Статья: ИССЛЕДОВАНИЕ ВЛИЯНИЯ МЕТОДА СРАВНЕНИЯ КАНАЛОВ НА ЭФФЕКТИВНОСТЬ АЛГОРИТМОВ ПОКАНАЛЬНОГО ПРОРЕЖИВАНИЯ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ (2025)

Статья посвящена исследованию возможностей искусственного интеллекта (ИИ) для автоматизации рутинных задач педагогов с целью повышения качества и эффективности учебного процесса. Рассмотрены ключевые направления применения ИИ, такие как автоматизация проверки заданий, адаптивное обучение, персонализированная обратная связь и администрирование. Особое внимание уделено практическим примерам внедрения ИИ-технологий в образовательные учреждения. Результаты исследования демонстрируют, что использование ИИ позволяет оптимизировать рабочую нагрузку педагогов, улучшить взаимодействие с учащимися и повысить общую результативность образовательного процесса.

В статье рассматривается проблема резкого роста нагрузки на образовательные платформы в пиковые периоды активности во время экзаменов и начала учебного года, что приводит к перебоям в работе сервисов. В ходе исследования проведен анализ основных причин деградации производительности и предложены механизмы поддержания стабильной работы системы: резервирование ресурсов, автоматическое масштабирование в облаке, трехуровневое кэширование и оптимизация стратегий хранения и обработки данных. Особое внимание уделено возможностям внедрения описанных механизмов в архитектуру существующих систем. Реализация предложенного решения позволит устранить проблемные места и увеличит надежность и производительность образовательной платформы, при этом экономично затрачивая ресурсы.

В статье рассматриваются современные подходы к организации дистанционного управления и мониторинга в лаборатории 3D-моделирования и печати на базе локальной сети. Особое внимание уделяется вопросам автоматизации процесса, удаленного контроля параметров печати и диагностики оборудования. Анализируются существующие решения и перспективы их применения в образовательных учреждениях. Результаты данной работы могут повысить эффективность 3D-печати и лаборатории в целом и расширить возможности взаимодействия между участниками образовательного процесса.

В статье рассматривается концепция подключаемой рекомендательной системы заданий, предназначенной для персонализации образовательного процесса. В условиях цифровой трансформации образования традиционные образовательные платформы и системы управления обучением (LMS) часто не предоставляют достаточно гибких инструментов для адаптации контента под индивидуальные потребности студентов. В ответ на эту проблему предлагается создание рекомендательной системы, которая интегрируется с внешними образовательными модулями, такими как тренажеры, и использует цифровой профиль студента для анализа его образовательных потребностей. Цифровой профиль включает академические данные, поведенческие паттерны и психолого-физиологические показатели, что позволяет системе более точно прогнозировать потребности учащегося и предлагать соответствующие задания. Также рассматриваются методы кластеризации, используемые для группировки студентов с похожими характеристиками, и проблемы, связанные с «холодным стартом» системы. Описанная архитектура системы, основанная на модульности и масштабируемости, позволяет гибко интегрировать различные образовательные сервисы и обеспечивать персонализированное взаимодействие с учащимися. Разработанная система обещает значительно повысить эффективность учебного процесса, улучшая подход к обучению каждого студента.

Рассмотрены возможности применения интеллектуальной системы управления (ИСУ) беспилотным воздушным судном (БВС). Подробно представлены этапы проектирования встраиваемой ИСУ на основе технологии квантовых и мягких вычислений. В частности, описывается возможность обучения реального БВС со встроенным генетическим алгоритмом, раскрыты варианты применения математического моделирования для извлечения обучающего сигнала. Особое внимание уделено программным инструментариям - «Оптимизаторам баз знаний на мягких и квантовых вычислениях», которые применяются для проектирования встраиваемой самоорганизующейся квантовой ИСУ в непредвиденных ситуациях управления. Представлены эффекты полученные за счет применения квантовых самоорганизующихся контроллеров, встроенных в контур управления ИСУ. Показано квантовое преимущество и превосходство ИСУ над классическими и нечеткими системами управления.

Рассмотрена цель машинного обучения состоит в том, чтобы обучить компьютер извлекать определенные свойства из заданного набора данных без явного кодирования или набора правил, а затем использовать полученные результаты для изучения этих свойств в новых данных в целях прогнозирования, классификации или построения модели исследуемого объекта. Обсуждаются наиболее популярные модели машинного обучения такие как контролируемое обучение (supervised learning) или обучение с учителем, при котором машина предварительно обучается с использованием некоторых помеченных данных. Другие формы обучения, такие как неконтролируемое и с подкреплением (unsupervised and reinforced), также широко изучались и применялись в различных областях. Тремя наиболее широко используемыми алгоритмами контролируемого машинного обучения, относящимися к квантовым вычислениям, являются (a) нейронная сеть (NN - neural networks) для синтеза квантовой логики, физического отображения и декодирования квантовых ошибок, протокол QKD (quantum key distribution), квантовый ускоритель ML, квантовые нейронные сети (QNN - quantum neural networks); (б) Обучение с подкреплением (RL) для декодирования квантовых ошибок и (в) Метод опорных векторов (или SVM - support vector machine) для квантового машинного обучения. В исследовании также обсуждаются различные модели обучения ML, включая метод случайного поиска для квантовой коммуникации. Работа рассчитана на повышение квалификации ИТ - специалистов, применяющих методы «сильного» ИИ.

Работа посвящена проблеме повышения эффективности масочного автоэнкодера за счет разработки стратегии маскирования изображений, которая учитывала бы расположение объектов на изображении и позволяла бы скрыть как можно меньше семантически важной информации. В статье представлен обзор существующих методов маскирования изображений, включая стратегии как с учетом, так и без учета структуры изображения. Предложена стратегия наложения масок на основе алгоритма поиска объектов, анализирующего элементарные характеристики фрагментов изображений. Исследование проводится на примере масочного автоэнкодера с ViT в качестве энкодера. Сравнивается эффективность обучения энкодера с использованием предложенной стратегии и с использованием стратегии случайного маскирования изображений.

В работе рассматривается один из этапов определения кода товарной номенклатуры внешнеэкономической деятельности для товаров, входящих в целевую группу «обувь», состоящий в анализе изображений товарных позиций, присутствующих в сопроводительных документах. Приведено обоснование применения сверточных нейронных сетей для классификации изображений. Рассмотрены возможные подходы к построению специализированных нейросетевых классификаторов. Проведен сравнительный анализ эффективности подходов, основанных на дообучении существующих классификаторов (transfer learning) и на построении сверточных сетей, обученных только на размеченных данных выбранного товарного ассортимента. Исследованы вопросы получения обучающей выборки путем парсинга специализированных сайтов и получения элементов выборки с помощью систем искусственного интеллекта, специализирующихся на генерации изображений по запросу.