В статье рассматривается вопрос применения нейронных сетей в качестве персональных ассистентов современного педагога. Приводится алгоритм самостоятельного создания чат-бота, описывается алгоритм профилирования нейронной сети за счет изменения контекста ее работы по умолчанию. Важным фактором является наличие инструкции, где подробно, с иллюстрациями, показан весь процесс создания такого чат-бота. Ввиду отсутствия ограничений на количество чат-ботов у современного педагога появляется возможность самостоятельно создать команду виртуальных ассистентов, которые станут его надежной опорой в непрофильных для него задачах.
Проблема и цель. Целью является получение данных в результате моделирования с привлечением нейросети и обоснование возможности использования аппарата искусственных нейронных сетей в тепличном комплексе.
Методология. Агропромышленный комплекс (АПК), как отрасль в целом, невозможен без наличия в нем методов и способов производства, требующих заметного количества внедрённых средств автоматизации производства и управления. Управление практически любой системой невозможно без обработки больших объёмов статистических данных. Использование системы управления тепличным комплексом в сфере АПК имеет те же задачи. В статье приведено описание подхода к проектированию специального модуля системы цифрового управления теплицей с возможностью получения прогнозируемых данных об оценке технических элементов объекта. Объект исследования: тепличный объект общего назначения и цифровые данные, получаемые через коммуникационную сеть от цифровых технических элементов. Кратко описана используемая коммуникационная сеть. Предполагается использование технических элементов, имеющих функции накопления и/или передачи измеряемых данных.
Результаты. На первом этапе была исследована сама возможность применения обученных нейросетей для работы с данными элементов от объектов АПК. На втором исследовалась возможность использования аппарата искусственной нейросети на ограниченном наборе данных для получения прогнозных результатов. В описываемом подходе предполагается использование численных методов для моделирования и метод прогноза с помощью аппарат искусственных нейронных сетей для прогноза состояния технических элементов.
Заключение. Модуль, с использованием нейросети, может быть применен в составе управляющего ПО для мониторинга технических элементов и объектов АПК. Используемый способ применения нейросети с простой архитектурой, с упором на результаты моделирования, позволил исследовать применение такого подхода в системе управления теплицей на основе статистики с объекта.
Проблема и цель. В настоящее время в сельском хозяйстве имеется возможность получать большие объемы неструктурированных данных, однако не существует достаточного количества платформ для их накопления, систематизации и обработки. Имеется острая необходимость систематизации баз данных по продаже сельскохозяйственной продукции, запасных частей и расходных материалов сельскохозяйственной техники, оказанию различных услуг и сдаче в аренду техники и оборудования. Цель исследований - оценить возможность применения технологий Big Data для систематизации баз данных по продаже запасных частей и расходных материалов сельскохозяйственной техники.
Методология. В алгоритмах обработки больших данных в последнее время все чаще используют нейронные сети. Нейронная сеть строится из нейронов. Нейроны - это объекты, на вход которых подаются значения xi, x2,.., xn, после чего внутри происходит ряд вычислений и на выходе получается значение y. В машинном обучении используют генетические алгоритмы. Данные алгоритмы основаны на теории эволюции и естественном отборе. В этих алгоритмах сначала вычисляется приспособленность нейронной сети, то есть ее способность выдавать необходимый нам результат, на основании чего происходит размножение нейронных сетей в несколько копий, при этом с каждой из них происходит мутация (т. е. изменение параметров нейронной сети).
Результаты. Использование технологий Big Data может повысить эффективность обработки данных, связанных с изучением снабжения запасными частями сельскохозяйственной техники.
Заключение. Использование технологий Big Data позволяет улучшить качество управления за счет, во-первых, предоставления информации в достаточном объеме, во-вторых, существенного удешевления сбора необходимой информации, а в третьих, упрощения сбора большого количества статистических данных по многим, не связанным между собой хозяйствам, что позволяет производить более качественные научные исследования.
