Одним из наиболее важных этапов при разработке продукции и постановке ее на серийное производство является выбор поставщиков комплектующих изделий. Качество в поставках позволяет стабильно производить продукцию, отвечающую высоким нормам современных автопроизводителей. Методы оценки и выбора надежного поставщика не позволяют полностью исключить субъективный фактор менеджера или целого отдела закупок. В данной статье ставится задача разработки и дальнейшего внедрения в процессы предприятия универсальной методики оценки и выбора поставщика, основанной на методах машинного обучения и данных из уровня дефектности в поставках и дефектности из эксплуатации.
В статье рассмотрены основные вопросы когнитивизма как базы искусственного интеллекта (ИИ) в современной философской трактовке этих сущностей. Дана классификация ИИ по уровню когнитивизма базовых функций. Рассмотрены вопросы эволюции когнитивных возможностей искусственного интеллекта. Подняты проблемы предсказуемости негативного воздействия ИИ на социум. В статье выделены основные когнитивные искажения, которые возможны при применении искусственного интеллекта в научных исследованиях, а именно иллюзия исследовательской широты. Авторы дают рекомендации для учёных и редакций научных журналов по грамотному использованию ИИ в научных экспериментах. В данной работе также поднята проблема доверия в области кибербезопасности систем ИИ. Авторы рассматривают гипотезу о наличии сознания у чат-ботов и делают однозначные выводы о его отсутствии.
Статья посвящена проблеме отбора заданного числа наиболее информативных регрессоров в линейных регрессиях. При использовании метода наименьших квадратов точное решение этой задачи по критерию максимизации коэффициента детерминации при задействовании всей выборки данных может быть получено в результате решения особым образом сформулированной задачи частично-булевого линейного программирования. Однако в машинном обучении важным этапом при создании надежной и эффективной модели считается её построение по обучающей выборке и проверка точности её предсказания по тестовой выборке. Поэтому в статье сформулирована оптимизационная задача отбора информативных регрессоров в линейных регрессиях по критерию минимизации средней абсолютной ошибки на тестовой выборке. Формулировка основана на известном приёме, согласно которому абсолютные ошибки должны быть представлены в виде разности между двумя неотрицательными переменными. С использованием встроенных в пакет Gretl статистических данных о заработной плате спортсменов и решателя оптимизационных задач LPSolve проведены вычислительные эксперименты. Для этого обучающая выборка формировалась из 70%, 75% и 80% наблюдений. Во всех этих случаях среднее снижение значения коэффициента детерминации моделей составило 24,76%, 18,4% и 12,22%, но при этом средняя абсолютная ошибка уменьшилась на 24,8%, 26,3% и 21,05% соответственно. Эксперименты показали, что среднее время решения задач при минимизации средней абсолютной ошибки на тестовых выборках оказалось в 2,33–2,85 раза выше, чем время решения задач при максимизации коэффициента детерминации на обучающих выборках.
В работе проведен сравнительный анализ различных подходов к решению задачи идентификации текстиля, по фотоизображению материала, с помощью методов машинного обучения, Рассмотрена математическая модель, лежащая в основе программной реализации. Модель протестирована на дополнительном наборе данных с применением методов объяснимости работы нейронных сетей.
В работе приведен краткий теоретический обзор существующих методов решения задач классификации. Проведен анализ данных методов и выбран метод для решения конкретной задачи по подбору тарифа проживания на базе отдыха. Выполнена программная реализация оригинального алгоритма на основе метода k-NN. Добавлены коэффициенты значимости признаков
Исследуется задача оптимального управления линейно нагруженной системой обыкновенных дифференциальных уравнений с линейными граничными условиями. Получены необходимые условия оптимальности первого порядка, которые позволяют использовать эффективные методы первого порядка для численного решения исследуемой задачи. Приведены результаты решения тестовой задачи и их анализ.
Прогнозирование добычи нефти играет важную роль в эффективной разработке месторождения нефти. Это помогает скорректировать действующую систему разработки месторождения. Детальное и точное прогнозирование уровня добычи нефти необходимо для оценки экономической и технологической эффективности разработки месторождения нефти. Прогнозирование уровня добычи можно осуществить различными способами. Одним из таких может быть использование специального программного обеспечения (tNavigator и др.). Использование данного программного обеспечения иногда сопряжено с длительными расчетами, поэтому для оперативного прогнозирования уровня добычи возможно использование других инструментов, таких как машинное обучение.
Использование машинного обучения и искусственного интеллекта в нефтегазовой отрасли приобретает все большую популярность в последние годы, поскольку, используя исторические данные по добыче, возможно прогнозирование уровней добычи нефти/жидкости. Кроме того, для аналогичных целей могут быть использованы аналогичные месторождения со схожими геологическими характеристиками и историей эксплуатации. Помимо использования машинного обучения и искусственного интеллекта, в качестве инструмента прогнозирования возможно применение анализ кривой падения.
Учитывая важность прогнозирования с точки зрения стратегического планирования, предлагается широкий спектр методов для получения точных прогнозов, основанных на характере доступных данных и вычислительной мощности. В данной статье представлен всесторонний анализ инструментов, используемых для долгосрочного прогнозирования добычи нефти, включая алгоритмы машинного обучения и анализ кривой падения добычи (DCA). Представлены результаты применения модели с долговременной и кратковременной памятью и ее практическая применимость на примере ее использования на скважине кандидате.
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.
Изменение голосовых характеристик человека под воздействием алкогольного опьянения отрицательно влияет на эффективность процедуры распознавания личности по голосу. Поэтому определение уровня алкоголя в крови дистанционно позволяет не только выявить факт нахождения субъекта в измененном психофизиологическом состоянии, но и дает возможность скорректировать настройки алгоритма принятия решений для повышения надежности голосовой аутентификации. Целью работы является анализ существующих научных работ и результатов в области оценки уровня алкогольной интоксикации по голосу, анализ наборов данных, позволяющих обучить модели искусственного интеллекта выявлять факт опьянения, а также анализ факторов влияния психофизиологического состояния диктора на параметры его речи. Исследование включает сравнительный анализ научных работ из таких баз как Scopus, Web of Science, ВАК и учитывает такие факторы, как пол, возраст, стадии алкогольного опьянения, качество записи и уровень окружающего шума. По итогу анализа научных публикаций, исследование определяет метод случайного леса как один из наиболее эффективных методов машинного обучения, демонстрируя точность 95.3% по проприетарным наборам речевых данных и 80% для широко используемого алкогольного языкового корпуса.
В работе рассматривается разработка клиент-серверного приложения для автоматизации работы заказов в продаже на примере магазина цветов. Исследуется и реализовывается алгоритм машинного обучения k-ближайшего соседа. Результатом является жизнеспособный продукт по продаже товаров цветочной продукции с использованием современного набора технологий и языков программирования.