SCI Библиотека

В статье представлены результаты социологического исследования, цель которого - выявить социально ориентированные маркеры необходимости регулирования искусственного интеллекта (ИИ) в профессиональной среде. Гипотеза исследования заключается в том, что осознание необходимости регулирования ИИ внутри профессионального сообщества позволяет говорить о необходимости регулирования ИИ со стороны общества в целом и социальных наук в частности. В заключении сделан вывод о том, что только комплексный подход, основанный на экспертном мнении профессионалов, позволит сделать регулирование объективным, непредвзятым и прозрачным для всех сторон.

В статье исследуется влияние предварительного использования фильтра Калмана на качество обучения автоэнкодеров при обработке изображений с коррелированным шумом. Цель исследования заключается в сравнении эффективности применения фильтра Калмана с традиционными методами фильтрации, такими как медианный фильтр и фильтр Гаусса, в контексте предварительной обработки изображений. Для эксперимента использовались изображения с искусственно добавленным коррелированным шумом.

Методология включала настройку параметров фильтра Калмана для оптимального удаления коррелированного шума, а также применение медианного и Гауссового фильтров для сравнительного анализа. Оценка качества фильтрации проводилась с использованием индекса структурного сходства (SSIM) и пикового соотношения сигнал/шум (PSNR). Результаты эксперимента показывают, что фильтр Калмана значительно снижает уровень коррелированного шума, улучшая качество изображений и повышая точность обучения автоэнкодеров. Это подтверждает эффективность применения фильтра Калмана для предварительной обработки изображений и обеспечивает более чистые данные для последующих этапов машинного обучения. Результаты исследования подчеркивают важность выбора подходящих методов цифровой фильтрации шума для повышения производительности нейронных сетей.

Современные требования к специалистам из сферы здравоохранения давно вышли за рамки непосредственно медицины. Использование современных технических средств приводит к ситуации, когда медик должен максимально быстро адаптироваться к условиям развития информационных технологий. Необходимость помимо профессиональной деятельности развиваться в смежных областях, получение опыта в таких направлениях, как информационные технологии или телемедицина [1, с. 68], приводят к постоянному повышению когнитивной нагрузки, вследствие чего снижается качество и оперативность принимаемых врачебных решений.

В рамках данной статьи будет рассмотрена проблема визуального анализа медицинских данных, а также предложены решения для снижения когнитивной нагрузки аналитика при проведении первичной обработки и анализа слабоструктурированных медицинских данных. Для решения поставленных задач предложен метод визуализации медицинских данных, предназначенный для снижения когнитивной нагрузки и, как следствие, рисков профессионального выгорания у медиков.

Представленный в статье программный модуль получен в рамках этапа разработки программного комплекса, необходимого для решения задачи повышения качества и оперативности принятия медицинских решений.

В работе рассматриваются вопросы разработки информационной системы для тренинга самопознания. Определены средства разработки, требования к ним, разработаны основные компоненты системы, получены тестовые результаты.

В статье рассматривается проблема прогнозирования деятельности агента исходя из текстового описания задачи и визуального анализа среды. Предложено обновление подходов классической когнитивной архитектуры, позволяющее применять её в реальной среде. Разработано дополнение семиотического метода символьного обозначения авторским нейросетевым механизмом связывания векторов текстового и визуального пространств. Проведен ряд экспериментов с полученной моделью в комплексной среде эмулятора вождения автомобиля.