Введение. Современные художники все чаще прибегают к новым способам создания произведений искусства – происходит постоянное внедрение нейросетевых программ и новых методик, что приводит к качественно новым результатам и новому художественному мышлению. В данном случае особо интересен опыт Китая, где на законодательном уровне внедряются разработки искусственного интеллекта в создание художественных работ. Теоретический анализ. Существуют несколько концепций, рассматривающих творчество и авторство в эпоху искусственного интеллекта. Исследователи сходятся на мнении, что сейчас мы находимся в эпохе соавторства с нейросетями, так как они могут привносить новые элементы в изначальный замысел художника. Китайские авторы активно используют ChatGPT, Midjourney и другие нейросети для разработки и усовершенствования своих идей.
Заключение. Методология применения нейросетей обогащает творчество современных художников, но одновременно может стать угрозой для когнитивных способностей будущих авторов.
В статье раскрыты аспекты применения технологий искусственного интеллекта в экономическом образовании. Для выявления различных проблем, возникающих при применении технологий искусственного интеллекта в образовательном процессе, использованы результаты онлайн-опроса, проведённого среди студентов и преподавателей экономического факультета регионального вуза. Автором обозначены преимущества и недостатки внедрения технологий искусственного интеллекта в образовательный процесс в экономико-управленческой сфере. Сформулированы возможные эффекты при применении технологий искусственного интеллекта в образовании, влияющие на качество обучения. Для получения положительных эффектов необходимо соблюдать баланс между участниками образовательного процесса.
Предметом исследования является искусство нейронных сетей как одно из направлений генеративного искусства, возникшее на стыке технологий искусственного интеллекта и культуры. Это направление трансформирует традиционные представления об авторстве, творческом процессе и роли человека, вводя в процесс активное участие алгоритмов и машин. Особое внимание уделено историко-культурологическому анализу, охватывающему эволюцию генеративного искусства - от первых механических автоматонов и экспериментов авангардистов прошлого века, до современных нейросетевых технологий. Цель исследования заключается в изучении культурологических аспектов искусства нейронных сетей, его влияния на восприятие творчества и роли в формировании новых эстетических категорий. Работа направлена на выявление трансформации художественного процесса под воздействием технологий и их значения в глобальных культурных изменениях. Методология исследования основывается на историко-культурологическом анализе, междисциплинарном подходе и философских концепциях авторства и оригинальности. Применяются аналитические методы изучения примеров генеративного искусства и взаимодействия технологий с современной культурой. Новизна исследования заключается в культурологическом осмыслении искусства нейронных сетей как уникального явления, формирующего новые представления о творчестве, авторстве и взаимодействии человека с технологией. Исследование автора выявляет связь между традиционными формами искусства и новыми методами, основанными на алгоритмах глубокого обучения, что позволяет увидеть эволюцию художественного процесса в широком историко-культурологическом контексте. Основные выводы затрагивают переосмысление концепции авторства в искусстве нейронных сетей, роль алгоритмов как равноправного участника творческого процесса, а также расширение традиционных эстетических категорий за счёт использования случайности и автономности. Искусство нейронных сетей представлено как важный феномен культурных трансформаций, способствующий формированию новых художественных форм и глобальному пересмотру отношения к искусству и технологиям.
В данной статье проанализирована эффективность использования нейронной сети для определения маневров расхождения двух судов. Дано краткое описание алгоритма и скрипта MATLAB, позволяющего находить изменения курсов для предотвращения столкновений пар судов. Описывается процесс создания обучающей выборки с помощью ранее разработанного скрипта, включающий предварительную обработку данных для устранения нереалистичных сценариев сближения пар судов, а также ситуаций, в которых отсутствует опасность столкновения. Обучение нейронных сетей выполнялось с помощью алгоритмов оптимизации Левенберга - Марквардта и Adam. В ходе исследования было обучено одиннадцать нейронных сетей с различными параметрами, из которых выбрана сеть, позволяющая прогнозировать изменения курсов для расхождения на безопасной дистанции для пар судов с точностью 94,8 % (точность прогнозов нейронной сети в данном исследовании определена как количество пар изначально опасно сближающихся судов, дистанция кратчайшего сближения которых после обработки нейронной сетью находилась в пределах 0,8-1,2 мили, поделенной на общее количество пар судов). В исследовании выполнено сравнение времени, затраченного на вычисление маневров расхождения с использованием алгоритма и нейронной сети. Исследование показало, что при увеличении количества опасно сближающихся судов до четырех и выше нейронная сеть затрачивает на прогнозирование маневра расхождения в пять раз меньше времени, чем алгоритм. С увеличением числа опасно сближающихся судов разрыв во времени обработки данных между нейронной сетью и алгоритмом увеличивается, что подтверждает целесообразность применения нейронных сетей в обработке больших массивов данных с парами опасно сближающихся судов. В дальнейших исследованиях планируется создать алгоритм для решения задачи безопасного расхождения группы судов, осуществляемого на основе попарного анализа опасности столкновений.
