Научный архив: статьи

Авторский коллектив рассматривает вопросы разработки и апробации системы сквозного внутреннего контроля в организациях агросферы с использованием искусственного интеллекта (ИИ). В условиях динамично меняющейся рыночной среды такая система становится необходимым этапом для успешного развития сельскохозяйственных организаций. Она позволяет эффективно управлять рисками и адаптироваться к непредсказуемым внешним и внутренним факторам, характерным для аграрного сектора. Предложенная система сквозного внутреннего контроля на основе ИИ охватывает все аспекты деятельности организации и обеспечивает непрерывный контроль на протяжении всего технологического цикла. Она помогает своевременно выявлять и устранять проблемы, связанные с качеством продукции, безопасностью и соответствием стандартам. Использование современных информационных технологий в контрольной деятельности организаций агросферы, предложенных в статье, позволяет превентивно запустить механизм нивелирования рисков, связанных с человеческим фактором, и непрерывно мониторить воздействие факторов внешней и внутренней среды хозяйствования экономического субъекта на основе оперативных информационно-аналитических механизмов.

Представленная разработка способствует внедрению цифровых технологий в описание процессов нефтехимических предприятий, отвечает потребностям промышленности в быстрых и точных расчетах, сокращает зависимость от дорогостоящих экспериментов и зарубежного программного обеспечения, что делает его актуальным как для науки, так и для реального сектора экономики. Целью исследования является способ расчета вязкости широкой фракции углеводородов с использованием нейронных сетей для повышения точности и эффективности прогнозирования по сравнению с традиционными методами и реализация в виде специализированного программного комплекса. Для оптимизации процесса обучения и ускорения вычислений исходная задача была разделена на несколько более простых подзадач с уменьшенной размерностью параметров, предложенная декомпозиция значительно сократила объем вычислений, что способствует снижению параметричности построенного многослойного полносвязного персептрона и понижению проблематичности процедуры обучения моделей. Для автоматизации сбора информации для обучения многослойного полносвязного персептрона был разработан вспомогательный программный комплекс, формирующий требуемые наборы данных в Unisim. Все построенные нейронные сети обучались на выборках, которые разбивались на обучающее, валидационное и тестовое подмножества по 70, 15 и 15 % от исходного набора соответственно. Потери при обучении не превысили 10-6 при отсутствии переобучения. Работоспособность полученного многослойного полносвязного персептрона дополнительно проверили на производственных данных, не использовавшихся при обучении. Реализация метода осуществлена в виде оригинального специализированного программного комплекса, в котором используется согласованная работа нескольких обученных нейронных сетей для точного расчета вязкости углеводородных смесей. Разработанный программный комплекс доказал свою эффективность и надежность, представляя собой мощный инструмент для расчета вязкости широкой фракции углеводородов при моделировании процессов нефтехимии.

Хронические неинфекционные заболевания являются важной медико-социальной проблемой, оказывающей существенное влияние на структуру заболеваемости и смертности населения. Актуальность исследования обусловлена необходимостью повышения точности диагностики, персонализации подходов к профилактике и снижению нагрузки на систему здравоохранения. Цель работы - оценка возможности применения современных методов машинного обучения для прогнозирования вероятности развития повышенного артериального давления у взрослых пациентов, наблюдающихся в условиях поликлинического звена. В работе проанализированы обезличенные карты 1843 пациентов. После предварительной обработки, включающей очистку и нормализацию данных, были исследованы следующие алгоритмы: Random Forest, Gradient Boosting, XGBoost, метод K-ближайших соседей и рекуррентная нейронная сеть LSTM. Для верификации качества построенных моделей применялись метрики точности, полноты, F1-мера и ROC-AUC. Результаты апробации показали, что Gradient Boosting и рекуррентная нейронная сеть LSTM наиболее успешно справились с задачей стратификации выборки: пациенты были корректно распределены на группы с отсутствием заболевания, наличием артериальной гипертензии и повышенным риском ее развития. Были показаны ключевые факторы риска - гиперхолестеринемия, неправильное питание и избыток массы тела. Полученные результаты подтверждают целесообразность и перспективность внедрения инструментов машинного обучения, в частности градиентного бустинга и нейросетевых моделей, в клинические информационные системы с целью автоматизированного скрининга артериальной гипертензии и последующего планирования профилактических мероприятий.

