Научный архив: статьи

В статье рассматривается текущее состояние и перспективы развития высокотехнологичных отраслей в Российской Федерации. Особое внимание уделено сектору информационно-коммуникационных технологий, который представляет собой ключевую составляющую в структуре экономики будущего. Рассматриваются такие направления, как облачные технологии, которые переживают значительную трансформацию. Изучены факторы, способствующие росту рынка облачной кибербезопасности. Введение международных санкций против Российской Федерации оказало значительное влияние на различные сферы экономики, включая высокотехнологичные отрасли. Однако санкции также стали катализатором для ускоренного развития собственных технологий, особенно в области информационно-коммуникационных технологий, микроэлектроники и приборостроения.

Применение искусственного интеллекта (ИИ) открывает новые горизонты для повышения эффективности деятельности компаний в банковской сфере, трансформируя привычные способы анализа информации и взаимодействия с клиентами. Поэтому изучение воздействия ИИ и последствий этого воздействия является критически значимым. В статье представлен комплексный анализ влияния искусственного интеллекта на банковский сектор, рассмотрены преимущества и риски данного влияния, проведена оценка перспективности рынка, определены особенности развития банковской системы РФ и начало использования ИИ в деятельности банков, выявлены ключевые игроки рынка. Описаны успешные случаи применения искусственного интеллекта в деятельности крупных банков России, рассмотрены особенности развития технологии ИИ с точки зрения практической применимости.

Цель. Оценить перспективность применения нейронных сетей для цефалометрического анализа при помощи анализа точности ручной иидентификации анатомических ориентиров на цифровых латеральных телерентгенограммах.

Материалы и методы. Выполнена разметка 100 обезличенных телерентгенограмм в боковой проекции одиннадцатью врачами- ортодонтами по 21 параметру, получено 23100 цифровых рентгеновских изображения с нанесенной на них опорной точкой. Проведено сравнение координат опорной точки с «базовой точкой», то есть усредненной координатой для каждой опорной точки среди всех ее локализаций.

Результаты. По критерию среднего отклонения от «базовой точки» наилучшая точность достигнута для вершин режущих краев центральных резцов верхней (is) (0,589, ДИ = 95%) и нижней челюстей (ii) (0,835, ДИ = 95%), а также для середины входа в турецкое седло (S) (0,662, ДИ = 95%).

Для группы ориентиров с наименьшей согласованностью, куда вошли такие точки как Po (4,330, ДИ = 95%), Pt (2,999, ДИ = 95%) и Ba (2,887, ДИ = 95%), для автоматизации идентификаций и повышения качества цефалометрического анализа, вероятно, будет недостаточным применение только искусственных нейронных сетей и потребуется внедрение других элементов машинного обучения.

Заключение. Учитывая результаты нашего исследования, можно сделать вывод, что предложенный метод демонстрирует высокую точность для большинства точек и может быть использован для автоматизации цефалометрического анализа с дальнейшим развитием технологий машинного обучения.

В настоящее время искусственный интеллект является одной из наиболее быстро развивающихся областей человеческого знания. Данная тематика имеет большое значение для науки и практики, в целом, и для медицины, в частности. Применение технологий искусственного интеллекта к сегментации зон головного мозга и выявлению аномальных участков особенно востребовано и перспективно в области нейрофизиологии, нейрохирургии, психиатрии, клинической психологии и других медицинских дисциплин. В данной работе проведено исследование существующих методов автоматизированной сегментации и анализа данных о структуре и функциональном состоянии головного мозга, а также метрик, применяемых для оценки эффективности данного подхода.

Цель: выявление нерешённых проблем и поиск тенденций в разработке методов сегментации и выявления аномальных участков головного мозга, а также определение наиболее эффективных методов и способов их улучшения.

Материалы и методы. Работа выполнена с использованием методологии Systematic Mapping Study (SMS). Данное исследование ограничивается предметной областью, связанной с сегментацией зон головного мозга и определением в нём аномальных участков.

