Научный архив: статьи

Банковская сфера - одна из самых быстроразвивающихся отраслей финансового рынка. Банки регулярно внедряют в бизнес-процессы новейшие технологии, которые меняют облик всей экономики. Целью данного исследования стало выявление ключевых направлений внедрения искусственного интеллекта в банковской сфере, определение его преимуществ и потенциальных рисков. В статье представлены области использования искусственного интеллекта, включая обслуживание клиентов, управление финансовыми рисками, обнаружение мошенничества и соблюдение нормативных требований. Особое внимание уделено влиянию искусственного интеллекта на автоматизацию процессов, персонализацию услуг и повышение операционной эффективности. Методологическая основа исследования включает анализ научных источников, сравнительный метод и обобщение практических примеров. В ходе исследования установлено, что использование искусственного интеллекта позволяет снизить операционные издержки, повысить точность прогнозирования и сократить финансовые риски. Результаты анализа демонстрируют, что потенциал искусственного интеллекта в банковском секторе высок, однако его успешное внедрение требует комплексного подхода, включающего технологическую трансформацию, совершенствование нормативного регулирования и решение некоторых этических вопросов. В заключение подчеркивается необходимость баланса между технологическими инновациями и ответственным использованием искусственного интеллекта для достижения максимальной эффективности банковских процессов.

Целью исследования является оценка потребительских свойств линейно протяжённых участков дороги с учётом фактического коэффициента её прочности по международному показателю методами машинного обучения. Предметом исследования является интенсивность транспорта на линейно протяжённом участке автомобильной дороги и состояние его дорожного покрытия. Объектом исследования является участок дороги М-1 «Беларусь», 86-й километр, за временной промежуток с 2014 по 2024 год. Для достижения цели выбраны алгоритмы машинного обучения (линейная регрессия, градиентный бустинг, случайный лес и нейронные сети на основе длительной кратковременной памяти своего рода динамического языка программирования Python в средах разработки от Microsoft (Visual Studio Code) и Google (Colaboratory) в режиме Jupyter Notebook. Построена модель машинного обучения, посредством которой произведена оценка потребительских свойств участка дороги М-1 «Беларусь», 86-й километр, и его потребительских свойств с учётом фактического коэффициента прочности по международному показателю, а также даны рекомендации по планированию мероприятий по поддержанию и ремонту дорожного покрытия этого участка дороги. Построение подобных моделей машинного обучения и их реализация для линейно протяженных участков дорог позволит прогнозировать интенсивность транспортного потока и, как следствие, решать основные задачи содержания дороги - оптимизировать время и средства при планировании и реализации мероприятий на этапе эксплуатации объектов транспортной инфраструктуры, учитывать возможные риски потери качества состояния дороги при её обновлении и проектировании новых элементов.

В условиях автоматизированного производства одной из ключевых задач является прогнозирование износа режущего инструмента при фрезеровании, поскольку своевременная замена инструмента позволяет повысить качество обработки, сократить простои оборудования и минимизировать затраты. В статье рассматриваются теоретические аспекты прогнозирования износа, анализируются современные алгоритмы машинного обучения (регрессионные модели, деревья решений, нейронные сети) и источники данных (вибрация, температура, сила резания и др.). Обосновывается необходимость внедрения интеллектуальных систем мониторинга, позволяющих на основе анализа данных предсказывать степень износа инструмента. Полученные результаты могут служить основой для создания практических решений по интеграции машинного обучения в системы управления фрезерованием.

Технологии, основанные на искусственном интеллекте (ИИ), все чаще заменяют и дополняют людей в управленческих задачах, таких как принятие решений. Современные технологии искусственного интеллекта способны выполнять когнитивные функции, ранее связанные только с человеческим разумом. Согласно ресурсной концепции фирмы (RBV), когнитивные способности людей являются источником некопируемых конкурентных преимуществ, так как их трудно имитировать, таким образом, технологии ИИ способны менять источники конкурентных преимуществ.

Данное исследование посвящено выявлению факторов, влияющих на решение промышленных компаний о внедрении технологий искусственного интеллекта, а также исследованию взаимосвязи внедрения технологий ИИ с эффектами замещения и/или дополнения когнитивных способностей сотрудников и их влияния на формирование конкурентного преимущества.

Исследование проведено на базе данных 147 промышленных компаний, эмпирические оценки возникновения эффекта замещения при внедрении технологий ИИ и эффекта взаимодополнения проводились при помощи двух моделей: пробит-модели со случайными эффектами (random effect probit) и логит-модели с постоянными эффектами (fixed effect logit), которая позволила оценить внутрифирменную динамику изменения ресурсов при внедрении в бизнес-процесс технологий ИИ, то есть проследить эффект замещения ресурсов при внедрении ИИ.

