Научный архив: статьи

Для определения и извлечения сущностей и связей используются методы анализа текста, такие как метод обнаружения именованных сущностей и метод классификации ролей. Для повышения точности и эффективности извлечения применяются такие методы, как метод опорных векторов и метод условных случайных полей. Предложенный подход демонстрирует многообещающие результаты в точной и эффективной разметке образовательных материалов на математические термины.

Рассматривается задача модерации комментариев с фильтрацией негативного контента. Используется фреймворк PySpark для анализа тональности комментариев на основе библиотеки Apache Spark. Алгоритм считывает текст комментария и определяет его эмоциональный окрас. Инструментарий может использоваться на образовательных веб-сервисах, где можно фильтровать негативные комментарии и предотвращать их появление на сайте, что в свою очередь улучшает качество контента и безопасность для пользователей.

В статье исследуется применение нейронных сетей для решения вариационных неравенств. Проведены эксперименты, в рамках которых разработаны архитектуры нейронных сетей разной сложности. Эти архитектуры успешно решают широкий спектр задач, включая системы уравнений и неравенств, а также вариационные неравенства. Более быстрые и точные методы решения вариационных неравенств могут существенно повысить эффективность вычислительных процессов и оптимизацию систем. Результаты экспериментов свидетельствуют о перспективности использования нейронных сетей в этой области и могут послужить основой для дальнейших исследований и разработок.

В данной статье рассматривается способ решения задачи матчинга в сфере обработки естественного языка при помощи ранжирующих моделей. В ходе проведения исследования был подготовлен размеченный набор данных, на основе которого обучена модель машинного обучения для решения задачи ранжирования; реализована персональная метрика оценки качества работы обученной модели. Качественное решение задачи матчинга средствами машинного обучения позволит минимизровать или исключить работу человека в процессе сопоставления объектов, схожих по своему смыслу, но различных по своему текстовому или признаковому описанию.

В данной статье рассматривается применение нейронных сетей LSTM для прогнозирования потребления электроэнергии. Для обучения и тестирования модели использовались данные о потреблении электроэнергии за несколько лет. Для повышения качества прогнозирования были проведены эксперименты с различными параметрами нейронной сети, такими как число нейронов и глубина истории данных. Результаты показали, что нейронная сеть LSTM обеспечивает высокую точность прогнозирования объемов потребления электроэнергии на основе статистических данных. Эти результаты могут быть полезными для энергетических компаний и государственных органов, занимающихся прогнозированием и планированием энергетических потребностей.

В статье рассматривается проектирование и реализация построения рекомендаций в web-приложении онлайн-библиотеки. Исследуются такие методы построения рекомендаций, как контентная и коллаборативная фильтрации, и возможные варианты их реализации. В числе исследованных вариантов - такие методы машинного обучения, как кластеризация и регрессия, представленные тематическим моделированием и прогнозированием предпочтений, и в статье описываются алгоритмы, лежащие в основе каждого из выбранных методов, а также представляются результаты работы полученных моделей. Разработанное решение реализовано в виде сервиса онлайн-библиотеки и помогает пользователям с поиском интересующей их литературы среди книг, размещенных на ресурсе.

Задача извлечения структурированных данных из слабоструктурированного текстового представления информации является трудоёмкой, но актуальной. В статье рассмотрена задача структурирования данных для формирования дескрипторной модели студента с его компетенциями. Разработано решение, которое показывает хорошие результаты при условии, что в наличии есть большое количество данных для обучения. Данное решение можно переработать и распространить на другие области, например, проектную деятельность.