Результаты. Основные результаты исследования представлены в виде классификационных таблиц и ментальной карты. Показано, что целью рассмотренных исследований является повышение точности при сегментировании зон головного мозга и нахождении аномальных участков. Такая метрика, как время обработки данных, применяется для оценки эффективности метода при малом количестве исследований, а в большинстве случаев вообще не рассматривается. При этом скорость обработки изображений в зависимости от применяемого метода измеряется минутами, что существенно ограничивает возможность использования данного подхода в экстренных ситуациях, в том числе при угрозе жизни человека.

Заключение. Для анализа данных о структуре и функциональном состоянии головного мозга в режиме реального времени требуется модификация уже разработанных методов энцефальной сегментации, а также разработка новых, более эффективных подходов. При этом скорость обработки данных должна быть соизмерима со временем вынесения срочного заключения о состоянии головного мозга человека.

Современные цифровые системы предъявляют высокие требования к удобству и персонализации пользовательских интерфейсов, что делает использование методов искусственного интеллекта особенно актуальным. Адаптивные интерфейсы, способные самостоятельно подстраиваться под индивидуальные особенности пользователя, уровень его опыта и контекст взаимодействия, становятся ключевым элементом повышения эффективности и качества цифровых продуктов. В статье рассматриваются теоретические и практические аспекты разработки таких интерфейсов с использованием ИИ. Особое внимание уделено методам машинного обучения, нейросетевым моделям, алгоритмам прогнозирования поведения пользователей и интеграции этих методов в архитектуру интерфейсов.

В статье рассматривается роль искусственного интеллекта в системе кибербезопасности как ключевого инструмента обнаружения, анализа и предотвращения кибератак. Проанализированы теоретические основы применения машинного обучения и нейронных сетей в защите информационных систем, показаны преимущества интеллектуальных технологий по сравнению с традиционными методами обеспечения безопасности. Особое внимание уделено концепции поведенческой аналитики, использованию алгоритмов глубокого обучения для выявления атак нулевого дня и построению адаптивных моделей защиты, способных предсказывать и предотвращать киберугрозы в режиме реального времени. Отмечаются этические и технологические вызовы, связанные с применением искусственного интеллекта, включая уязвимость обучающих моделей и необходимость сохранения человеческого контроля над автоматизированными системами. Сделан вывод о том, что интеграция искусственного интеллекта в систему кибербезопасности способствует формированию нового уровня защиты, основанного на самообучающихся алгоритмах и аналитике больших данных, что обеспечивает устойчивость цифровых инфраструктур в условиях динамично изменяющегося киберпространства.

Цель: изучить патофизиологические механизмы и клиническую значимость дельта-ритмов (4 Гц) при нарушениях сознания, включая кому, синдром безответного бодрствования (вегетативное состояние) и состояние минимального сознания (СМС), в качестве биомаркеров для диагностики, прогноза и целенаправленной терапии.

Материалы и методы. Провели краткий обзор результатов экспериментальных и клинических исследований по изучению генерации и модуляции дельта-ритма при нарушениях сознания. Особое внимание уделили таламо-кортикальным взаимодействиям, кортикальному торможению, нарушениям нейромодуляции, а также роли глиальных клеток, нейровоспалению и метаболическим нарушениям. Количественный анализ ЭЭГ и усовершенствованную нейровизуализацию выделили в качестве ключевых инструментов для оценки дельта-активности.

Результаты. Установили, что дельта-ритмы доминируют на ЭЭГ при всех состояниях нарушенного сознания, при этом глобальная активность с высокой амплитудой наблюдается при коме, а активность с низкой амплитудой — при вегетативных состояниях, что, соответственно, указывает на подавление активности коры головного мозга и таламокортикальное отключение. При СМС снижение амплитуды волн дельта-ритма и улучшение связи коррелировали с периодическим целенаправленным поведением. Терапевтические вмешательства, включая транскраниальную магнитную стимуляцию, транскраниальную стимуляцию переменным током и фармакологические препараты, демонстрировали потенциал для модуляции дельта-ритмов. Кроме того, стохастический резонанс стал новым механизмом стабилизации нейронных сетей, проходящим сквозь помехи.

