Рассматривается возможность применения такого метода машинного обучения, как деревья решений, для определения метеорологической дальности видимости на основе других погодных показателей (температура воздуха, атмосферное давление, относительная влажность, скорость и направление ветра, облачность, текущая погода и др.). Описаны процесс сбора и обработки данных, а также обучение модели и её итоговая точностью.
Приведены результаты исследований по разработке автоматизированной классификации снимков дистанционного зондирования Земли внутрихозяйственного землепользования на основе применения объектно ориентированного подхода, машинного обучения и геоинформационного моделирования. Методология классификации включала три этапа: анализ цифровых изображений с выделением пространственных объектов путем предварительной сегментации, классификация пространственных объектов с использованием алгоритмов машинного обучения (RF и SVM), оценка общей точности полученного результата. Для обработки использовали космические снимки Sentinel-2 с мая по апрель на территорию землепользования ОС «Элитная» и ИП ГК(Ф)Х Ковалев С.М. Новосибирской области с пространственным разрешением 10 м в пикселе. Обработка полученных многозональных снимков проходила с применением программного продукта SAGA GIS версии 8.5.1 и QGIS с открытым исходным кодом, создание моделей классификации осуществляли в пакете статистического языка программирования R. Установлено, что общая точность классификации объектов землепользования, отображенных на космических снимках, для территории ОС «Элитная» алгоритмом SVM составила 87,1 % (коэффициент Каппа 0,74), алгоритмом RF – 90,3 % (коэффициент Каппа 0,87). Для территории землепользования ИП ГК(Ф)Х Ковалев С.М. – алгоритмом SVM – 78,4 % (коэффициент Каппа 0,78), алгоритмом RF – 82,3 % (коэффициент Каппа 0,82). Объектно - ориентированный подход в интеграции с машинным обучением способствует эффективной сегментации и классификации снимков дистанционного зондирования для выделения пространственных объектов, дает возможность автоматизировать процесс картографирования территории землепользования и включать эту информацию в геоинформационное моделирование оценки и классификации земель сельскохозяйственного назначения.
Использование технологий генеративного искусственного интеллекта в образовании обладает потенциалом революционизировать процессы обучения и оценивания образовательных результатов, персонализируя учебный процесс, обеспечивая немедленную обратную связь и улучшая общий опыт обучения.
Актуальность исследования обусловлена распространением технологий искусственного интеллекта, дефицитом практик формирующего оценивания учебных достижений в высшем образовании.
Постановка проблемы: существующие отечественные системы электронного обучения имеют ограниченный функционал, что затрудняет их использование в процессе формирующего тестирования.
Целью исследования является изучение возможности и эффективности использования технологий генеративного искусственного интеллекта в формирующем оценивании в высшем образовании.
Задачи исследования – рассмотреть теоретические основы использования инструментов генеративного искусственного интеллекта в оценивании знаний, умений и навыков, проанализировать собственный опыт применения больших языковых моделей в формирующем тестировании в вузе.
Методологическую основу исследования составляют анализ Интернет-ресурсов и литературных источников, методы математической статистики, синтез.
Результаты исследования: изучены возможности использования и эффективность технологий генеративного искусственного интеллекта в формирующем тестировании обучающихся вуза, проанализирован собственный опыт применения больших языковых моделей в формирующем тестировании, определены основные ограничения внедрения этих технологий в учебный процесс, даны рекомендации по организации формирующего тестирования с использованием больших языковых моделей.
Ключевые выводы: большие языковые модели могут быть интегрированы в учебный процесс для оценки формирующих и суммативных тестов, что позволит существенно снизить нагрузку на преподавателей, обеспечить более объективные результаты и, в конечном счете, повысить эффективность учебного процесса.
