В последние годы технологии искусственного интеллекта продемонстрировали значительный успех в решении проблемы анализа и прогнозирования трафика в различных телекоммуникационных системах. Прогнозирование позволяет оператору связи знать о будущем поведении сети, своевременно предпринимать необходимые меры для повышения качества обслуживания абонентов, принимать решение о необходимости установки или модернизации оборудования. На примере данных, собранных с мобильных устройств IoT, представлены обзор и анализ различных моделей прогнозирования временных рядов, описывающих поведение трафика телекоммуникационных систем. Обсуждаются такие модели прогнозирования, как метод экспоненциального сглаживания, линейная регрессия, метод авторегрессионного интегрированного скользящего среднего (ARIMA), метод регрессии машины опорных векторов, метод N-BEATS, использующий полносвязные слои нейронной сети для прогнозирования одномерных временных рядов. Кратко изложены особенности некоторых из них. Для конкретного массива данных описаны операции по подготовке данных: удаление неиспользуемых столбцов, замена отсутствующих данных о длительности транзакций на их медианные значения. Описаны основные статистические характеристики массива данных. Представлен предварительный анализ данных, заключающийся в применении методов сглаживания: скользящего среднего и экспоненциального сглаживания. Описан процесс обучения моделей и сравнительный анализ качества их обучения. Для исследуемого массива данных сделаны выводы о том, что для протокола UDP лучшее качество обучения имеет модель ARIMA, для протокола TCP - линейная регрессия и модель Theta, для протокола HTTPS - линейная регрессия, ARIMA и N-BEATS.
Четвертая промышленная революция и концепция «Открытых инноваций» не только изменили характер международных экономических процессов, но и внесли существенные изменения в образовательную сферу, что указывает на актуальность настоящей работы, цель которой – проанализировать, какие цифровые технологии могут быть использованы при подготовке преподавателей музыки в Китайской Народной Республике. Указанная цель опосредует реализацию следующих задач: раскрыть содержание понятия «цифровые технологии»; обозначить, в силу каких исторических причин китайское руководство на государственном уровне стремилось повысить цифровые компетенции будущих преподавателей музыки; перечислить цифровые технологии, которые активно использовались в подготовке китайских преподавателей музыки в период с 2000 по 2010 г. и в период с 2010 по 2023 г. Основу исследования составили работы таких авторов, как М.Г. Бреслер, Т.Л. Гурулева, Ч. Хуаи, Л.С. Орлова, К. Шваб, Л. Хан и другие. Научная новизна заключается в систематизации мнений различных исследователей по теме работы. Полученные результаты могут быть использованы практикующими преподавателями музыкальной педагогики.
В статье рассматриваются некоторые основные направления и проблемы использования искусственного интеллекта в образовании. Тема актуальна, поскольку технология искусственного интеллекта активно развивается, предоставляя все более широкие возможности для многих направлений, в том числе образования, однако в настоящее время отсутствуют возможности ее внедрения во все общеобразовательные организации.
Современные подходы к решению задачи управления шагающими роботами с вращательными звеньями представляют собой разрозненные алгоритмы, строящиеся либо на готовой локомоторной программе с дальнейшей ее адаптацией, либо на сложных кинематико-динамических моделях, нуждающихся в обширных знаниях о динамике системы и окружающей среды, что в прикладных задачах зачастую является невыполнимым. Так же, используемые подходы жестко связаны с конфигурацией шагающего робота, что делает невозможным применение метода в приложениях с иной конфигурацией (другим количеством и типом конечностей). В данной статье предлагается универсальный подход к управлению движением шагающих роботов, основанный на методологии обучения с подкреплением. Рассматривается математическая модель системы управления, основанная на конечных дискретных марковских процессах в контексте методов обучения с подкреплением. Ставится задача построения универсальной и адаптивной системы управления, способной осуществить поиск оптимальной стратегии для реализации локомоторной программы в заранее неизвестной среде, путем непрерывного взаимодействия. К результатам, отличающимся научной новизной, следует отнести математическую модель данной системы, позволяющей описать процесс ее функционирования с помощью марковских цепей. Отличием от существующих аналогов является унификация описания робота.
В данной статье рассмотрены нейросети Nice Bot, Masha GPT и ChatGPT4 для решения задач автоматизации расчетов экономических показателей на примере ООО «Машинно-технологическая станция Новоусманская», сделано сравнение результатов работы нейросетей и традиционного расчета, показаны примеры запроса постановки задач к искусственному интеллекту.
