и таможенных органов.
Список литературы
1. WCO history in brief 1952-2023: Over 70 years of dedication to the Customs community. - World Customs Organization, 2023. - URL: https://www.wcoomd.org/-/media/wco/public/global/pdf/about-us/wco-in-brief/wco_history_brochure-70eme_en.pdf?db=web (дата обращения 10.06.2024).
2. Петрова И. Н. Развитие ТН ВЭД ЕАЭС в соответствии с новой редакцией Гармонизированной системы описания и кодирования товаров // Ученые записки Санкт-Петербургского имени В. Б. Бобкова филиала Российской таможенной академии. - 2022. - № 2(82). - С. 53-57. EDN: OLORML
3. Федотова Г. Ю. Единообразное толкование товарной номенклатуры как основа регулирования международной торговли // Управленческое консультирование. -2020. - № 2(134). - С. 67-79. EDN: SWZJBR
4. Андреева Е. И. Искусственный интеллект и перспективы его использования при идентификации товаров в таможенных целях // Вестник российской таможенной академии 2021. - № 1(54). - С. 96-102. EDN: VCNRAH
5. Андреева, Е. И. Искусственный интеллект: перспективы цифровизации таможенных технологий / Е. И. Андреева, А. Е. Суглобов // Russian Journal of Management. - 2019. - Т. 7, № 2. - С. 1-5. -. DOI: 10.29039/article_5d4846bd0cd8d6.84213476 EDN: UMLBZN
6. ГОСТ Р 57575-2017 (ISO/TS 19408:2015). Обувь. Определение размеров. Термины и определения: дата введения - 01.05.2018 / Федер. агентство по техн. регулированию и метрологии. - URL: https://docs.cntd.ru/document/1200146441(дата обращения: 15.02.24).
7. ТН ВЭД ЕАЭС - Единая товарная номенклатура внешнеэкономической деятельности Евразийского экономического союза. - TKS.RU - все о таможне. Таможня для всех - российский таможенный портал, 2000-2023. - URL: https://www.tks.ru/db/tnved (дата обращения 11.01.2024).
8. Попова А. Детали обуви, что такое союзка // Tkaner.com: онлайн-журнал про ткани и одежду. - Онлайн-журнал про ткани и одежду, 2023. - URL: https://tkaner.com/obuv/soyuzka-na-obuvi-chto-eto/(Дата обращения: 03.07.2023).
9. Модный словарь / Библиотека/ Rendez-Vous. - ООО “Рандеву”, 2011-2023. - URL: https://blog.rendez-vous.ru/glossary/wordbyword/(Дата обращения: 04.07.2023).
10. Группа 64. Пояснения к ТН ВЭД - онлайн-справочник | Альта-Софт / Таможенный портал для участников ВЭД | Альта-Софт. - Альта-Софт, 1996-2024. - URL: https://www.alta.ru/poyasnenia/G64/(дата обращения 24.04.2024).
Выпуск
Другие статьи выпуска
В статье рассматриваются методы прогнозирования сложности учебных курсов на основе логистической регрессии с использованием оценок по обеспечивающим дисциплинам. Основной объект исследования - курс «Программирование на Python», для которого ключевыми обеспечивающими дисциплинами выбраны математика, информатика и английский язык. Целью исследования является разработка модели, позволяющей адаптировать учебные задания к индивидуальным потребностям студентов, повышая эффективность образовательного процесса. Для реализации модели использованы синтетические данные, что обусловлено ограничениями доступа к реальным образовательным данным. Применение методов машинного обучения, в частности логистической регрессии, позволяет получить не только классификацию курсов по сложности (легкий, средний, сложный), но и вероятностные оценки, отражающие степень уверенности модели в своих предсказаниях. Авторы рассматривают весовые коэффициенты признаков, что позволяет понять вклад каждой обеспечивающей дисциплины в прогнозирование сложности. Прогнозирование сложности курсов и заданий способствует более точному подбору учебных материалов, что улучшает качество образования и способствует развитию персонализированных образовательных траекторий. Таким образом, статья вносит вклад в развитие методов образовательной аналитики и подчеркивает необходимость перехода от прогнозирования успеваемости студентов к прогнозированию сложности курсов, что открывает новые перспективы для персонализации образовательного процесса и повышения его эффективности.