Стремительное развитие технонауки ставит под вопрос привычные способы восприятия и традиционные практики анализа информации, в частности, одним из вызовов для коммуникационного общества стало развитие искусственного интеллекта, способного создавать изображения, почти неотличимые от живописных и фотографических, это хорошо заметно по тем дискуссиям, которые развиваются сегодня вокруг фотографии и подталкивают нас к рассуждению о семиотическом сдвиге, происходящем в этом поле. В настоящей статье рассматривается три способа работы фотографа с нейросетями, каждый из которых имеет свои границы применимости: обработка снимков, создание изображений на основе стиля знаменитого фотографа, генерация образа «с нуля». Анализируются ключевые примеры нейросетей, находящихся в распоряжении фотографов и художников, указываются их особенности и выразительные возможности, а также те эстетические и этические вопросы, которые актуализирует внедрение искусственного интеллекта в фотографическую практику. По итогам исследования авторы приходят к выводу, что происходящие в поле фотографии семиотические сдвиги бросают вызов традиционным формам репрезентации и оказывают принципиальное воздействие на то, как могут пониматься категории авторства и зрительства в современном социокультурном процессе.
Оптическая когерентная томография — современный высокотехнологичный и информативный метод выявления патологии сетчатки глаза и преретинальных слоёв стекловидного тела. Однако описание и интерпретация результатов исследования требуют высокой квалификации и специальной подготовки врача-офтальмолога, а также значительных временных затрат врача и пациента. Вместе с тем использование математических моделей на основе аппарата искусственных нейронных сетей в настоящее время позволяет автоматизировать многие процессы, связанные с обработкой изображений. Именно поэтому актуально решение задач, связанных с автоматизацией процесса классификации снимков оптической когерентной томографии на основе глубокого обучения моделей искусственных нейронных сетей.
Цель — разработать архитектуры математических (компьютерных) моделей на основе глубокого обучения свёрточных нейронных сетей, предназначенных для классификации снимков оптической когерентной томографии сетчатки глаза; сравнить результаты вычислительных экспериментов, проведённых с использованием средств Python в Google Colaboratory при одно- и многомодельном подходах, и выполнить оценки точности классификации; сделать выводы об оптимальной архитектуре моделей искусственных нейронных сетей и значениях используемых гиперпараметров.
Материалы и методы. Исходный датасет, представляющий собой обезличенные снимки оптической когерентной томографии реальных пациентов, включал более 2000 изображений, полученных непосредственно с прибора в разрешении 1920×969×24 BPP. Количество классов изображений — 12. Для создания обучающего и валидационного наборов данных осуществляли «вырезание» предметной области 1100×550×24 BPP. Изучали различные подходы: возможность использования предобученных свёрточных нейронных сетей c переносом обучения, методики изменения размера и аугментации изображений, а также различные сочетания гиперпараметров моделей искусственных нейронных сетей. При компиляции модели использовали следующие параметры: оптимизатор Adam, функцию потерь categorical_crossentropy, метрику accuracy. Все технологические процессы с изображениями и моделями искусственных нейронных сетей проводили с использованием средств языка Python в Google Colaboratory.
Результаты. Предложены одно- и многомодельный принципы классификации изображений оптической когерентной томографии сетчатки глаза. Вычислительные эксперименты по автоматизированной классификации таких изображений, полученных с томографа DRI OCT Triton, с использованием различных архитектур моделей искусственных нейронных сетей показали точность при обучении и валидации 98–100%, и на дополнительном тесте — 85%, что является удовлетворительным результатом. Выбрана оптимальная архитектура модели искусственной нейронной сети — 6-слойная свёрточная сеть, — и определены значения её гиперпараметров.
Заключение. Результаты глубокого обучения моделей свёрточных нейронных сетей с различной архитектурой, их валидации и тестирования показали удовлетворительную точность классификации снимков оптической когерентной томографии сетчатки глаза. Данные разработки могут быть использованы в системах поддержки принятия решений в области офтальмологии.