В статье обоснована необходимость реализации и внедрения проекта, основанного на нейронных сетях, который оценивает эмоции пассажиров железнодорожного транспорта. Преимущество данной системы заключается в возможности улучшения качества пассажироперевозок с помощью анализа информации, полученной с помощью сканера эмоций.

В представленной работе объектом исследования являются «Записки декабриста И. И. Горбачевского» - яркий образец декабристской мемуаристики, несущий отпечаток исторического самосознания участников движения. Данный источник предлагает ценные сведения о перипетиях взаимоотношений между участниками таких декабристских организаций, как Общество соединенных славян и Южное общество, содержит взгляд изнутри на ход и причины поражения восстания Черниговского полка, предоставляет фактологический материал о судьбе заговорщиков после суда над ними и отправки в Сибирь. Вместе с тем, начавшись еще в советской историографии, по сей день остается до конца не завершенным спор об авторстве этих “Записок”: фигура декабриста Горбачевского в качестве автора рядом исследователей считается чисто номинальной. Вполне очевидно при этом, что личность автора определяет специфику изложенных в “Записках” суждений и привносит в изложение неизбежный субъективный налет, а потому должна приниматься во внимание при работе с источником. Предметом исследования в представленной работе, таким образом, является не разрешенный до сих пор вопрос об авторстве «Записок». Авторами предложено решение задачи определения авторства «Записок декабриста И. И. Горбачевского» при помощи методов машинного обучения. В качестве возможных авторов рассмотрен сам И. И. Горбачевский, а также декабрист П. И. Борисов. Новизна исследования заключается в том, что для определения авторства «Записок» были применены методы машинного обучения. Авторы обучили четыре типа моделей для предсказания авторства каждого из предложений «Записок». В результате большинство предложений «Записок» были оценены, как написанные Горбачевским. Наибольший процент предложений, 69.2 %, был отнесён к Горбачевскому моделью Count Vectorizer + SVC. Точность всех моделей в среднем превышала 80 %, а у основанных на кодировании при помощи BERT в среднем была близка к 90 %. Основным выводом работы, таким образом, можно считать, что «Записки» более вероятно были написаны И. И. Горбачевским, чем П. И. Борисовым. Примененные в рамках представленного исследования методы дают еще один аргумент в пользу этой версии. Код и датасет доступны по ссылке: https://github. com/WLatonov/Gorbachevskiy_notes.

В статье рассматривается применение генеративно-состязательной сети (GAN) в задаче повышения разрешения изображений в два раза. Приводится описание архитектуры GAN на основе сверточной сети. Сеть обучена с использованием набора данных состоящего из 540 изображений природного ландшафта с разрешением 256 на 256 пикселей. В результате тестирования GAN получены усредненные коэффициенты метрик PSNR, SSIM, MFSD, а также среднеквадратичная ошибка вывода модели VGG-19. Приведены результаты сравнения качества изображений с увеличенным разрешением на основе GAN и методом масштабирования с использованием фильтра Ланцоша.

Технологии, основанные на искусственном интеллекте (ИИ), все чаще заменяют и дополняют людей в управленческих задачах, таких как принятие решений. Современные технологии искусственного интеллекта способны выполнять когнитивные функции, ранее связанные только с человеческим разумом. Согласно ресурсной концепции фирмы (RBV), когнитивные способности людей являются источником некопируемых конкурентных преимуществ, так как их трудно имитировать, таким образом, технологии ИИ способны менять источники конкурентных преимуществ.

Данное исследование посвящено выявлению факторов, влияющих на решение промышленных компаний о внедрении технологий искусственного интеллекта, а также исследованию взаимосвязи внедрения технологий ИИ с эффектами замещения и/или дополнения когнитивных способностей сотрудников и их влияния на формирование конкурентного преимущества.

Исследование проведено на базе данных 147 промышленных компаний, эмпирические оценки возникновения эффекта замещения при внедрении технологий ИИ и эффекта взаимодополнения проводились при помощи двух моделей: пробит-модели со случайными эффектами (random effect probit) и логит-модели с постоянными эффектами (fixed effect logit), которая позволила оценить внутрифирменную динамику изменения ресурсов при внедрении в бизнес-процесс технологий ИИ, то есть проследить эффект замещения ресурсов при внедрении ИИ.

