SCI Библиотека

В работе проводится анализ существующих исследований по созданию интеллектуальных систем управления с ассоциативной памятью. Извлечение информации из ассоциативной памяти тесно связано с кластеризацией данных, что повышает способность системы обрабатывать и использовать большие объемы данных. Применяемые методы определения оптимального числа кластеров не учитывают последующую длительность, необходимую для поиска управления в кластеризованных данных из ассоциативной памяти. Целью исследования является разработка метода, критерия и алгоритма оптимизации функционирования интеллектуальной системы управления с ассоциативной памятью. Метод основан на поиске управления сначала среди центров кластеров, а затем внутри содержимого ближайшего к входным данным кластера. Критерий позволяет выбрать количество кластеров с точки зрения оценки максимальной длительности поиска управления в ассоциативной памяти для различных входных данных. Алгоритм сокращает количество итераций, необходимых для нахождения количества кластеров. Эффективность предложенного метода, критерия и алгоритма подтверждается результатами вычислительного эксперимента. Анализ полученных результатов показывает, что использование разработанных решений позволяет существенно сократить длительность поиска управления в ассоциативной памяти, повышая, в конечном итоге, эффективность функционирования интеллектуальной системы.

В данной статье представлены результаты систематического обзора литературы по проблемам управления киберфизическими системами на основе анализа данных мониторинга. Обзор включает в себя следующие этапы: формулировку вопроса исследования, поиск и отбор литературы, анализ данных и составление отчета. После отбора статей по критериям включения было выбрано 64 наиболее релевантных статьи. Результаты исследования представ-лены в виде диаграмм, таблиц и графиков. Анализ литературы позволил определить несколько основных проблем в управлении киберфизическими системами на основе данных мониторинга: проблемы безопасности, обработка больших объемов данных, сложность управления, недостаток стандартизации, необходимость быстрого реагирования. Также анализ позволил выделить методы и инструменты, использующиеся для решения проблем управления киберфизическими системами на основе анализа данных мониторинга.

В работе предложено интегрировать искусственный интеллект в модель мониторинга морской экосистемы для оценки воздействия сбросов нефтепродуктов в водные ресурсы Российской Федерации. Методология направлена на повышение точности исследований, предотвращение экологических кризисов и упрощение процессов сбора и анализа данных с применением методов машинного обучения. Постоянная оценка и обновление способствуют эффективному применению и объединению информации для оперативного реагирования соответствующих органов власти на кризисные ситуации в морской экосистеме. Данное предложение является перспективным в будущем, затрагивает новейшие технологии и различные сферы взаимодействия в программировании, планирование, законодательное регулирование, расширит решение проблемы рабочих мест, минимизирует человеческий фактор, затраты, связанные с ликвидацией последствий нефтяных загрязнений водной среды.

Предлагаемая статья посвящена методам корпоративного управления сложными ситуациями, в которых планирование невозможно. Авторы статьи более пяти лет используют и развивают метод Cynefin для работы со сложными ситуациями в российских компаниях. В статье вводятся понятия управленческой ситуации и ее различных видов: очевидной, усложненной, сложной и хаотической. Излагается разработанный нами метод Cynefin, основанный на фреймворке Cynefin (автор Дэвид Сноуден), для поддержки принятия решений в сложных ситуациях. Описаны пять шагов его исполнения, его особенности, возможности и ограничения. В статье также представлен пример практики применения метода Cynefin в части осмысления ситуации импортозамещения в области программного обеспечения на российском рынке.В статье также рассматривается применение метода Cynefin в принятии управленческих решений в разных ситуациях. В статье показано, что метод хорошо работает в сложных и хаотических управленческих ситуациях, в которых цикл управления больше похож на цикл Бойда OODA (Observe - наблюдение, Orient - ориентация, Decide - решение, Act - действие). В очевидных и усложненных ситуациях, в которых цикл управления больше похож на цикл Деминга PDCA (Plan - планирование, Do - выполнение, Check - проверка, Act - воздействие и корректировка) использование метода Cynefin избыточно. В заключении авторы выдвигают гипотезу о возрастании значимости метода Cynefin с ростом масштаба и сложности корпоративных проектов, например, связанных с импортозамещением и цифровой трансформацией, особенно в условиях роста неопределенности рыночной среды.

Одним из способов повышения качества разговорных агентов является персонификация.

Персонификация улучшает качество взаимодействия пользователя с разговорным агентом и повышает удовлетворенность пользователей за счет повышения консистентности и специфичности ответов.

Диалог с агентом становится более последовательным, минимизируется противоречивость ответов, которые оказываются более конкретными и интересными.

Для обучения и тестирования персонифицированных разговорных агентов требуются специфичные наборы данных, содержащие факты о персоне и тексты диалогов персон, в
репликах которых используются факты о персонах.

Существует несколько наборов на английском и китайском языках, содержащие в описании персоны в среднем пять фактов.

Диалоги в наборах данных составлены пользователями краудсорсинга, которые многократно имитировали различные персоны.

Метод:

В данной работе предложена методика сбора оригинального корпуса данных, содержащего расширенный набор фактов о персоне и естественные диалоги между персонами.

Новый корпус данных RuPersonaChat основан на трех различных сценариях записи: интервью, короткая беседа, длинная беседа.

Впервые собран корпус данных для персонификации разговорных агентов, включающий естественные диалоги и расширенное описание персоны.

Предложена дополнительная разметка набора данных, которая ставит в соответствие реплики персоны и факты о персоне, на основе которых она была сформулирована.

Основные результаты:

Разработана методика сбора оригинального корпуса тестовых данных, позволяющего осуществлять тестирование языковых моделей для решения большего количества задач в рамках разработки персонифицированного разговорного агента.

Собранный набор данных включает 139 диалогов и 2608 реплик.

Корпус использован для тестирования моделей генерации ответов и вопросов. Наилучшие результаты получены с использованием модели Gpt3-large (перплексия равна 15,7).

Обсуждение:

Собранный корпус данных RuPersonaChat может быть использован для тестирования п

Представлено описание разработанной системы интеллектуальной поддержки принятия решений на основе сверточной нейронной сети для диагностики пневмонии. Показано, что разработка системы интеллектуальной поддержки принятия решения для диагностики пневмонии на основе анализа медицинских данных пациентов позволит снизить риски ошибочной диагностики и улучшить эффективность лечения. Представлена информационная модель системы интеллектуальной поддержки принятия решения для диагностики пневмонии. Входная информация для системы являются медицинские снимки легких, полученные при помощи различных методов исследования. Язык программирования Python. Библиотека Keras выбрана в качестве основного фреймворка для разработки сверточной нейронной сети. Библиотека TensorFlow выбрана в качестве
основной библиотеки низкого уровня для работы с нейронными сетями. Библиотека NumPy выбрана в качестве основной библиотеки для работы с многомерными массивами данных. Библиотека Pandas выбрана в качестве основной библиотеки для работы с данными, такими как метаданные пациентов и результаты диагностики.

Среда разработки Jupyter Notebook. Создана модель нейронной сети, в качестве архитектуры выбрана сверточная нейронная сеть. Описан подбор параметров нейронной сети. Показано, что при реализации свёрточной нейронной сети, стоящей в основе системы поддержки принятия решений для диагностики заболеваний пневмонией было получено 1 246 401 параметр, 1 245 313 из которых являются обучаемыми. Результаты тестирования показали точность предсказаний в 92%.