Научный архив: статьи

Статья раскрывает нормативную базу работы государственной системы, направленной на выявление, предотвращение и устранение последствий кибератак на информационные ресурсы Российской Федерации. Автором представлена нотация процесса обнаружения таких атак в соответствии с серией стандартов ГОСТ 59709-59712. Предложена модификация методики выявления компьютерных атак, которая в отличие от существующих подходов, основанных на сигнатурном анализе, включает использование алгоритмов машинного обучения. В результате исследования сформулирована гибридная методика выявления компьютерных инцидентов, которая содержит формализованную нотацию процессов, обеспечивающую соответствие требованиям национальных стандартов и механизмы предиктивного анализа на основе машинного обучения.

В статье исследуется проблема внедрения технологий искусственного интеллекта в систему государственной службы Российской Федерации как инструмента оптимизации процессов принятия управленческих решений. Представлен анализ существующих подходов к определению сущности искусственного интеллекта и предложено авторское видение данного понятия. Рассмотрена взаимосвязь федеральных проектов «Цифровое государственное управление» и «Искусственный интеллект» в рамках национальной программы «Цифровая экономика». Определены ключевые направления и механизмы внедрения технологий искусственного интеллекта в государственное управление, включая создание специализированной платформы предиктивной аналитики. Проанализирован опыт Германии по использованию искусственного интеллекта в финансовом секторе государственного управления и предложены рекомендации по его адаптации к российским условиям. Представлены конкретные шаги по созданию комплексной системы использования искусственного интеллекта в государственной службе РФ с учетом требований информационной безопасности и защиты персональных данных.

В современной корпусной лингвистике экспоненциальный рост объемов текстовых данных сделал невозможной их ручную разметку, что стало ключевым вызовом для дальнейшего развития корпусной лингвистики. Настоящая статья представляет краткий обзор ключевых методов машинного обучения, применяемых для внутритекстовой разметки в крупных лингвистических корпусах, с фокусом на русскоязычных проектах. В работе рассматриваются современные лингвистически аннотированные корпуса русского языка (Национальный корпус русского языка, Генеральный интернет-корпус русского языка и др.) и анализируются подходы к их автоматической разметке: от ранних словарных и статистических методов, таких как MyStem, PyMorphy2, TreeTagger, до современных нейросетевых архитектур, применяемых для лемматизации, морфосинтаксического, словообразовательного и семантического анализа. Показано, что применение машинного обучения, особенно предобученных языковых моделей, позволило достичь высокой точности, сопоставимой с экспертным уровнем, для наиболее актуальных видов лингвистической разметки. Это открывает новые возможности для создания корпусов беспрецедентного масштаба и проведения лингвистических исследований на по-настоящему крупных массивах данных. В то же время отмечено, что при подобных объемах корпусов даже незначительное отклонение точности разметки от идеальной приводит в абсолютном выражении к миллионам ошибок, что делает необходимым критическое осмысление получаемых при анализе автоматически размеченных корпусов результатов.

В статье рассматривается педагогический потенциал искусственного интеллекта в обучении иностранному языку. Приводятся научно-исследовательские дефиниции искусственного интеллекта, освещаются подходы к возможностям и перспективности использования искусственного интеллекта в образовательной системе в целом и в иноязычном образовании в частности. Внимание уделяется как достоинствам искусственного интеллекта, так и связанных с его внедрением в учебный процесс рискам. Автор посредством SWOT-анализа определяет преимущества и недостатки использования чатботов, способных к ведению диалогов и генерации языкового материала, при обучении иностранному языку студентов вузов. К сильным сторонам отнесено положительное влияние на рост скорости и качества развития языковых навыков студентов. Слабой стороной является потенциальная утрата самостоятельности и креативности студентов, неполнота и шаблонность генерируемого материала. Внедрение технологий искусственного интеллекта в языковое обучение позволяет устранить разницу учебных возможностей в отдельных регионах и учебных заведениях. Беспрепятственность использования внушительного функционала технологий искусственного интеллекта является потенциальной причиной роста недобросовестности студентов при выполнении языковых задач. Обнаружено, что искусственный интеллект не является альтернативной привычному учебно-образовательному процессу, представляя собой факультативный, но эффективный инструмент, способствующий оптимальной и продуктивной его организации. При условии адекватности и продуманности механизма внедрения искусственного интеллекта в языковой учебный процесс, такой подход благоприятно повлияет на рост интереса и учебной мотивации обучающихся вуза, существенное повышение их языковых навыков и умений.

Цель исследования: изучение и оценка теоретических источников, направленных на разработку проблематики нейросетевых технологий, обобщение достоинств и слабых сторон. языковой модели ChatGPT с ИИ. В настоящей работе анализируется смысловое содержание термина «ИИ», основные вектора его интеграции в современную образовательную сферу, достоинства и недостатки использования ИИ в высшем образовании.

В данной статье рассматриваются теоретические и практические аспекты управления запасами готовой продукции на предприятии с серийным производством. Актуальность исследования обусловлена необходимостью повышения эффективности управления ресурсами в условиях расширяющегося ассортимента и нестабильного спроса. В работе анализируются классические методы управления запасами, включая модель Уилсона, ABC–XYZ-анализ и современные подходы, основанные на методах машинного обучения и интеллектуального анализа данных. Разработана комплексная модель прогнозирования спроса и управления запасами, реализованная на языке Python с использованием алгоритмов Prophet и CatBoost, интегрируемая с платформой «1С: Предприятие». Проведен сравнительный анализ эффективности традиционного и интеллектуального подходов, продемонстрировано снижение издержек на хранение и улучшение точности планирования. Модель позволяет адаптивно реагировать на изменения рыночной конъюнктуры и оптимизировать логистические процессы, обеспечивая устойчивость производственной системы.

