Рассматривается задача уменьшения размерности исходных массивов данных для улучшения эффективности обработки трафика мобильных приложений. Актуальность исследования обусловлена необходимостью оптимизации объемов передаваемых и хранимых данных при работе в условиях ограниченных вычислительных ресурсов, а также повышения скорости и качества аналитических операций. Для решения поставленной задачи применяются многослойные автокодировщики, способные формировать компактные представления исходных данных с минимальными потерями в их информативности. Подход базируется на идее обучения нейросетевых моделей, извлекающих наиболее существенные признаки из исходных массивов и способных восстанавливать их с заданным уровнем точности.
Используемые методы. В ходе экспериментов применялись различные архитектуры многослойных автокодировщиков, отличающиеся количеством слоев и размерностями скрытых представлений. Исследования проводились на реальных наборах данных, собранных из мобильных приложений широкого спектра функционала. Анализ осуществлялся путем варьирования внутренних параметров сетей и оценки результатов через интегральный статистический показатель, отражающий степень сжатия. Данный показатель позволяет выявить, насколько сильно изменяется разброс атрибутов при пропускании данных через автокодировщик.
Результаты. Для оценки фильтрующих свойств многослойных автокодировщиков предложен интегральный показатель сжатия, характеризующий изменение разброса атрибутов мобильных приложений при пропускании их через автокодировщик заданной структуры. Показатель рассчитывается как отношение среднеквадратического отклонения атрибутов на входе и на выходе, что позволяет оценить степень сжатия данных и степень сохранности информации после обработки. Показано, что увеличение интегрального показателя сжатия свидетельствует о более значительном сжатии исходных данных. Установлено, что фильтрация практически не зависит от типа приложения и лежит в пределах 10-20 % для автокодировщиков с тремя слоями, тогда как для пятислойных автокодировщиков предпочтение отдается кодировщикам с минимальной размерностью внутреннего слоя.
Основная новизна работы заключается в разработке интегрального статистического показателя, который не только отражает степень сжатия данных мобильных приложений, но и учитывает сохранность исходной информационной структуры. В отличие от существующих подходов, данный показатель позволяет проводить систематическое сравнение различных архитектур автокодировщиков с учетом не только уменьшения размерности, но и качества восстановления исходной информации. Это создает основу для более объективной оценки эффективности многослойных автокодировщиков в конкретных прикладных условиях.
Практическая значимость. Предложенная методология может быть полезна разработчикам и исследователям, работающим над оптимизацией систем сбора, хранения и обработки данных мобильных приложений. В условиях ограниченных вычислительных ресурсов, характерных для мобильных устройств и встроенных систем, использование многослойных автокодировщиков, настроенных на достижение заданного баланса между сжатием и сохранением информации, обеспечивает существенное сокращение объема передаваемых данных. Результаты исследования могут быть внедрены в существующие аналитические платформы, системы мониторинга и классификации мобильных приложений.
Представлено описание возможностей применения ChatGPT в образовательном процессе вуза. Показаны достоинства, недостатки и перспективы использования нейронной сети в педагогической практике. Приведен пример практического применения ChatGPT в обучении студентов программированию. Определены компетенции, которые помогает формировать нейросеть у студентов: креативность, когнитивная активность, навыки коммуникации, критическое отношение к информации.
В статье представлен обзор применения подхода нейросетевого обучения для задач моделирования фазового состояния углеводородных систем. Определение состояния углеводородной системы в присутствии или отсутствии неуглеводородных компонентов в пластовых условиях необходимо при выполнении гидродинамических расчетов на многофазных моделях. Такие расчеты востребованы как при решении задач прогнозирования, так и адаптации моделей месторождений к фактическим данным разработки. Показано, что при настройке моделей на фактические данные точность воспроизведения лабораторных экспериментов в ряде случаев выше, чем при использовании уравнений состояния. Но в некоторых случаях применение нейронных сетей оказывается бесполезным. Для относительно «простых» флюидальных систем рост сложности использованного инструмента не дает прироста точности по сравнению с простыми регрессионными моделями. Другой проблемой является отсутствие рабочего инструмента, который позволил бы заменить в полной мере использование уравнений состояния для оценки состояния флюидальной модели при выполнении гидродинамических расчетов.
Интерес к инновационным технологическим стратегиям и современным цифровым инструментам обработки информации значительно возрос в связи с необходимостью управления большими массивами неструктурированных данных. Автоматизированная суммаризация - важный инструмент в различных областях, требующих эффективного анализа и обработки больших объемов текстовой информации. В статье представлен обзор актуальных парадигм и сервисов автоматизированной суммаризации на основе междисциплинарных исследований в области лингвистики, компьютерных технологий и искусственного интеллекта. Особое внимание уделено синтаксическим и лексическим приемам, используемым нейросетевыми моделями для сжатия текста. В качестве примера рассмотрены сервисы QuillBot, Summate. it, WordTune, SciSummary, Scholarcy и OpenAI ChatGPT. Выявлено, что современные модели автоматизированной суммаризации успешно применяют экстрактивные и абстрактивные методы для создания резюме разного качества и объема. Экстрактивный подход основан на выделении наиболее значимых предложений в исходном тексте. Абстрактивные алгоритмы создают новые формулировки, сохраняя основную мысль оригинального текста. Автоматизированные суммаризаторы эффективно используют приемы сжатия текста (устранение избыточной информации, упрощение сложных конструкций и обобщение данных), присущие человеку в процессе обработки текстовой информации. Эти технологии обеспечивают высокую точность и связность генерируемых резюме, хотя каждая модель имеет свои ограничения. Для достижения оптимальных результатов важно учитывать специфику задачи и выбирать подходящую модель суммаризации: экстрактивную - для краткости и точности; абстрактивную - для более глубокой смысловой обработки текстовых данных.
