Архив статей журнала
Работа посвящена решению задачи сегментации текстовых изображений, целью которой является выделение на изображении документа текстовых блоков, соответствующих колонкам, заголовкам, колонтитулам и т. д. Проводится обзор существующих методов сегментации изображений, в том числе предназначенных и для поиска и выделения на изображениях текстовых блоков. Анализируются как классические методы, так и методы, основанные на использовании искусственных нейронных сетей. Для решения поставленной задачи предлагается подход на основе свёрточных нейронных сетей и модели U-Net. Описывается метод автоматической генерации обучающих примеров для обучения нейронной сети. Рассматривается процессы настройки модели, её обучения и тестирования. Приводятся результаты численного исследования обученных моделей на реальных данных.
Настоящая работа посвящена разработке и анализу нейросетевых подходов и методов к решению задачи распознавания рукописных документов. Для решения данной задачи в работе предлагается использовать модели глубоких нейронных сетей. Рассматриваются вопросы конфигурации и обучения рассматриваемых моделей, также описываются и анализируются возможные их усовершенствования. Приводятся результаты численного исследования всех предложенных подходов и сравнение их эффективности в решении поставленной задачи.
В статье проанализированы различные LMS-системы и их подход к проведению дистанционных занятий, сформированы требования к разрабатываемому модулю видеоконференций. Проанализированы различные архитектуры видеоконференций. Предложено архитектурное решение, которое впоследствии было реализовано и внедрено в Lmsdot. В рамках работы была изменена клиентская часть, создан сигнальный сервер, внедрён Pusher сервер, добавлен медиасервер mediasoup и использован его API для организации сигнального сервера. Проведено тестирование модуля видеоконференций. Модуль встроен в систему Lmsdot и показал стабильную и качественную работу
В работе проанализированы популярные платформы, позволяющие решать алгоритмические задачи. Выбраны технологии реализации модуля и изучена структура приложения «Lmsdot». Созданы диаграмма последовательности и диаграмма классов модуля. Спроектирована база данных. Модуль решения алгоритмических задач реализован с помощью фреймворков Elysia. js и Next. js. Произведена интеграция модуля с уже существующими серверами и базой данных в приложении «Lmsdot». Проведено тестирование модуля и представлены рекомендации для дальнейшего масштабирования и улучшения работы модуля.
В статье исследованы функционал и применяемые технологии в современных системах тестирования; проанализированы системы тестирования оценки знаний Moodle, Mirapolis LMS, Teachbase, и WebTutor; сформулированы требования к системе тестирования, различные сценарии взаимодействия и дизайн системы, описаны основные модули системы.
Данная работа посвящена разработке и реализации веб-приложения облачного хранилища файлов. Целью являлось создание удобного и функционального инструмента для хранения и управления файлами в облаке. В работе проводится анализ существующих облачных хранилищ, выявляются их основные особенности и недостатки. На основе этого анализа определяются требования к разрабатываемому приложению, проектируется архитектура приложения, выбор технологий и инструментов разработки. В ходе реализации уделяется особое внимание аспектам масштабируемости и отказоустойчивости системы. В результате создается полнофункциональное веб-приложение, позволяющее пользователям загружать, хранить и организовывать файлы в облаке.
В работе рассмотрена правовая точка зрения на использование бесплатных аудиофайлов, рассмотрены популярные инструменты, позволяющие формировать домашнюю аудиотеку. Проработаны варианты использования, спроектирована схема данных. Разработана серверная часть приложения с интерфейсом REST API для взаимодействия с клиентскими приложениями, а также проведено тестирование.
В данной работе представлена разработка и внедрение системы мониторинга для рекомендательной системы, интегрированной в единую цифровую платформу «Работа в России». Система использует современные методы анализа данных и модели больших языковых моделей (LLM), а также методы A/B тестирования для оптимизации и улучшения функционирования рекомендательных систем. Разработка включает проектирование клиентской и серверной частей приложения, определение функционально-технических требований и проведение тестирования.