Обсуждается развитие новых видов интеллектуальной когнитивной робототехники с учетом возрастающих потребностей применения роботизированных социотехнических систем в промышленных / непромышленных сферах (особенно для применения в катастрофических ситуациях типа техногенных аварий или коронавирус) и развития квантовых сквозных ИТ. Промышленная революция «Индустрия 4.0» и третья квантовая революция «Квантовая программная инженерия» предопределили развитие нового направления - интеллектуальное когнитивное управление роботизированными социотехническими системами как основы проекта «Индустрия 5.0». Одной из основных проблем стала необходимость исследования взаимодействия человека-оператора с роботом и перераспределения зон ответственности между роботами в коллективе (толпе - swarm) роботов, человеком - оператором и роботом, а также выявления предельных возможностей допустимой работоспособности (Affordance / Kansei / Kawaii Engineering) роботов в различных проблемно-ориентированных областях. Проведен анализ развития моделей роботизированных социотехнических систем и построения образовательных процессов с нестандартной логикой подготовки ИТ-специалистов нового поколения в условиях стремительного разрыва между образовательными процессами и требованиями к базовым знаний в области квантовых сквозных ИТ. Представлена методология, разработанная в ЛИТ им. М. Г. Мещерякова ОИЯИ, по подготовки ИТ-специалистов нового поколения для управления физическими экспериментами, квантового интеллектуального управления физическими установками в мегасайнс проектах типа NICA, роботов - беспилотников радиационного контроля окружающей среды и др.
Работа посвящена решению задачи сегментации текстовых изображений, целью которой является выделение на изображении документа текстовых блоков, соответствующих колонкам, заголовкам, колонтитулам и т. д. Проводится обзор существующих методов сегментации изображений, в том числе предназначенных и для поиска и выделения на изображениях текстовых блоков. Анализируются как классические методы, так и методы, основанные на использовании искусственных нейронных сетей. Для решения поставленной задачи предлагается подход на основе свёрточных нейронных сетей и модели U-Net. Описывается метод автоматической генерации обучающих примеров для обучения нейронной сети. Рассматривается процессы настройки модели, её обучения и тестирования. Приводятся результаты численного исследования обученных моделей на реальных данных.
Семантическая сегментация - операция в компьютерном зрении, заключающаяся в классификации и попиксельной локализации объектов на цифровом изображении. Данная статья содержит в себе обзор существующих модификаций классической архитектуры сверточной нейронной сети, направленных на решение проблемы искажения информации с исходного изображения. Проведено сравнение эффективности рассмотренных моделей в условиях бинарной и множественной семантической сегментации. Статья может быть полезной для ML/DL-разработчиков, желающих изучить проблематику сегментации изображений в рамках своей предметной области.
В статье представлены способы применения фрактальной геометрии при исследовании речной системы Волги. Дан обзор алгоритмов вычисления фрактальной размерности и приведены примеры расчетов, а также описаны пути трактовки и применения полученных результатов.
Автоматическая идентификация и классификация нейронов в микропрепаратах нервной ткани имеет важное значение при изучении воздействия ионизирующего излучения на головной мозг. Оценка состояния клеток ЦНС специалистом вручную является трудоемким и субъективным процессом, в то время как алгоритмы машинного обучения показали потенциал в автоматизации этой задачи. В данной работе были использованы 81 фотоизображение препаратов гиппокампа мышей, на которых выделяли клетки без видимых повреждений, легко-измененные и дистрофические. Для каждой клетки вычислялись следующие параметры: Площадь, Округлость и Структурная сложность ядра. Данные параметры использовались для обучения классификатора RandomForestClassifier с использованием библиотеки scikit learn. Точность классификации составила 68%, при этом наиболее значимым признаком оказалась структурная сложность ядра. Предложенный классификатор может служить основой для автоматической системы анализа нейронов в микропрепаратах головного мозга.
Издательство
- Издательство
- ДУБНА
- Регион
- Россия, Дубна
- Почтовый адрес
- 141980 г.Дубна Московской обл., ул.Университетская, 19
- Юр. адрес
- 141980 г.Дубна Московской обл., ул.Университетская, 19
- ФИО
- Деникин Андрей Сергеевич (ИСПОЛНЯЮЩИЙ ОБЯЗАННОСТИ РЕКТОРА)
- E-mail адрес
- rector@uni-dubna.ru
- Контактный телефон
- +8 (496) 2166001