В настоящем исследовании рассматривается проблема разработки системы мониторинга и анализа инвестиционной привлекательности субъекта Российской Федерации на основе технологий Big Data. Актуальность данной темы обусловлена необходимостью привлечения инвестиций в экономику регионов и повышения их конкурентоспособности в условиях глобализации и цифровизации. Цель исследования заключается в создании эффективной системы мониторинга и анализа инвестиционной привлекательности субъекта РФ, способной обрабатывать и анализировать огромные массивы структурированных и неструктурированных данных из различных источников, таких как государственные информационные системы, социальные сети, новостные порталы, данные геолокации и др. В работе применяются методы интеллектуального анализа данных (data mining), машинного обучения, статистического анализа, а также технологии распределенной обработки данных (Hadoop, Spark). Предложена архитектура системы, включающая модули сбора, предобработки, хранения, анализа данных и визуализации результатов. Разработана методика оценки инвестиционной привлекательности региона на основе комплексного анализа более 150 показателей, характеризующих экономический потенциал, инфраструктуру, человеческий капитал, инновационную активность и инвестиционный климат субъекта РФ. С помощью методов машинного обучения (Random Forest, Gradient Boosting) построены прогнозные модели, позволяющие оценивать инвестиционную привлекательность региона на краткосрочную и долгосрочную перспективу. Апробация разработанной системы проведена на примере Новосибирской области. Результаты анализа показали, что Новосибирская область входит в топ-15 регионов РФ по уровню инвестиционной привлекательности, однако имеет ряд проблемных зон, в частности, недостаточно развитую транспортно-логистическую инфраструктуру и дефицит высококвалифицированных кадров в сфере IT. На основе полученных результатов даны рекомендации по повышению инвестиционной привлекательности региона. Разработанная система мониторинга и анализа на основе технологий Big Data может быть масштабирована и адаптирована для других субъектов РФ, что будет способствовать повышению эффективности управленческих решений в сфере инвестиционной политики и экономического развития регионов.

В эпоху стремительного развития цифровых технологий и растущей конкуренции на рынке, компании все чаще стремятся оптимизировать процессы обслуживания клиентов и повысить качество сервиса. Одним из наиболее перспективных инструментов для достижения этих целей является искусственный интеллект (ИИ). В данной статье рассматриваются возможности применения технологий ИИ, таких как машинное обучение, обработка естественного языка и компьютерное зрение, для автоматизации различных аспектов клиентского сервиса. Материалы и методы исследования включают анализ существующих научных публикаций, отчетов отраслевых экспертов и кейсов внедрения ИИ в сфере обслуживания клиентов. Проведен систематический обзор литературы с использованием баз данных Scopus, Web of Science и Google Scholar. Ключевыми критериями поиска были термины «искусственный интеллект», «машинное обучение», «обслуживание клиентов», «качество сервиса». Из первоначальной выборки в 647 публикаций были отобраны 54 наиболее релевантные статьи для детального анализа. Результаты исследования демонстрируют, что внедрение технологий ИИ позволяет существенно повысить эффективность и скорость обслуживания клиентов, снизить операционные расходы и улучшить клиентский опыт. Так, использование чат-ботов на базе обработки естественного языка дает возможность автоматизировать до 80% типовых клиентских запросов, сократив среднее время ответа с 5-10 минут до 1-2 минут. Алгоритмы машинного обучения, анализирующие историю взаимодействия с клиентами, помогают персонализировать коммуникации и повысить конверсию маркетинговых кампаний на 15-20%. Компьютерное зрение успешно применяется для биометрической идентификации клиентов и повышения безопасности транзакций. В статье приводятся конкретные примеры использования ИИ такими компаниями, как Amazon, Sberbank, Alibaba, Uber

В эпоху стремительного развития цифровых технологий и растущей конкуренции на рынке, компании все чаще стремятся оптимизировать процессы обслуживания клиентов и повысить качество сервиса. Одним из наиболее перспективных инструментов для достижения этих целей является искусственный интеллект (ИИ). В данной статье рассматриваются возможности применения технологий ИИ, таких как машинное обучение, обработка естественного языка и компьютерное зрение, для автоматизации различных аспектов клиентского сервиса. Материалы и методы исследования включают анализ существующих научных публикаций, отчетов отраслевых экспертов и кейсов внедрения ИИ в сфере обслуживания клиентов. Проведен систематический обзор литературы с использованием баз данных Scopus, Web of Science и Google Scholar. Ключевыми критериями поиска были термины «искусственный интеллект», «машинное обучение», «обслуживание клиентов», «качество сервиса». Из первоначальной выборки в 647 публикаций были отобраны 54 наиболее релевантные статьи для детального анализа. Результаты исследования демонстрируют, что внедрение технологий ИИ позволяет существенно повысить эффективность и скорость обслуживания клиентов, снизить операционные расходы и улучшить клиентский опыт. Так, использование чат-ботов на базе обработки естественного языка дает возможность автоматизировать до 80% типовых клиентских запросов, сократив среднее время ответа с 5-10 минут до 1-2 минут. Алгоритмы машинного обучения, анализирующие историю взаимодействия с клиентами, помогают персонализировать коммуникации и повысить конверсию маркетинговых кампаний на 15-20%. Компьютерное зрение успешно применяется для биометрической идентификации клиентов и повышения безопасности транзакций. В статье приводятся конкретные примеры использования ИИ такими компаниями, как Amazon, Sberbank, Alibaba, Uber