Статья посвящена формированию системы расчета пожарных рисков при эксплуатации электроустановок в аграрно-промышленном комплексе региона. Для расчета используются экспертные системы и нейронные сети. На основе разработанной системы можно осуществлять расчет текущего пожарного риска эксплуатации электроустановки и с помощью имитационного моделированию определить какие профилактические мероприятия принесут наибольший эффект по уменьшению этого риска.
Статья посвящена исследованию технологий компьютерных шахмат и разработке программы для обучения детей игре в шахматы
Предметом исследования является выбор модели финансового прогнозирования доходов бюджета, позволяющей наиболее корректно провести оценку и получить прогнозное значение на следующий период. Целью исследования является выявление перспективных моделей финансового прогнозирования доходов бюджета РФ. Применяемые с 60-х гг. ХХ в. DSGE-модели не смогли выявить целый ряд кризисов и своевременно предсказать уровень изменения государственных доходов в США, Еврозоне, России, что не позволило оперативно корректировать политику, проводимую в области управления государственными доходами. Новизна исследования состоит в выявлении недостатков современной методологии финансового прогнозирования, связанных с устареванием используемых подходов и необходимостью поиска новых моделей, позволяющих оперативно уточнять прогностические результаты. В исследовании использовались такие методы, как: измерение прогнозных величин и размера их ошибок, анализ и сравнение результатов, полученных по методам и моделям машинного и глубокого обучения. В результате исследования прогностических методов и моделей машинного и глубокого обучения, используемых в реальном бизнесе, на фондовом рынке и в государственных финансах, были отобраны наиболее перспективные из них. Основными критериями отбора послужили: возможность моделирования нелинейных связей параметров, оперативность расчета, минимальность ошибки, отсутствие проблемы с переобучением. В процессе исследования была выявлена целесообразность проведения декомпозиции временных рядов, что позволило минимизировать прогностические ошибки и выбрать наиболее точную из моделей для прогнозирования доходов бюджета РФ. Результаты исследования могут быть использованы для формирования системы прогнозных показателей, применяемых для разработки системы дашбордов для государственных служащих с целью повышения точности и оперативности принимаемых ими решений.
Основной целью работы является разработка и проверка работоспособности математических моделей для различных игр в условиях неполной информации.
В статье рассмотрена актуальная проблема уязвимости технологий искусственного интеллекта на основе нейронных сетей в задаче распознавания образов. Показано, что применение нейронных сетей порождает множество уязвимостей. Приведены конкретные примеры таких уязвимостей: некорректная классификация изображений, содержащих вредоносный шум или заплатки, отказ распознающих систем при наличии на изображении особых узоров, в том числе нанесенных на объекты реального мира, отравление обучающей выборки и др. На основе проведенного анализа показана необходимость улучшения безопасности технологий искусственного интеллекта и даны предложения, способствующие этому улучшению
Предмет. Прогнозирование значений спредов доходности на первичном рынке корпоративных облигаций стран БРИКС. Выборка включает в себя облигации из всех стран БРИКС. Исследование проводилось на данных по облигациям компаний реального сектора экономики.
Цели. Выбрать подходящую конфигурацию искусственной нейронной сети и список входных переменных (экономических показателей) для прогнозирования спредов доходности. Проверить способность полученной нейронной сети прогнозировать спреды доходности корпоративных облигаций на данных по странам БРИКС и по России в частности.
Методология. Исследование проводилось на двух не связанных между собой наборах данных, полученных из разных источников. В первый набор данных входят только российские рублевые корпоративные облигации. Во второй - облигации компаний из всех стран БРИКС. Вначале была выбрана конфигурация нейронной сети, позволяющая получать приемлемые прогнозы на данных по России. Далее как на данных по России, так и на данных по странам БРИКС отбирались модели (списки независимых переменных), позволяющие получить наиболее точные прогнозы. Прогнозирование осуществлялось следующим образом: вначале нейронная сеть обучалась на данных за пять лет, затем на данных за шестой год строился прогноз. После построения прогноза оценивалось качество получаемого прогноза.
Результаты. В модели, рассчитываемой на наибольшем числе наблюдений и не учитывающей особенностей компании эмитента, для ~75% наблюдений ошибка прогноза не превышает 200 базисных пунктов. В остальных моделях результаты еще лучше.
Выводы. Выбранный способ прогнозирования применим на данных как по России, так и на данных по странам БРИКС.