Приведены условия, необходимые для функционирования искусственного интеллекта. Определены основные правила успешного ведения образовательной деятельности. Приведены группы математических методов интеллектуального анализа данных. Показана эффективность применения современных методов Data Mining, Big Data и Learning Analytics в сфере образования. Выделены основные типы исследовательских вопросов для анализа и улучшения образовательных технологий с использованием Learning Analytics. Предложен принцип накопительного измерения для оценки условия соответствия, определяющего пропускную способность алгоритмов нейросети и влияющего на успешность обучения. Выделено направление использования искусственного интеллекта при формировании адаптивной среды обучения, предназначенной для конкретного индивидуума с учетом его когнитивных особенностей. Показана возможность использования нейросети для анализа эмоционального состояния учащихся, а также настройки учебной среды в соответствии с этим состоянием. По аналогии с упрощенной блок-схемой обучения нейронной сети разработана модель адаптивного обучения на основе технологий искусственного интеллекта. При адаптивном обучении с учетом индивидуальных когнитивных способностей обучаемого система обрабатывает процесс получения знаний в виде анализа его достижений, ошибок, физического, эмоционального состояний и других параметров. В результате собранной и обобщенной информации дорабатывается программа, адаптированная под ученика, при этом происходит постоянное самообучение и усовершенствование самой системы. Обоснованы актуальность и перспективы дальнейшего внедрения нейронных сетей в образовательный процесс в целом, и в педагогическое образование в частности, позволяющие обеспечить индивидуальную траекторию обучения по каждому предмету для каждого ученика с учетом его возможностей и способностей.

В настоящем исследовании рассматриваются вопросы разработки и апробации интеллектуальных систем управления (ИСУ), нацеленных на повышение производительности различных технологических процессов. Актуальность данной темы обусловлена стремительным развитием информационных технологий и возрастающей потребностью в оптимизации производственных циклов для достижения максимальной эффективности и конкурентоспособности предприятий. Цель работы заключается в исследовании потенциала применения ИСУ для усовершенствования технологических процессов и разработке практических рекомендаций по их внедрению. Материалы и методы исследования включают в себя анализ существующих подходов к проектированию ИСУ, моделирование различных сценариев их функционирования, а также проведение экспериментов на реальных производственных объектах. В частности, были изучены такие методы, как нейронные сети, нечеткая логика, генетические алгоритмы и машинное обучение. Для апробации разработанных ИСУ были выбраны три предприятия различных отраслей промышленности: металлургический завод, нефтеперерабатывающий комплекс и фармацевтическая компания. Результаты исследования показали, что внедрение ИСУ позволяет значительно повысить производительность технологических процессов. Так, на металлургическом заводе удалось сократить время плавки стали на 12%, а расход энергоресурсов – на 8%. На нефтеперерабатывающем комплексе оптимизация работы установки каталитического крекинга привела к увеличению выхода светлых нефтепродуктов на 5,6%. В фармацевтической компании применение ИСУ для управления процессом синтеза активных веществ позволило на 20% снизить количество бракованной продукции и на 15% сократить время производственного цикла. Полученные результаты демонстрируют высокую эффективность использования интеллектуальных систем управления для оптимизации технологических процессов и открывают широкие перспективы для их дальнейшего применения в различных отраслях промышленности.

Рассмотрены вопросы, связанные с автоматизацией процедуры синтеза систем прикладной фотограмметрии. Такие системы служат для измерения и учета объектов по изображениям и в настоящее время широко применяются в различных областях деятельности, таких как картографирование, археология и аэрофотосъемка. Широкому применению также способствует повышение доступности и мобильности устройств для получения изображений. Все это обусловило проведение активных исследований, направленных на разработку методического обеспечения для систем прикладной фотограмметрии. Отслеживание в ручном режиме появления новых методов и алгоритмов фотограмметрической обработки информации для широкой номенклатуры областей применения достаточно затруднительно, что делает актуальной автоматизацию данной процедуры. Предлагаемое в статье решение основано на использовании базы знаний о методах обработки информации в системах прикладной фотограмметрии, основными элементами которой являются нечеткая онтология предметной области и база данных, что логично, т.к. информация о предметной области может быть достаточно легко структурирована. В качестве основы для онтологии было взято существующее решение, которое было дополнено на основе результатов анализа текущего состояния предметной области. Полученная онтология далее использована для поиска и классификации методов обработки информации в системах прикладной фотограмметрии и заполнения базы знаний. В связи с активизацией разработки новых методов обработки информации в системах прикладной фотограмметрии возникает необходимость модификации онтологии и пополнения базы данных, т. е. пополнения базы знаний. Важным источником информации для этого является Интернет. Для автоматизации поиска данных о методах обработки информации и пополнения базы знаний целесообразно использовать большие языковые модели, благодаря которым упрощается решение нескольких задач в области обработки естественного языка, которые включают кластеризацию и формирование новых сущностей для классификации. Соответствующий метод описан в статье. Для метода приведены результаты тестирования его работоспособности. В рамках решения задач проведён сравнительный анализ больших языковых моделей, в результате которого была вобрана модель RoBERTa.