Обосновывается целесообразность использования технологий искусственного интеллекта в бизнес-процессах организаций розничной торговли. Предлагается определение искусственного интеллекта. Приводится классификация технологий искусственного интеллекта. Приводятся сферы, в которых возможно применений искусственного интеллекта на данном этапе развития. Предлагается пример решения задачи организации с помощью ИИ.
В рамках данного исследования разрабатывается метод применения результатов модели анализа информационного фона в модели формирования ожиданий адаптивно обучающихся экономических агентов в общей постановке DSGE-модели. Этот метод тестируется на малой DSGE-модели экономики России с адаптивным обучением, разработанной нами в ИЭОПП СО РАН. На примере этой модели показывается, что предлагаемый метод улучшает соответствие данных, имитируемых моделью, экономической статистике, что позволяет использовать эту модель для прогнозирования макроэкономических показателей, рассматривая различные сценарии развития экономики при разной окраске будущего информационного фона. Делается вывод, что управление новостным потоком оказывает влияние на функционирование экономики и может потенциально использоваться как элемент экономической политики, последствия которой можно оценить, используя наш метод. Универсальность метода, предложенного в работе, позволяет распространить его применение на широкий ряд DSGE-моделей, используемых центральными банками большинства стран мира.
Проведён сравнительный анализ эффективности различных моделей машинного обучения для генерации контента, включая текст, изображения, видео и музыку. Рассмотрены основные метрики оценки качества генерируемого контента для каждого типа данных. Проведено тестирование и сравнение таких моделей, как GPT, DALL-E, Vid2Vid и Mubert, на соответствующих наборах данных. Показаны сильные и слабые стороны каждой модели. Определены наиболее эффективные на текущий момент подходы для задач генерации разных типов контента.
Представлены результаты исследования восприятия систем поддержки принятия врачебных решений в рамках проведения ежегодной диспансеризации врачами-стоматологами в общеобразовательных организациях Минобороны России (суворовских и нахимовском военных училищах, президентских кадетских училищах и кадетских военных корпусах).
На примере рассматриваемого сценария проведена апробация прототипа системы на основе машинного обучения.
Для оценки восприятия выполнен опрос врачей-стоматологов с демонстрацией результатов работы прототипа и оценкой воспринимаемых характеристик предоставляемых результатов предсказательного моделирования.
Построена модель на основе байесовской сети для оценки рассматриваемых показателей, продемонстрировавшая повышение качества предсказания воспринимаемых показателей с учетом влияния латентных состояний субъективного восприятия оператора.
Предложенный подход в дальнейшем планируется использовать для повышения эффективности взаимодействия врача и системы поддержки принятия врачебных решений.
Целью исследования является прогнозирование ошибки программного обеспечения с использованием долговременной кратковременной памяти (Long Short-Term Memory, LSTM).
Предлагаемая система представляет собой LSTM, обучаемую с использованием алгоритма оптимизации китов (Whale Optimization Algorithm).
Система обеспечивает экономию времени обучения. Одновременно повышается эффективность модели глубокого обучения (DL) и скорость обнаружения.
Для разработки расширенной модели LSTM применен программный пакет MATLAB 2022a. Использованы 19 баз данных дефектов программного обеспечения с открытым исходным
кодом.
Ошибочные наборы данных получены из коллекции tera-PROMISE. Для оценки эффективности модели по сравнению с другими традиционными подходами объем исследования ограничен пятью наборами эталонных данных с наиболее высоким рейтингом (DO1, DO2, DO3, DO4 и DO5). Результаты экспериментов показали,
что качество данных обучения и тестирования оказывает существенное влияние на точность прогнозирования ошибок.
При анализе на наборах данных от DO1 до DO5 видно, что точность прогнозирования существенно зависит от результатов обучения и тестирования. Три алгоритма DL, протестированные на наборе данных DO2, показали самую высокую точность (0,942) в сравнении с двумя классическими алгоритмами с использованием сверточной нейронной сети Li’s и Nevendra’s (0,922).