Основным компонентом криптографической хеш-функции MD4 является 48-шаговая функция сжатия. В 2007 г. прообраз 39-шаговой функции сжатия MD4 был найден с помощью CDCL - основного полного алгоритма решения проблемы булевой выполнимости (SAT). В 2022г. с помощью параллельного SAT-алгоритма Cube-and-Conquer был найден прообраз 43-шаговой функции сжатия MD4. В настоящей работе исследуется 44-шаговая версия функции сжатия MD4, такая, что 44-й шаг ослаблен разными способами. С помощью Cube-and-Conquer найдены прообразы нескольких таких функций. На основе решённых задач предложена оценка времени, необходимого для нахождения прообраза 44-шаговой функции сжатия MD4.
Данная статья посвящена детальному представлению технологии, базирующейся на реализации средств искусственного интеллекта в профессиональной подготовке обучающихся по специальности 33.02.01 Фармация. Автор статьи представляет многоаспектную характеристику и проводит анализ инновационных технологий в данной области. Особое место в статье отводится особенностям реализации технологий в соответствии с образовательными потребностями будущих фармацевтов.
В статье рассмотрены аспекты и возможности значительного повышения эффективности и доступности образования с использованием искусственного интеллекта, что открывает новые возможности для обучающихся и преподавателей. Уделяется особое внимание рассмотрению проблем разработки инновационных методик обучения, которые учитывают индивидуальные потребности каждого ученика. С помощью алгоритмов машинного обучения можно определить наиболее эффективные стратегии обучения для каждого учащегося, а также предлагать персонализированные задания и материалы. Показана интеграция искусственного интеллекта в сферу образования, имеющая множество возможностей для улучшения и преобразования образовательной среды.
В статье рассмотрены потенциальные возможности искусственного интеллекта для использования учителем информатики: индивидуализация обучения, атоматизация оценки, анализ данных. Представлен опыт работы учителя информатики по элективному курсу на уровне среднего общего образования. Рассмотрены возможности генеративных нейронных сетей для обработки текстовой, графической и мультимедийной информации на уроках информатики и во внеурочной деятельности. Приводятся примеры интернет-ресурсов, которые могут использоваться учителем информатики для подготовки к урокам и во внеурочной деятельности на различных платформах.
Цель исследования. Провести систематический анализ данных, имеющихся в современной литературе, о возможности использования искусственного интеллекта (ИИ) для построения математических моделей сложных систем, в том числе человеческого организма.
Материал и методы. В обзор включены данные зарубежных и отечественных статей, найденных в Pubmed по данной теме, опубликованных за последние 10 лет.
Результаты. Алгоритмы машинного обучения помогают определять ключевые переменные и взаимосвязи внутри системы, которые людям трудно или невозможно обнаружить. В статье рассматриваются различные типы математических моделей: объяснительные и прогностические, объясняется важность и назначение выбора и стандартизации составляющих модель переменных и знака перед коэффициентами в моделях.
Заключение. Описательные и прогностические модели — это два распространенных типа моделей машинного обучения. Основное различие между ними заключается в цели их использования. Понимание этих различий важно для врачей-исследователей и аналитиков при выборе наиболее подходящего типа модели для своих исследований или для внедрения в процессы принятия решений.
В статье рассмотрены вопросы создания web-приложения оценки гостиниц. На основе анализа аналогичных web-приложения выделены основные элементы. Рассмотрены инструменты создания web-приложения. Предложена модель формирования оценки гостиниц. На основе модели осуществляется подбор гостиниц по запросу пользователя.
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.
В статье представлен разработанный алгоритм генерации музыки, основанный на методах глубокого машинного обучения. Алгоритм использует наборы данных из разных жанров музыки для обучения модели и генерации новых музыкальных композиций. В статье приведены основные этапы разработки алгоритма, включая сбор и предобработку данных, выбор и настройку архитектуры модели, определение функций потерь и активации, выбор оптимизатора. Приводятся результаты экспериментов, демонстрирующие эффективность разработанного алгоритма в генерации музыки. Эта статья представляет интерес для исследователей в области машинного обучения и компьютерной музыки, а также для музыкантов и композиторов, ищущих новые идеи для создания музыки
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