Полученные результаты показали, что: (1) решение об инвестировании в технологии ИИ зависит от таких факторов, как наличие компетенций для внедрения ИИ, затраты на внедрение новых технологий и уровень текущих затрат в целом по компании, ожидание финансовых и экономических эффектов; (2) решение об инвестициях в ИИ и их интенсивность значительно выше у компаний, ожидающих сокращение времени на выполнение операций, сокращение численности сотрудников за счет уменьшения объема рутинных операций, сокращение затрат на функцию управления персоналом и увеличение скорости разработки и продвижения новых продуктов; (3) наибольшее влияние на формирование некопируемых конкурентных преимуществ оказывает внедрение ИИ в маркетинг и аналитику, разработку и ИТ, продажи и клиентский сервис и разработку новых продуктов; (4) при внедрении ИИ одновременно возникает и эффект замещения, и эффект взаимодополнения, что смещает источники конкурентных преимуществ (несмотря на то что замена традиционных специфических для области когнитивных возможностей человека на многочисленные вычислительные возможности ИИ разрушает существующее преимущество, тем не менее на основе взаимодополнения человеческих и машинных возможностей создаются новые, постоянные некопируемые преимущества). Кроме того, дополнена ресурсная концепция фирмы и показано, что неоднородные несвязанные ресурсы, такие как человек и машина, также могут быть источником уникальных конкурентных преимуществ.

Аннотация. В работе представлен обзор метода геометрического моделирования в разработке цифровых двойников, дан анализ теоретических основ, его роли в создании цифровых двойников, методологии разработки цифрового двойника с его использованием, проблем и вызовов при использовании метода, а также рассмотрены перспективы развития данной технологии.

Статья посвящена оценке текущего состояния лесного фонда в провинции Донг Най, Вьетнам, с использованием данных, собранных с помощью технологий дистанционного зондирования Земли (ДЗЗ).

Исследование направлено на применение методов дистанционного зондирования для получения данных о площади лесов, видовом разнообразии и изменениях в лесной среде.

Методы обработки снимков и классификации наземного покрова на основе данных ДЗЗ объединены на платформе Google Earth Engine для эффективной оценки изменений в лесном фонде под воздействием различных факторов, таких как урбанизация, лесозаготовка, изменение климата, лесовосстановительные и прочие работы, политика местных органов власти.

Путем интеграции данных ДЗЗ и методов классификации объектов с использованием алгоритмов машинного обучения проведена оценка текущего состояния наземного покрова через определение вегетационного индекса NDVI.

Статья представляет собой всеобъемлющий обзор состояния лесного фонда в провинции Донг Най. Результаты анализа данных показывают, что с 2010 по 2020 год площадь смешанных лесов увеличилась на 20 632 га (12,17 %), а широколиственных лесов — на 23 263 га (29,15 %), в то время как площадь других категорий наземного покрова имеет тенденцию к снижению, что свидетельствует о положительных результатах в сфере сохранения, защиты и развития лесов.

Результаты исследования не только предоставляют информацию о площади и распределении лесов, но и являются базой данных для планирования мероприятий по управлению и сохранению лесного фонда провинции Донг Най в условиях антропогенного воздействия и изменения климатических условий.

Задача выделения зданий в контексте семантической сегментации геополей представляет собой задачу перехода от множества геополей собственного и отраженного элементами суши, океана и атмосферы Земли электромагнитного излучения ко множеству геополей пространственного распределения собственного и отраженного объектами класса «Здания» электромагнитного излучения.

Проблематика выделения зданий включает в себя следующие основные проблемы: ложноположительные и ложноотрицательные срабатывания при выделении зданий, выделение отдельных зданий как одного объекта и распознавание объектов класса «Здания» на снимках, имеющих разные яркостные характеристики.

Данные проблемы, в рамках семантической сегментации геополей, рассматриваются с точки зрения снижения точности перехода от исходного множества геополей к результирующему множеству и относятся главным образом к исходному множеству.

Посредством анализа указанных проблем определены основные концептуальные решения в архитектурах нейронных сетей, позволяющие уменьшить их влияние: механизмы внимания и обработка глобальных признаков.

В результате эксперимента с архитектурами нейронных сетей STT, STEB-UNet, U-Net, MF-CNN и MSCFF, реализующими данные концептуальные решения, определены зависимости между временными затратами и конкретной реализацией концептуальных решений и наиболее эффективное с точки зрения обеспечиваемой точности решение — обработка глобальных признаков посредством мультимасштабного слияния признаков, реализуемое MSCFF.

