Научный архив: статьи

Проведено аналитическое исследование проблемы предупреждения аварийных ситуаций и предиктивной диагностики оборудования при добыче углеводородов на нефтегазовых месторождениях, а также способов решения данной проблемы путем использования искусственного интеллекта, основанного на глубоких нейронных сетях. Одним из ключевых факторов, сдерживающих развитие систем предиктивной диагностики оборудования, является недостаток данных, описывающих предаварийные ситуации, которые необходимы для качественного обучения нейросетевых моделей. Приводится обзор публикаций и исследований последних лет по тематике анализа телеметрических данных и распознавания аварийных ситуаций. Рассматриваются нейросетевые модели, которые могут быть использованы для прогнозирования выхода из строя насосно-компрессорного оборудования и других агрегатов. Изучены случаи применения нейросетевых моделей, специально обученных для решения данной задачи, а также нейросетевые модели, используемые в иных задачах, но анализирующие схожие структуры данных. Поднимается вопрос переноса обучения, чтобы адаптировать нейросетевые модели, изначально разработанные и обученные для других областей, к использованию в рассматриваемой области, в целях уменьшения объема выборки при обучении промышленного искусственного интеллекта. Проведено сравнение достигнутых результатов, обозначены преимущества и недостатки существующих технических решений.

Процедура рентгенологического анализа в настоящее время позволяет выявить остеоартрит (ОА) на ранних стадиях заболевания. Наличие или отсутствие заболевания выявляется только на той стадии, когда оно уже проявилось и проведена рентгенологическая диагностика. Использование автоматизированных процедур анализа рентгенологических снимков, наличие архивов такой информации с длительной историей позволяют улучшить результаты прогнозирования осложнений у пациентов. В статье описывается опыт разработки приложения компьютерного анализа рентгенограмм, которое на основе методов глубокого обучения позволяет выявлять риски развития остеоартрита тазобедренного сустава. В качестве обучающей выборки используется архив профильного медицинского института. С целью увеличения размера обучающего набора рентгенограмм используется метод аугментации данных, который повышает вариативность исходных данных, в ряде случаев повышает эффективность распознавания. В работе используется конволюционная сеть (U-сеть), предназначенная для сегментации изображений, которая обучается на рентгенограммах конкретного медицинского учреждения. В рамках проекта по сегментации и анализу геометрических характеристик рентгеновских снимков тазобедренных суставов было разработано программное обеспечение, позволяющее автоматизировать распознавание размера суставной щели, что позволяет уточнить диагноз пациента, прогноз развития патологии.

Объектом исследования является технология федеративного обучения, которая позволяет осуществлять коллективное машинное обучение на распределенных обучающих наборах данных без их передачи в единое хранилище. Актуальность данной технологии обусловлена, с одной стороны, давно растущим трендом на использование машинного обучения для решения множества прикладных задач, а с другой - ростом запросов, в том числе законодательных, на приватность и обработку данных ближе к источнику или непосредственно на нем. Основными проблемами при создании систем федеративного обучения являются отсутствие гибких фреймворков для различных сценариев федеративного обучения: большинство существующих решений сосредоточено на обучении искусственных нейронных сетей в централизованной вычислительной среде. Предмет исследования - универсальная архитектура фреймворка для разработки прикладных систем федеративного обучения, позволяющая строить системы для разных сценариев, различных параметров и топологий вычислительной среды, моделей и алгоритмов машинного обучения. В статье рассмотрена предметная область федеративного обучения, даны основные определения и описан процесс федеративного обучения, приведены и разобраны различные сценарии возможных прикладных задач. Проведен анализ наиболее известных на данный момент фреймворков федеративного обучения, а также их применения для возможных сценариев использования. В качестве результата описана архитектура универсального фреймворка, который, в отличие от существующих, может быть использован для разработки прикладных систем федеративного обучения разного типа и разных сценариев использования.

В статье рассматриваются разработанные методы детектирования и классификации объектов в транспортном потоке на данных космической съемки сверхвысокого пространственного разрешения. С появлением в свободном доступе больших объемов спутниковых данных все большую актуальность приобретает развитие методов машинного обучения на основании геопространственных данных, в частности, спутниковых. В настоящей работе обоснован выбор источника данных о транспортных потоках - спутниковых снимков сверхвысокого разрешения, рассмотрены основные проблемы и задачи, связанные с распознаванием и классификацией объектов. Целью автора является разработка цепочки алгоритмов, позволяющей с высокой точностью детектировать и классифицировать объекты в транспортных потоках. Исследования основаны на численной оценке качества работы алгоритмов. В работе используются методы распознавания образов, машинного обучения и обработки цифровых изображений. Научная новизна заключается в уникальном алгоритме извлечения изображений локальных участков улично-дорожной сети, алгоритме определения направления дорожного движения объекта, модернизации алгоритма селективного поиска. Следует подчеркнуть, что используемые данные съемки сверхвысокого разрешения появились в доступе для частного использования относительно недавно.

