Архив статей журнала
Эпоха массовой цифровизации ставит перед обществом важную задачу, заключающуюся в поддержании надежности и безопасности компьютерных систем. Существенным аспектом здесь является проактивное предсказание поломок оборудования во избежание критических сбоев и потерь данных. Одним из эффективных методов решения этой проблемы является использование интеллектуальных методов прогнозирования выхода из
строя различных устройств. Цель данного исследования заключается в обосновании эффективности интеллектуального метода оценки состояния оборудования компьютера с использованием алгоритма случайного леса (Random Forest) и подходов bagging и boosting для предотвращения потери данных на информационных накопителях компьютера. Объектом исследования является информационные накопители компьютера (HDD-диски и SSD-диски). В качестве предмета исследования выступает определение методологии интеллектуального метода для прогнозирования момента выхода из строя информационного накопителя вычислительной техники. В работе рассматривается методология интеллектуального подхода к оценке состояния оборудования компьютера
с целью предотвращения потери данных. Особое внимание уделяется применению алгоритма Random Forest в сочетании с подходами bagging и boosting для прогнозирования поломок информационных накопителей вычислительной техники на основе статистики SMART-тестов. Исследование проводилось в следующей последовательности:
- описание процесса сбора и предобработки данных для обучения модели;
- описание выбранного интеллектуального метода оценки состояния оборудования компьютеров;
- подведение итогов.
Результат проведенного авторами исследования позволит предприятиям разработать и использовать собственный метод (технологию) мониторинга состояния их информационных накопителей до момента наработки на отказ взамен зарубежных аналогов с закрытым исходным кодом.
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.