Заключение. Дельта-ритмы служат важнейшими биомаркерами состояний нарушенного сознания и представляют диагностическую, прогностическую и терапевтическую ценность. Мультимодальные подходы, объединяющие ЭЭГ, нейровизуализацию и механистические исследования, необходимы для углубления понимания и улучшения клинических результатов при лечении пациентов в состоянии нарушенного сознания.

Статья посвящена исследованию возможностей применения искусственного интеллекта в различных сферах человеческой деятельности.

Целью работы является анализ текущего состояния и перспектив развития искусственного интеллекта, а также выявление его потенциала для решения актуальных задач в различных отраслях. В результате исследования систематизированы основные направления применения искусственного интеллекта, такие как медицина, образование, промышленность и финансы, и проанализирована их эффективность. Практическая значимость работы заключается в формировании комплексного представления о возможностях и ограничениях искусственного интеллекта, что позволит специалистам разных областей принимать обоснованные решения о внедрении технологий искусственного интеллекта в свою деятельность. Выявлен потенциал искусственного интеллекта для решения сложных задач, оптимизации процессов и создания новых продуктов и услуг, что способствует инновационному развитию экономики и общества в целом.

В данной статье рассматривается применение машинного обучения в национальной экономике. Описываются основные концепции и методы машинного обучения, включая контролируемое, неконтролируемое обучение и обучение с подкреплением. Анализируются ключевые направления использования этой технологии в экономике, такие как прогнозирование рыночных тенденций, управление финансовыми рисками и анализ экономических данных. Особое внимание уделяется преимуществам машинного обучения, включая повышение эффективности принятия решений, автоматизацию процессов и обработку больших объемов данных. Вместе с тем рассматриваются проблемы внедрения данной технологии, такие как потребность в качественных данных, правовые и этические аспекты, а также нехватка квалифицированных специалистов. В статье предлагаются рекомендации по развитию инфраструктуры машинного обучения, инвестициям в иссчледования и подготовке кадров, что может способствовать экономическому росту и повышению конкурентоспособности страны.

Материалы и методы: В данной работе использовались различные методы и подходы к изучению машинного обучения в сфере национальной экономики. Основные методы включают анализ научной литературы, статистический анализ данных, моделирование с использованием алгоритмов машинного обучения, а также практическую реализацию экономических моделей с применением языков программирования Python и библиотек машинного обучения. Для анализа экономических данных были выбраны методы линейной регрессии, деревьев решений и нейронных сетей, так как они позволяют эффективно прогнозировать изменения ключевых макроэкономических показателей, таких как ВВП, инфляция, курс валют и уровень безработицы. В качестве инструментов использовались библиотеки Pandas, NumPy, Scikitlearn и Matplotlib, позволяющие обрабатывать, анализировать и визуализировать данные. Исследование основано на данных официальных статистических агентств и финансовых учреждений, включая исторические данные о макроэкономических показателях, рыночных тенденциях и финансовых рисках. Для обработки данных использовались методы очистки, нормализации и преобразования данных, что позволило повысить точность моделей. Практическая часть исследования включала разработку алгоритмов машинного обучения для прогнозирования экономических показателей. Модель линейной регрессии использовалась для предсказания роста ВВП, а более сложные модели, такие как случайные леса и градиентный бустинг, применялись для анализа более сложных взаимосвязей в экономике. Таким образом, использование современных методов машинного обучения в экономике позволяет получать точные прогнозы, выявлять закономерности в экономических данных и принимать стратегические решения на основе объективного анализа.

