Статья: ОРГАНИЗАЦИЯ ДИСТАНЦИОННОГО УПРАВЛЕНИЯ И МОНИТОРИНГА В ЛАБОРАТОРИИ 3D-МОДЕЛИРОВАНИЯ И ПЕЧАТИ НА БАЗЕ ЛОКАЛЬНОЙ СЕТИ (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 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 решению задачи прореживания нейронной сети, целью которой является уменьшение количества параметров сети при сохранении высокой точности ее работы на тестовой выборке. Проводится обзор существующих методов прореживания, которые принадлежат к разным группам подходов в зависимости от их свойств, таких как зависимость от входных данных и необходимость рассмотрения каналов сети в совокупности. Для решения поставленной задачи предлагаются подходы к сравнению каналов сети, на основе результатов которого происходит выбор удаляемых параметров. Подходы основаны на выборе эффективной метрики оценки близости каналов и кластеризации каналов. Описываются методы прореживания с использованием предложенных подходов. Рассматриваются детали программной реализации методов. Приводятся результаты экспериментального исследования эффективности предложенных методов.

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.