Цель работы состоит в усовершенствовании методов компьютерного мониторинга и параметрической идентификации моделей расходных характеристик судов для анализа и прогнозирования показателей энергоэффективности объектов водного транспорта, а также оптимизации режимов работы дизель-генераторных агрегатов.
Предложен алгоритм параметрической идентификации характеристик «вход-выход» различных по природе технологических процессов и систем (технических, биологических, экономических, социальных, экологических и др.) по данным измерений с помощью аппроксимоторных (регрессионных) нейронных сетей с возможностью количественной оценки погрешности параметрической оптимизации по эвклидовой норме.
В отличие от известных методов параметрической пригонки модели по статистическим рядам предлагаемый способ базируется на обучении многослойной нейрон ной сети с обратным распространением ошибки отклонений значений выходных сигналов от эталонных с целью ее коррекции за счет введения поправок в значения весовых коэффициентов синаптических связей.
Реализация алгоритма идентификации на основе предлагаемого способа пригонки модели выполнена с помощью радиальных нейронных сетей, имеющих фиксированную структуру с одним скрытым и одним выходным слоями в соответствии с нелинейными и линейными функциями активации нейронов, обеспечивающих точность отображения образов на основе эвклидовой метрики.
Предлагаемый подход позволяет упростить режимы обучения и обеспечить приемлемую точность аппроксимации и идентификации. Алгоритм реализован при оценивании параметров расходной характеристики судна с известной структурой модели потребления топлива по соответствующему статистическому ряду при заданном начальном приближении. Алгоритм может быть применим для идентификации параметров моделей характеристик расхода энергоресурсов как на судах, так и в целом в отрасли внутреннего водного транспорта при вычислении целевых индикаторов и показателей ее развития.
Самоорганизация — удивительное свойство живых организмов, к пониманию которого настойчиво продвигается современная наука. Изучение процессов самоорганизации имеет не только принципиальное, но и большое практическое значение, открывая возможность использовать природные механизмы при создании современных технических устройств.
В книге собрано 22 доклада видных американских и английских ученых, в том числе таких всемирно известных исследователей, как Эшби, Розенблатт, Маккаллок, Паск и др. Тематика докладов чрезвычайно разнообразна, она охватывает пограничные вопросы математики, физики, техники, биологии, психологии и философии. Особую ценность придает книге помещенная в конце докладов дискуссия.
Материал книги весьма интересен для специалистов различного профиля — математиков, инженеров, биологов, нейрофизиологов, психологов, философов и всех, кто интересуется проблемами современной кибернетики и бионики.
Авторский коллектив рассматривает вопросы разработки и апробации системы сквозного внутреннего контроля в организациях агросферы с использованием искусственного интеллекта (ИИ). В условиях динамично меняющейся рыночной среды такая система становится необходимым этапом для успешного развития сельскохозяйственных организаций. Она позволяет эффективно управлять рисками и адаптироваться к непредсказуемым внешним и внутренним факторам, характерным для аграрного сектора. Предложенная система сквозного внутреннего контроля на основе ИИ охватывает все аспекты деятельности организации и обеспечивает непрерывный контроль на протяжении всего технологического цикла. Она помогает своевременно выявлять и устранять проблемы, связанные с качеством продукции, безопасностью и соответствием стандартам. Использование современных информационных технологий в контрольной деятельности организаций агросферы, предложенных в статье, позволяет превентивно запустить механизм нивелирования рисков, связанных с человеческим фактором, и непрерывно мониторить воздействие факторов внешней и внутренней среды хозяйствования экономического субъекта на основе оперативных информационно-аналитических механизмов.