Заключение: Применение методов машинного обучения в национальной экономике открывает значительный потенциал для улучшения экономического анализа и принятия решений. С помощью современных алгоритмов и инструментов, таких как линейная регрессия, деревья решений и нейронные сети, можно эффективно моделировать и прогнозировать ключевые макроэкономические показатели, включая рост ВВП, инфляцию и финансовые риски. Эти методы позволяют более детально и точно понимать экономические тренды и взаимосвязи, что приводит к более обоснованным стратегическим решениям со стороны правительств, бизнеса и финансовых учреждений. Используя такие современные технологии, как Python, Pandas, NumPy и Scikit-learn, исследование продемонстрировало возможность обработки и анализа больших объемов экономических данных с высокой точностью. Машинное обучение предоставляет ценный инструмент для прогнозирования экономических показателей, управления рисками и оптимизации распределения ресурсов. Однако эффективность этих моделей зависит от качества используемых данных, и существуют проблемы, связанные с полнотой данных, интерпретируемостью моделей и вычислительными ресурсами. В заключение, машинное обучение является мощным инструментом для улучшения экономического прогнозирования и управления рисками. Для успешной интеграции этих технологий в национальные экономические системы страны должны инвестировать в исследования, улучшать цифровую инфраструктуру и разрабатывать образовательные программы для подготовки квалифицированных специалистов. Правильное внедрение машинного обучения может способствовать быстрому экономическому росту, более эффективному принятию решений и усилению конкурентоспособности на мировой арене.

Статья посвящена открывающимся возможностям внедрения технологии искусственного интеллекта и нейронных сетей как инструмента в образовательный процесс в высших учебных заведениях, а также влияние самого процесса внедрения на возникновение позитивных и негативных факторов. Существует актуальная проблема получение негативных последствий от внедрение искусственного интеллекта в образовательный процесс из‑за не учета некоторых неизбежных факторов.

В статье проверяется гипотеза о том, что комбинирование методов фрактального анализа и прогнозирования доходностей акций при помощи LSTM-нейронной сети при формировании инвестиционного портфеля позволяет улучшать его характеристики (соотношение доходности и риска) по сравнению с классическим методом Марковица и фондовым индексом. Исследование проводилось в несколько этапов: отбор активов для включения в портфель; получение прогнозов доходностей активов при помощи LSTM-сетей; формирование оптимального портфеля путем максимизации коэффициента Шарпа; сокращение числа активов в портфеле при помощи фрактального анализа; сравнение полученных портфелей с бенчмарками. В результате выявлено, что наилучшими характеристиками обладает комбинированный портфель, сформированный на базе LSTM-прогнозов и фрактального анализа, что подтверждает гипотезу исследования. Параметры LSTM-портфелей оказались лучше, чем параметры портфелей Марковица из тех же активов. Научная новизна работы состоит в том, что впервые для формирования портфеля применена комбинация нейросетевого прогнозирования и методов фрактального анализа

Основной проблемой любого подхода к машинному обучению является однофазность всего процесса. Исходное пространство признаков преобразуется таким образом, чтобы все данные соответствовали более-менее стандартным нормальным распределениям, после чего запускается модель, и в результате получаются выходные данные. Однако в настоящей статье рассматривается другая сторона вопроса. А что будет, если нелинейным способом преобразовать исходное пространство признаков и уже к новому пространству применить некоторый алгоритм? Представлено техническое объединение исправления геометрии пространства и последующее решение задачи формирования векторных образов для объектов панельных данных. В конце исследования приведено сравнение результатов как с ранее предложенными моделями, так и самого алгоритма с собой с учетом модификаций функций потерь. Результат показывает преимущество совместного обучения рассмотренных моделей упрощения пространства и моделей, используемых для решения некоей последующей задачи (например, построения векторных образов и кластеризации объектов). Основной упор сделан на аналитику панельных данных, однако идеология вполне поддается обобщению на любые направления, где присутствует множество дескриптивных векторов, характеризующих некоторый объект (для сохранения общности он не конкретизируется).