Статья посвящена актуальной проблеме представления и классификации длинных текстовых документов с использованием трансформеров. Методы представления текста, основанные на трансформерах, не могут эффективно обрабатывать длинные последовательности из-за их процесса самовнимания, который масштабируется квадратично с длиной последовательности. Это ограничение приводит к высокой вычислительной сложности и невозможности применения таких моделей для обработки длинных документов. Для устранения этого недостатка, в статье разработан алгоритм на основе трансформера SBERT, который позволяет построить векторное представление длинных текстовых документов. Ключевая идея алгоритма заключается в применении двух различных процедур к созданию векторного представления: первая основана на сегментации текста и усреднении векторов сегментов, а вторая - на конкатенации векторов сегментов. Такая комбинация процедур позволяет сохранить важную информацию из длинных документов. Для проверки эффективности алгоритма был проведен вычислительный эксперимент на группе классификаторов, построенных на основе предложенного алгоритма, и группе известных методов векторизации текста, таких как TF-IDF, LSA и BoWC. Результаты вычислительного эксперимента показали, что классификаторы на основе трансформеров в целом достигают лучших результатов по точности классификации по сравнению с классическими методами. Однако, это преимущество достигается за счет более высокой вычислительной сложности и, соответственно, более длительного времени обучения и применения таких моделей. С другой стороны, классические методы векторизации текста, такие как TF-IDF, LSA и BoWC, продемонстрировали более высокую скорость работы, что делает их более предпочтительными в случаях, когда предварительное кодирование не допускается и требуется работа в режиме реального времени. Предложенный алгоритм обработки и представления длинных документов доказал свою высокую эффективность и привел к увеличению точности классификации набора данных BBC на 0,5% по критерию F1.

Статья посвящена решению научной проблемы создания верхнеуровневого описания модели онтологии знаний для интеллектуальных систем обработки и анализа текстов на естественном языке, построенной на основе оригинальной компонентной архитектуры, обеспечивающей необходимый уровень детализации спецификаций анализируемой текстовой информации. Актуальность данной задачи обусловлена необходимостью развития теоретических основ построения информационных моделей семантических зависимостей внутри текстов на естественном языке. Автором даны определения основным терминам исследуемой предметной области. Представлена формализованная постановка решаемой задачи. Проблема «информационного взрыва», причиной возникновения которой стал экспоненциальный рост объемов цифровой информации, привела к ситуации, когда до 95% информационного потока содержит неструктурированные данные. В подобных условиях, крайне актуальной становится задача создания эффективных интеллектуальных систем поиска и приобретения знаний, в том числе, интеллектуальных систем обработки и анализа текстов на естественном языке. Научным направлением решения этой частной задачи является Text Mining (TM) - раскопка знаний в текстовой информации. В качестве примера прикладной задачи использования приобретенных знаний, в данном исследовании, рассматривается значимая проблема информационной поддержки процессов предупреждения и/или ликвидации последствий чрезвычайных ситуаций. В данной задаче исходными данными являются потоки текстовых сообщений (новостной информации, отчетов о техническом состоянии техногенных объектов, информации о природных явлениях и т.п.), поступающих в центры принятия решений, а на выходе формируются прогностические оценки и/или конкретные инструкции относительно оценки ситуации и предпринимаемых действий определенными специалистами. Одной из причин, сдерживающих развитие интеллектуальных систем обработки и анализа текста для решения задач поиска, приобретения и использования знаний, является недостаточно высокий уровень эффективности моделей и алгоритмов, обеспечивающих комплексное решение описанных выше задач искусственного интеллекта с учетом особенностей семантики и контекста.