В данной статье рассматриваются перспективы применения технологий искусственного интеллекта (ИИ) для оптимизации технологических процессов в производстве. Целью исследования является анализ возможностей и ограничений использования ИИ в промышленности, а также выявление наиболее перспективных направлений его внедрения. В качестве материалов и методов исследования использовались обзор научной литературы по теме, анализ существующих примеров применения ИИ в производстве, а также экспертные интервью со специалистами в области ИИ и промышленного производства. Был проведен систематический поиск релевантных научных публикаций в базах данных Scopus, Web of Science и Google Scholar за период с 2010 по 2023 год. Ключевыми словами для поиска были «искусственный интеллект», «машинное обучение», «оптимизация производства», «промышленность 4.0» и др. Из найденных 2347 публикаций после анализа аннотаций было отобрано 156 наиболее релевантных работ для детального изучения. Кроме того, было проведено 12 глубинных интервью с экспертами длительностью от 40 до 90 минут. Результаты исследования показали, что применение ИИ позволяет значительно повысить эффективность производственных процессов. Наибольший потенциал ИИ демонстрирует в таких областях, как предиктивное обслуживание оборудования (снижение внеплановых простоев на 30-50%), оптимизация работы промышленных роботов (повышение производительности на 10-25%), интеллектуальное управление запасами (сокращение складских издержек на 20-40%), контроль качества на основе компьютерного зрения (выявление до 90% дефектов). Однако для успешного внедрения ИИ необходимо преодолеть ряд барьеров, в числе которых недостаток качественных данных для обучения моделей, дефицит квалифицированных кадров на стыке ИИ и производства, высокая стоимость решений и интеграции. В среднем внедрение комплексных систем ИИ на производстве занимает от 1 до 3 лет и окупается за 2-5 лет

В настоящем исследовании рассматриваются вопросы разработки и апробации интеллектуальных систем управления (ИСУ), нацеленных на повышение производительности различных технологических процессов. Актуальность данной темы обусловлена стремительным развитием информационных технологий и возрастающей потребностью в оптимизации производственных циклов для достижения максимальной эффективности и конкурентоспособности предприятий. Цель работы заключается в исследовании потенциала применения ИСУ для усовершенствования технологических процессов и разработке практических рекомендаций по их внедрению. Материалы и методы исследования включают в себя анализ существующих подходов к проектированию ИСУ, моделирование различных сценариев их функционирования, а также проведение экспериментов на реальных производственных объектах. В частности, были изучены такие методы, как нейронные сети, нечеткая логика, генетические алгоритмы и машинное обучение. Для апробации разработанных ИСУ были выбраны три предприятия различных отраслей промышленности: металлургический завод, нефтеперерабатывающий комплекс и фармацевтическая компания. Результаты исследования показали, что внедрение ИСУ позволяет значительно повысить производительность технологических процессов. Так, на металлургическом заводе удалось сократить время плавки стали на 12%, а расход энергоресурсов – на 8%. На нефтеперерабатывающем комплексе оптимизация работы установки каталитического крекинга привела к увеличению выхода светлых нефтепродуктов на 5,6%. В фармацевтической компании применение ИСУ для управления процессом синтеза активных веществ позволило на 20% снизить количество бракованной продукции и на 15% сократить время производственного цикла. Полученные результаты демонстрируют высокую эффективность использования интеллектуальных систем управления для оптимизации технологических процессов и открывают широкие перспективы для их дальнейшего применения в различных отраслях промышленности.