Полученные результаты показали, что: (1) решение об инвестировании в технологии ИИ зависит от таких факторов, как наличие компетенций для внедрения ИИ, затраты на внедрение новых технологий и уровень текущих затрат в целом по компании, ожидание финансовых и экономических эффектов; (2) решение об инвестициях в ИИ и их интенсивность значительно выше у компаний, ожидающих сокращение времени на выполнение операций, сокращение численности сотрудников за счет уменьшения объема рутинных операций, сокращение затрат на функцию управления персоналом и увеличение скорости разработки и продвижения новых продуктов; (3) наибольшее влияние на формирование некопируемых конкурентных преимуществ оказывает внедрение ИИ в маркетинг и аналитику, разработку и ИТ, продажи и клиентский сервис и разработку новых продуктов; (4) при внедрении ИИ одновременно возникает и эффект замещения, и эффект взаимодополнения, что смещает источники конкурентных преимуществ (несмотря на то что замена традиционных специфических для области когнитивных возможностей человека на многочисленные вычислительные возможности ИИ разрушает существующее преимущество, тем не менее на основе взаимодополнения человеческих и машинных возможностей создаются новые, постоянные некопируемые преимущества). Кроме того, дополнена ресурсная концепция фирмы и показано, что неоднородные несвязанные ресурсы, такие как человек и машина, также могут быть источником уникальных конкурентных преимуществ.

Задача выделения зданий в контексте семантической сегментации геополей представляет собой задачу перехода от множества геополей собственного и отраженного элементами суши, океана и атмосферы Земли электромагнитного излучения ко множеству геополей пространственного распределения собственного и отраженного объектами класса «Здания» электромагнитного излучения.

Проблематика выделения зданий включает в себя следующие основные проблемы: ложноположительные и ложноотрицательные срабатывания при выделении зданий, выделение отдельных зданий как одного объекта и распознавание объектов класса «Здания» на снимках, имеющих разные яркостные характеристики.

Данные проблемы, в рамках семантической сегментации геополей, рассматриваются с точки зрения снижения точности перехода от исходного множества геополей к результирующему множеству и относятся главным образом к исходному множеству.

Посредством анализа указанных проблем определены основные концептуальные решения в архитектурах нейронных сетей, позволяющие уменьшить их влияние: механизмы внимания и обработка глобальных признаков.

В результате эксперимента с архитектурами нейронных сетей STT, STEB-UNet, U-Net, MF-CNN и MSCFF, реализующими данные концептуальные решения, определены зависимости между временными затратами и конкретной реализацией концептуальных решений и наиболее эффективное с точки зрения обеспечиваемой точности решение — обработка глобальных признаков посредством мультимасштабного слияния признаков, реализуемое MSCFF.

В гармоничной транспортной системе автомобильные потоки рационально распределяются в зависимости от возможностей дорог и улиц по обеспечению пропускной способности с учетом систем регулирования. При этом не уделяется должного внимания изменениям погодных и природных условий, что в свою очередь значительно корректирует режимы движения, выводя их из стабильного, прогнозируемого состояния. Современные программно-аппаратные комплексы и информационные ресурсы больших городов имеют широкий диапазон регистрируемых показателей, оказывающих влияние на распределение транспортных потоков. Их автоматизированная обработка с использованием алгоритмического инструментария машинного обучения сформировала комплексное представление о закономерностях изменения показателя интенсивности, что является новым этапом повышения безопасности дорожного движения, стремящейся к нулевой смертности. Научная новизна предлагаемого исследования заключается в приемах и подходах к исследованию погодно-климатических характеристик и факторов улично-дорожной сети, их предварительной обработке с использованием современных статистических и логических методов нормализации и исключения случайных выбросов. Метод глубокого обучения открывает широкие возможности для анализа интенсивности транспортного потока. Путем обработки больших объемов данных такие алгоритмы способны выявлять сложные паттерны и взаимосвязи, что позволяет улучшить прогнозирование движения транспорта и оптимизировать управление его потоками. Для корректной работы нейронной сети по обучению модели и исследования интенсивности транспортного потока разработан комплекс программных инструментов по предварительной обработке данных, который включает поэтапный анализ структур массивов с последующей заменой значений или исключением ошибок. После предварительной очистки данных в соответствии с синтаксисом программной логики и правилами статистического анализа был применен метод поиска и исключения аномалий - метод изолированного леса. Данное направление вошло в состав большого исследования интенсивности транспортного потока, а продемонстрированные результаты являются совокупностью решений на основе системного взаимодействия разработанных авторами программ и методик статистических и аналитических преобразований. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

В статье рассматриваются методические особенности использования интеллектуальных программных средств (ИПС) для систематизации и контроля знаний. Уделяется внимание использованию экспертных обучающих систем и нейронных сетей как элементов технологии искусственного интеллекта в различных предметных областях для идентификации и распознавания объектов. Описаны формы использования ИПС в целях обучения на примере изучения предметной области «Информатика».