В статье рассматривается способ автоматизации оценки состояния электросети в удаленных районах России с использованием смарт-структур. Предлагаемый способ реализован в виде мобильного приложения. Смарт-структура, лежащая в основе данного способа, состоит из модулей получения и обработки данных с датчиков, поиска закономерностей характеристик электросети и формирования классификаторов состояний, рекомендаций по ремонту и оптимальному режиму эксплуатации электросети и подстанции. Научная новизна предлагаемого решения заключается в методе анализа и обработки характеристик электросети и их совокупностей. Кроме того, учитываются параметры внешних воздействий в виде природных и техногенных факторов. Метод анализа и обработки информации об электросети и подстанции основан на машинном обучении - логическом анализе данных. Оценка состояния электросети и подстанции важна при исследовании и решении задач прогнозирования изменения состояния электросети, подбора рекомендаций и принятия решений о ремонтных и обслуживающих работах. Метод оценки состояния электросети основан на поиске закономерностей и построении классификаторов и позволяет учитывать все характеристики и параметры электросети, их совокупность и связи между ними. Он также дает возможность анализировать и получать закономерности для неполных и неточных данных, с чем достаточно часто приходится сталкиваться в реальных электросетях. Метод может быть использован при проектировании и обслуживании электросетей и подстанции в труднодоступных и удаленных регионах Российской Федерации. Предлагаемая редукция закономерностей характеристик и их совокупностей на основе их рекуррентной конъюнкции позволяет получать оптимальные классификаторы состояний электросети и подстанции с высокой интерпретируемостью и обобщенностью, что увеличивает точность оценки состояния электросети и, как следствие, точность прогноза поведения, рекомендаций и принятия решений о ремонтных работах и оптимальном режиме эксплуатации.

В статье представлен метод классификации изображений с использованием, помимо базовой нейронной сети, дополнительной, способной адаптивно концентрироваться на классифицируемом объекте изображения. Задача дополнительной сети является задачей о контекстном многоруком бандите и сводится к предсказанию такой области на исходном изображении, при вырезании которой в процессе классификации возрастет уверенность базовой нейронной сети в принадлежности объекта на изображении правильному классу. Обучение дополнительной сети происходит с помощью методов обучения с подкреплением и стратегий достижения компромисса между эксплуатацией и исследованием при выборе действий для решения задачи о контекстном многоруком бандите. На подмножестве набора данных ImageNet-1K проведены различные эксперименты по выбору архитектуры нейронной сети, алгоритма обучения с подкреплением и стратегии исследования при обучении. Рассмотрены такие алгоритмы обучения с подкреплением, как DQN, REINFORCE и A2C, и такие стратегии исследования, как -жадная, -softmax, -decay-softmax и метод UCB1. Большое внимание уделено описанию проведенных экспериментов и обоснованию полученных результатов. Предложены варианты применения разработанного метода, демонстрирующие увеличение точности классификации изображений по сравнению с базовой моделью ResNet. Дополнительно рассмотрен вопрос о вычислительной сложности данного метода. Дальнейшие исследования могут быть направлены на обучение агента на изображениях, не задействованных при обучении сети ResNet.

Статья посвящена изучению возможности применения машинного обучения в медико-психологическом сопровождении военнослужащих иностранных государств. Машинное обучение является ветвью искусственного интеллекта. Проведен анализ литературы в базе цитирования PubMed. Выполнялись запросы по ключевым словам: «искусственный интеллект, военнослужащий» и «машинное обучение, военнослужащий» в различных вариантах написания. Из 291 статей отобрано 47, соответствующих тематике медико-психологического сопровождения военнослужащих. В эффективном проведении медико-психологического сопровождения военнослужащих, преимущественно связанного с боевым применением войск, в большей степени заинтересованы военные ведомства США, Дании и Великобритании. Наиболее стабильно учеными применяется методы логистической регрессии, нейронные сети и дерево решений. На данный момент больший интерес у исследователей вызывает применение метода случайного леса, нейронных сетей и ансамблевых методов. Технологи машинного обучения применяются на различных по численности группах обследованных: от 145 до 975057 человек, при расчетах опираются на совокупность предикторов, обладают высокой прогностической способностью, позволяют проводить мероприятия медико-психологического сопровождения и отбора групп риска с высокой эффективностью. Тем не мене, возникает опасность стигматизации определенных групп людей, особенно в случае ложноположительного отнесения человека в группу риска.