Автомобильные дороги являются стратегически необходимой частью инфраструктуры страны, высокие требования к их состоянию обуславливают регулярный контроль качества дорожного полотна. Большая протяженность автомобильных дорог в России и влияние на них погодно-климатических условий (сезонные колебания температур, осадки) подчеркивают актуальность поиска методов неразрушающего контроля при диагностике дорог, обеспечивающих короткие сроки выполнения диагностических работ и использование минимальных ресурсов. Рассмотрены существующие решения для обнаружения повреждений дорожного полотна: применение георадара, лазерного метода, метода анализа вибровоздействий неровностей дорожной поверхности, детекция повреждений по данным лидар-устройств и системы мобильного картографирования. Целью исследования является разработка алгоритма анализа состояния дорожного полотна, позволяющего осуществлять детекцию дефектов дорожного покрытия по снимкам, полученным в процессе диагностики автомобильных дорог аэродромно-дорожной измерительной передвижной лабораторией КП-514-RDT, в комплекте с программным обеспечением IndorRoad и RDT-Line. Разработка алгоритма для обнаружения дефектов покрытия автодороги осуществлялась с применением методов машинного обучения. Выявленные дефекты имеют точную геопривязку по пикетажу измеряемого участка автодороги. В результате разработки получена обученная модель, позволяющая в автоматическом режиме размечать на снимке дефекты разных классов. Разработанный алгоритм интегрирован в программное обеспечение для управления мониторингом состояния региональных и муниципальных дорог. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

Приводится сравнение моделей сегментации для решения задачи выявления лесных рубок в зимний период по паре космических снимков Sentinel-2. В сравнение попали модели, основанные на свёрточных нейронных сетях из библиотеки segmentation models, разработанной для языка программирования Python. В качестве данных для обучения моделей использовались снимки с 2018 по 2022 г. из открытых источников Европейского космического агентства, которые были сделаны над территорией Ханты-Мансийского автономного округа Югры. Данные снимки были предобработаны для решения задач: проведения атмосферной коррекции снимков, приведения пар снимков к единой проекции, нарезки снимков на кадры. Маски лесных рубок формировались вручную с 2015 г. в центре космических услуг Югорского научноисследовательского института информационных технологий. Для оценки качества моделей использовалась F1-мера, так как требуется оценить, находит ли модель все рубки, насколько точно модель находит рубки, а также F1-мера позволяет учесть ложные срабатывания модели. Лучший результат показала модель UNet++ с оценкой 0.847. Остальные рассмотренные модели показали близкий результат, что говорит о схожести данных моделей применительно к задачам сегментации лесных рубок.

Искусственный интеллект активно проникает в градостроительную отрасль, предлагая новые возможности для оптимизации процессов и повышения эффективности. Технологии машинного обучения, компьютерного зрения и анализа больших данных позволяют автоматизировать проектирование, оптимизировать управление процессом градостроительства, повысить безопасность и снизить затраты на всех этапах жизненного цикла объекта - от проектирования до эксплуатации. Однако широкое внедрение искусственного интеллекта сталкивается с вызовами, такими как необходимость стандартизации, значительных инвестиций, обеспечения кибербезопасности. В статье рассматривается достоинства и недостатки применения вероятностного и детерминированного подхода к искусственному интеллекту для задач строительства и формирования архитектурного облика объектов городской инфраструктуры. Приводится пример разработки базы знаний автоматизированной информационной системы для раскладки облицовочных материалов на фасадах городских зданий.

В статье рассматривается использование алгоритмов машинного обучения для обнаружения аномалий на основе набора данных CICIDS2017, который был специально разработан для имитации реальных сценариев сетевых атак. Особое внимание уделено трем популярным алгоритмам: логистической регрессии, случайному лесу и нейронным сетям. Эти алгоритмы были выбраны благодаря своей способности эффективно обрабатывать большие объемы данных и выявлять сложные паттерны. В рамках статьи проведена серия экспериментов, в которых будут варьироваться объем обучающих данных и оцениваться производительность моделей как на чистых, так и на зашумленных данных. Результаты данного исследования помогут понять, как различные алгоритмы реагируют на изменения в объеме данных и качество входной информации, что является важным аспектом для разработки эффективных систем кибербезопасности.

В статье оцениваются методы машинного обучения для задачи прогнозирования когнитивной нагрузки обучающихся в средах электронного обучения с использованием данных отслеживания взгляда. Основная цель исследования – адаптивное вмешательство в реальном времени для предотвращения когнитивной перегрузки и повышения вовлеченности обучающихся в процесс обучения. В исследовании рассматриваются методы контролируемого обучения, такие как машины опорных векторов (SVM), случайный лес (Random Forest) и логистическая регрессия (Logistic Regression), с использованием симулированных данных отслеживания взгляда обучающихся. Проблема и цели исследования четко определены и сопровождаются всесторонним обзором литературы, в котором рассматривается теория когнитивной нагрузки, отслеживание взгляда и методы машинного обучения в образовательных контекстах. Методология сосредоточена на разработке и обучении моделей с использованием k-кратной перекрестной валидации для обеспечения надежности. Результаты исследования показывают, что Random Forest является самым эффективным методом, демонстрирующим способность улавливать сложные закономерности прогнозирования. Ключевой вклад данного исследования заключается в новом применении интеллектуальных методов для прогнозирования когнитивной нагрузки на основе данных отслеживания взгляда, что повышает прогностические возможности методов машинного обучения. Исследование подчеркивает важность реализации этих методов в реальном времени и проверки на реальных данных обучающихся, а также необходимость решения этических вопросов, связанных с использованием данных отслеживания взгляда в образовательных учреждениях.