Цель исследования: разработать и проверить подход к обучению составителей цифрового контента в части создания альтернативного текста, точно описывающего оригинальное изображение, с использованием нейронной сети для генерирования контрольных изображений, реконструируемых по тексту. Отсутствие в веб-ресурсе текстовых описаний к визуальному контенту ограничивает цифровую доступность, особенно для пользователей с нарушением зрения. Для обеспечения доступности каждое информативное изображение должно сопровождаться альтернативным текстом. Известно, что текстовые альтернативы, сгенерированные с помощью автоматических инструментов, уступают по качеству описаниям, выполненным человеком. Следовательно, составитель цифрового контента должен уметь разрабатывать альтернативный текст к изображениям. Выдвинуто предположение, что нейронная сеть, способная генерировать изображения по текстовым описаниям, может выступать в роли инструмента, служащего для проверки релевантности составляемых текстовых альтернатив. Материалы и методы. Исследование выполнялось в апреле-мае 2023 года. 17 обучающихся бакалавриата изучили требования к разработке текстовых альтернатив, выполнили первичные текстовые описания к трем предложенным фотографиям, а затем откорректировали текст с использованием нейронной сети Kandinsky 2.1 согласно алгоритму: генерирование изображения по описанию; визуальное сравнение полученного изображения с оригиналом; возвращение к редактированию описания или завершение процесса. По первичным и итоговым описаниям исследователи воссоздали изображения с использованием той же нейронной сети. Дальнейшая работа заключалась в оценке качества всех текстовых описаний и сходства всех сгенерированных изображений с оригинальными. Результаты исследования (текстовые описания; оценки, выставленные экспертами; ссылки на сгенерированные изображения) опубликованы в виде набора данных в репозитории Mendeley Data. Для анализа данных использовали t-тест, корреляцию Пирсона и многомерную регрессию (при заданном уровне значимости p = 0,05). Результаты. Установлено, что средние оценки качества первичных и итоговых текстовых описаний значимо не отличались (p > 0,05), также не было выявлено значимых отличий для длины текста (p > 0,05). При этом существенно (p < 0,05) возрастало сходство сгенерированных изображений с оригинальными фотографиями после использования обучающимися нейронной сети. Следовательно, тренировка в нейронной сети способствовала повышению качества (сходства с оригиналом) изображений, сгенерированных по измененным текстовым описаниям, без потери качества описаний. Обнаружено также, что качество итоговых текстовых альтернатив тем выше, чем больше их размер в пределах отведенного лимита, чем лучше и короче первичные описания (p < 0,05). Таким образом, лаконичные и точные альтернативные описания к изображениям после тренировки обучающихся в нейронной сети могут быть преобразованы в не менее качественные текстовые альтернативы, релевантность которых повышается за счет добавления в описание деталей сюжета. Заключение. Нейронные сети для генерирования изображений могут быть применимы в качестве программного инструмента, стимулирующего потенциальных авторов контента к созданию более точного и полного альтернативного текста при сохранении его лаконичности. Представляется важным продолжить исследования, распространив их на изображения других типов, с использованием различных нейронный сетей.

В данной работе разбирается применение алгоритмов машинного обучения для прогнозирования мощности рассеивания энергии за счет переключений компонентов схем на начальном этапе физического проектирования интегральных схем (ИС) для конкретной архитектуры. Реалистичная оценка потребляемой мощности возможна на заключительных этапах маршрута проектирования ИС, что может создать дополнительную итеративность в маршруте для оптимизации энергопотребления. Предложенный метод позволяет довольно точно спрогнозировать конечное значение рассматриваемого вида энергопотребления с высокой точностью для различных типов стандартных ячеек при различных сценариях и конфигурациях планировки. Недостатком метода является необходимость прохождения полного маршрута проектирования выбранной схемы с выбранным диапазоном параметров для сбора данных, нужных для обучения моделей машинного обучения, что требует дополнительных машинных и временных ресурсов.