В статье исследуются методы оптимизации управления многослойными криогенными системами с вакуумной изоляцией и азотным экраном с применением алгоритмов машинного обучения. Основное внимание уделяется минимизации потерь криогенных про-дуктов, повышению надежности хранения и транспортировки, а также интерпретируемости моделей для обоснованного принятия решений. Проведен анализ критически значимых технико-организационных параметров, влияющих на эксплуатацию криогенных систем, и рассмотрены подходы к адаптации алгоритмов машинного обучения с учетом специфики работы в экстремальных температурных условиях. Исследование включает разработку и валидацию алгоритмов прогнозирования параметров системы, таких как уровень и давление жидкого гелия, с использованием методов линейной регрессии, решающих деревьев и градиентного бустинга. Рассмотрены вопросы предобработки данных, включая устранение выбросов, заполнение пропусков и генерацию новых признаков, что позволяет повысить точность прогнозирования. Также сформулированы рекомендации по интеграции интеллектуальных алгоритмов в системы управления, обеспечивающие их промышленную применимость. Практическая значимость работы заключается в разработке стандартизированных протоколов внедрения алгоритмов машинного обучения, направленных на улучшение энерго-эффективности и устойчивости работы криогенных систем. Результаты исследования могут быть использованы при проектировании новых криогенных систем и модернизации су-ществующих инфраструктурных комплексов, что способствует повышению надежности и снижению эксплуатационных затрат.

В статье представлено описание программного обеспечения (ПО), предназначенного для оценки факторов риска развития сердечно-сосудистых заболеваний на основе интеллектуальной модели, для разработки которой использовались данные более 5 000 работников компаний топливно-энергетического комплекса, работающих в условиях Крайнего Севера вахтовым методом. Одним из преимуществ ПО является объяснимая искусственная интеллекция для интерпретации предсказаний модели: графики, показывающие, какие переменные наиболее сильно влияли на прогноз; локальные объяснения – возможность для каждого конкретного прогноза понять, какие факторы «подтолкнули» модель к данному решению; анализ ошибок; интерактивная визуализация результатов.

В эпоху цифровизации отзывы пользователей стали ценным источником информации для бизнеса, особенно в сфере общественного питания. Автоматическая классификация отзывов открывает перед ресторанами и аналитическими компаниями новые горизонты. Она позволяет быстро обрабатывать большие объемы данных, выявлять тенденции и улучшать качество услуг. Однако, разнообразие методов классификации - от традиционных до современных нейросетевых - требует тщательного анализа их эффективности.

Процесс прогнозирования цен на недвижимость включает в себя анализ множества факторов, которые могут варьироваться от экономических до социальных. Важной задачей является то, каким образом алгоритмы машинного обучения могут быть адаптированы для обработки различных видов данных, таких как историческая информация, рыночные тренды, данные о расположении и характеристиках объектов, а также внешние факторы, такие как состояние экономики или законодательные изменения.

В статье проведен обзор и анализ существующих технологий оценки усталости водителя (субъективные методы самооценки, физиологические методы, методы на основе измерения физических показателей, поведенческие методы, использование систем, регистрирующих режим работы и отдыха водителя). Выявлены достоинства и ограничения применения существующих методов. Рассмотрены методы машинного обучения, обоснована возможность их применения с целью разработки алгоритмов оценки усталости водителя.

Разведка на основе открытых источников (OSINT) является краеугольным камнем современного аудита информационной безопасности и операций красных команд (red teaming), обеспечивая выявление цифровых активов организации с использованием общедоступных данных. Однако существующие инструменты OSINT часто генерируют избыточное количество ложноположительных результатов при попытке связать IP-адреса и доменные имена с искомыми организациями. В статье предлагается система фильтрации на основе методов машинного обучения, существенно снижающая уровень ложных срабатываний в выборках, полученных с использованием OSINT. Система формирует высокоразмерные векторы признаков на основе данных WHOIS, метаданных DNS, SSL-сертификатов и содержимого веб-страниц. С использованием ансамблевого классификатора на основе градиентного бустинга достигается высокая точность атрибуции при сохранении устойчивости к разнообразным типам инфраструктуры. Эксперимент проведен на более чем 30 000 реальных цифровых объектов, собранных от семи организаций, и показал значительное повышение точности атрибуции, подтверждая практическую применимость предлагаемого подхода для обеспечения информационной безопасности.

Традиционные методы гидрологического прогнозирования, основанные на линейных зависимостях между снегозапасами, осадками и стоком, часто демонстрируют недостаточную точность, особенно в условиях изменчивого климата и экстремальных гидрометеорологических явлений. В данной статье проведен анализ эффективности классических подходов на примере реки Пур (пос. Самбург), который выявил значительные погрешности в прогнозах слоя стока (до 27 %), объема половодья (до 29 %) и максимальных расходов воды (до 105 %). Эти результаты подчеркивают ограниченность существующих методов и необходимость внедрения современных технологий.

В качестве альтернативы рассмотрено применение нейросетевых моделей, способных учитывать нелинейные взаимосвязи. Нейросети продемонстрировали высокую точность прогнозирования с погрешностью 5 см для максимальных уровней воды. Их ключевые преимущества включают адаптивность к новым данным и устойчивость к аномальным условиям.

Результаты исследования подтверждают, что нейросетевые методы могут быть успешно использованы в оперативной практике для улучшения гидрологических прогнозов. В статье также предложены рекомендации по внедрению гибридных подходов, сочетающих физико-статистические модели с машинным обучением, и развитию автоматизированных систем мониторинга. Переход к технологиям искусственного интеллекта представляет собой важный шаг в повышении надежности прогнозов и минимизации рисков, связанных с половодьями и другими гидрологическими явлениями.