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).
Работа посвящена исследованию перспектив внедрения в сферу жилищно-коммунального хозяйства проактивных методов обслуживания, опирающихся на современные алгоритмы машинного обучения.
На основании обзора современных научных исследований по теме, анализа существующих решений для предотвращения аварий и снижения затрат при эксплуатации жилищного фонда, а также успешных примеров внедрения технологий машинного обучения на практике, были выделены возможности применения технологий в прогнозировании и предотвращении неисправностей, основные риски при внедрении искусственного интеллекта в ЖКХ.
В статье рассматривается роль алгоритмов машинного обучения в оптимизации процессов обслуживания и управлении ресурсами за счет внедрения инновационных подходов для создания более эффективной и устойчивой жилищно-коммунальной инфраструктуры.
Результаты исследования вносят вклад в понимание перспектив развития сферы жилищно-коммунального хозяйства, подчеркивая, как технологии машинного обучения могут повысить эффективность управления жилищным фондом, способствовать своевременному предотвращению аварий и повысить уровень жизни граждан.
Данный материал будет актуален для руководителей управляющих компаний и исследователей, интересующихся внедрением инновационных подходов в управление жилищно-коммунальной инфраструктурой.
Цель работы: показать правовые проблемы при развитии и внедрении искусственного интеллекта в российской действительности.
Результат. Сделан обзор темы для России, США и Китая. Хотя Россия по использованию искусственного интеллекта находится на 10-м месте в мире, однако его внедрение идет быстрыми темпами. Авторам хотелось показать (и предостеречь), что внедрение того, что называют искусственным интеллектом, развивалось еще в СССР. Один из авторов еще в 1970 году создал лабораторию машинного проектирования для автоматического
проектирования 13-слойных печатных плат бортовых вычислительных машин (авиакосмических комплексов).
К 1980 году в СССР были сотни подразделений в самых разных областях техники, которые занимались автоматизацией проектирования и управления. Развитие автоматизации остановилось в России в связи с остановкой развития промышленности в стране — практически полностью было ликвидировано пассажирское самолетостроение, станкостроение, приборостроение и только в последние годы страна опомнилась и начала говорить о развитии промышленности. Правда, на примере самолетостроения мы видим, что даже давно испытанные и ранее выпускавшиеся пассажирские самолеты никак не начнут выпускаться.
На пути внедрения искусственного интеллекта — не только искусственные преграды в лице нерадивых чиновников, но и объективные обстоятельства: отсутствие правовой базы.
Практическая ценность: настоящая работа является дополнением статьи авторов «Правовые горизонты технологий искусственного интеллекта: национальный и международный аспект» (журнал «Вопросы кибербезопасности», № 1 за 2024 год) и может быть полезной при разработке правовой базы.
В статье анализируются особенности применения и новые возможности, предоставляемые
современными стратостатными системами Swifty, SuperBIT, ASTHROS.