Целью научной статьи является представление исследования архитектуры рекомендательного сервиса, разработанного для помощи абитуриентам в выборе направления подготовки в вузе. Главной функцией сервиса выступает предоставление абитуриентам персонализированных рекомендаций по подготовке на основе их предпочтений, интересов, академических достижений и рейтинга учебного заведения. Архитектура базируется на принципе клиент-серверного взаимодействия, когда клиенты могут получать персонализированные рекомендации и взаимодействовать с сервисом через веб-интерфейс. В статье были решены следующие задачи: выполнены архитектурная декомпозиция и описание основных компонентов сервиса; представлен метод машинного обучения, включая алгоритм коллаборативной фильтрации, который применяется в сервисе и позволяет учитывать предпочтения и предложения других абитуриентов с похожими интересами и образовательным профилем; разработаны рекомендации по выбору пользовательского интерфейса для удобного взаимодействия с сервисом; проведены контрольные примеры с целью оценки эффективности работы рекомендательного сервиса. Исследование показывает, что использование метода коллаборативной фильтрации в архитектуре сервиса позволяет достичь высокой точности и удовлетворения абитуриентов при предоставлении рекомендаций по выбору направления подготовки в вузе. Статья имеет практическую значимость, так как представляет собой реальное применение метода машинного обучения и архитектуры сервиса для помощи абитуриентам в выборе направления подготовки. Результаты исследования могут быть полезными для разработки подобных сервисов в образовательной сфере.

В статье рассматривается проблема улучшения методов стилевой классификации русскоязычных текстов. В качестве возможного направления исследований предложен метод оптимизации набора (множества) букв, применяемого для вычисления статистических индексов текстов. Для оптимизации и контроля результатов использованы поэтические и прозаические художественные тексты на русском языке. Объем текстов составлял порядка 300 тысяч знаков при оптимизации и 100 тысяч знаков при контрольной оценке. Для вычисления статистических индексов рассчитывались частотности биграмм и триграмм букв. При оптимизации опробован также и вариант совместного использования индексов биграмм и триграмм. В статье дано краткое описание метода статистических индексов, приведены применявшиеся в исследовании алгоритм пошаговой оптимизации, вид возможной оптимизационной функции и формула для нахождения границы классификации. Показано, что оптимизация набора букв улучшает классификацию по сравнению с вариантом использования как полного набора букв, так и набора из гласных букв в применении к задаче автоматического различения поэтических и прозаических художественных текстов на русском языке. Проведено сравнение результатов классификации по предложенной формуле границы классификации с результатами расчетов по классификации методом ROC-кривых. В итоге для разных сочетаний статистических индексов и способов определения границы классификации интервал верной классификации составил 72-74 % для набора, включающего все буквы, 82-86 % для набора, включающего только гласные буквы, и 80.5-92.5 % для разных наборов букв, полученных при оптимизации.

Цель статьи заключается в теоретическом осмыслении сущности больших данных, в выявлении преимуществ и рисков их использования финансовыми организациями. В статье представлены результаты систематизации знаний о сути и особенностях больших данных. Выявлено, что они позволяют делать более качественные аналитические исследования, создавать модели для прогнозирования экономических тенденций и рыночных изменений, изучать рыночную динамику, анализировать медицинские данные для улучшения диагностики и выбора методов лечения, предсказывать отказ или поломку оборудования в производстве за счет оценки данных с датчиков, разрабатывать социальные и экономические программы на государственном уровне, выявлять мошенничество и коррупцию в финансовом секторе и пр. Обоснована актуальность стремительного развития технологии больших данных и целесообразность ее использования в этой области. В результате анализа научной литературы представлено авторское определение технологии в финансовом секторе, новизна которого заключается в учете особенностей и преимуществ применения больших данных именно финансовыми организациями. Изучение современной практики их использования в этих учреждениях позволило выявить основные сильные стороны, а также недостатки исследуемой технологии.

В настоящей статье рассматриваются аспекты применения методов машинного обучения к существующим способам моделирования поведения интеллектуальных агентов для обеспечения возможности агентам повысить показатели своей эффективности в моделях конкуренции. Практическая значимость исследования представлена разработкой подхода к моделированию поведения интеллектуальных агентов, за счет которого можно повысить эффективность их функционирования в таких сферах деятельности, как компьютерные игры, разработка беспилотных летательных аппаратов и поисковых роботов, изучение городской и транспортной мобильности, а также в прочих сложных системах. Проведен обзор существующих методов машинного обучения (обучение с подкреплением, глубокое обучение, Q-обучение) и способов моделирования поведения агентов (модель на правилах, конечно-автоматная модель поведения, деревья поведения). Выбрана наиболее подходящая к задаче комбинация метода обучения и модели поведения: деревья поведения и обучение с подкреплением. Средствами Unity реализована тестовая платформа, разработаны модели поведения четырех основных архетипов агентов, которые должны соревноваться в задаче сбора ресурсов в условиях ограниченного времени. Реализован обученный агент с помощью средств Unity ML и TensorFlow. На базе тестовой платформы проведена серия экспериментов в различных условиях: ограниченность, изобилие, среднее количество ресурсов. В рамках эксперимента тестировалась способность разработанной модели поведения интеллектуального агента выигрывать в условиях конкуренции с агентами, снабженными различными вариантами традиционных моделей поведения на базе деревьев поведения. Оценены работоспособность и преимущества использования разработанной модели поведения. Проанализированы результаты эксперимента, сделаны выводы относительно потенциала выбранной комбинации методов.

Исследована процедура моделирования работ, связанных с проектированием и разработкой сложной бортовой аппаратуры. Обучение модели, созданной с применением методов машинного обучения, осуществлено на основе данных, полученных в процессе предыдущих разработок в этой области.