В современном мире развитие технологий изменило положение животных в разных аспектах. Однако только достижения искусственного интеллекта в области естественных языков обозначило возможность выхода на новый уровень понимания и взаимоотношения с животными. Современные технологии сделали возможным выделение и фиксацию звуков животных и сбор огромного массива звуковых и видеоданных, а опыт перевода даже в отсутствие параллельных текстов обозначил потенциал применения искусственного интеллекта для анализа звуков, издаваемых животными. Несмотря на многочисленные сложности, в том числе связанные с различием в миропредставлении животных и человека, уже существуют преценденты перевода с языка животных. В статье проанализированы возможности применения искусственного интеллекта в условиях ограниченных данных и существующие на сегодняшний день подходы к его использованию в области коммуникации животных. Если для домашних и сельскохозяйственных животных исследователи опираются на интерпретации смыслов или эмоций, то для диких животных ученые сопоставляют звуки и поведение, опираясь на потенциал искусственного интеллекта в решении неструктурированных задач. Хотя ряд новейших исследований сообщает о высокой достоверности «перевода» с языка животных, сама возможность проверки результативности вызывает сложности. Тем не менее появление новых решений, способствующих распознаванию голосов конкретных животных, классификации звуков и действий разных животных свидетельствуют о возможности появления в ближайшее время качественного скачка в понимании животных. Успех в области интерпретации звуков животных может привести не только к прогрессу в большом количестве областей, связанных с животным миром, но и к изменению статуса и положения животных. В то же время эти достижения поднимают этические вопросы, связанные с возможностью использования новых технологий во вред животным и людям.
В статье рассматриваются разработанные методы детектирования и классификации объектов в транспортном потоке на данных космической съемки сверхвысокого пространственного разрешения. С появлением в свободном доступе больших объемов спутниковых данных все большую актуальность приобретает развитие методов машинного обучения на основании геопространственных данных, в частности, спутниковых. В настоящей работе обоснован выбор источника данных о транспортных потоках - спутниковых снимков сверхвысокого разрешения, рассмотрены основные проблемы и задачи, связанные с распознаванием и классификацией объектов. Целью автора является разработка цепочки алгоритмов, позволяющей с высокой точностью детектировать и классифицировать объекты в транспортных потоках. Исследования основаны на численной оценке качества работы алгоритмов. В работе используются методы распознавания образов, машинного обучения и обработки цифровых изображений. Научная новизна заключается в уникальном алгоритме извлечения изображений локальных участков улично-дорожной сети, алгоритме определения направления дорожного движения объекта, модернизации алгоритма селективного поиска. Следует подчеркнуть, что используемые данные съемки сверхвысокого разрешения появились в доступе для частного использования относительно недавно.
В статье представлен метод классификации изображений с использованием, помимо базовой нейронной сети, дополнительной, способной адаптивно концентрироваться на классифицируемом объекте изображения. Задача дополнительной сети является задачей о контекстном многоруком бандите и сводится к предсказанию такой области на исходном изображении, при вырезании которой в процессе классификации возрастет уверенность базовой нейронной сети в принадлежности объекта на изображении правильному классу. Обучение дополнительной сети происходит с помощью методов обучения с подкреплением и стратегий достижения компромисса между эксплуатацией и исследованием при выборе действий для решения задачи о контекстном многоруком бандите. На подмножестве набора данных ImageNet-1K проведены различные эксперименты по выбору архитектуры нейронной сети, алгоритма обучения с подкреплением и стратегии исследования при обучении. Рассмотрены такие алгоритмы обучения с подкреплением, как DQN, REINFORCE и A2C, и такие стратегии исследования, как -жадная, -softmax, -decay-softmax и метод UCB1. Большое внимание уделено описанию проведенных экспериментов и обоснованию полученных результатов. Предложены варианты применения разработанного метода, демонстрирующие увеличение точности классификации изображений по сравнению с базовой моделью ResNet. Дополнительно рассмотрен вопрос о вычислительной сложности данного метода. Дальнейшие исследования могут быть направлены на обучение агента на изображениях, не задействованных при обучении сети ResNet.
Инновационное развитие современного образования продолжает идти в направлении освоения информационных технологий. Однако существенного повышения качества знаний пока не наблюдается, процесс идет гораздо медленнее, чем ожидалось. Существует проблема интеграции информационных технологий обучения и педагогических технологий. Особо актуальной она стала в связи с быстро развивающейся практикой использования нейросетей и научно-методическим обоснованием их эффективности на разных уровнях и этапах обучения. В связи с этим целью представляемого исследования явилось выявление потенциальных возможностей и рисков применения нейросетей в образовательном процессе.
Практическая часть работы представляла собой анализ и обобщение как зарубежных, так и отечественных статистических исследований относительно существующих тенденций внедрения искусственного интеллекта в сферу образования. Авторы также приводят результаты проведенного ими опроса среди обучающихся вуза на предмет выявления преимуществ и ограничений использования генеративного искусственного интеллекта в процессе обучения. На основе проведенного SWOT-анализа в статье приводятся обобщённые выводы относительно сильных и слабых сторон, рисков и угроз применения нейросетей в образовании. Полученные данные могут быть использованы для организации дальнейших исследований и более эффективного применения технологии нейросетей в образовательной практике как преподавателей, так обучающихся.
В данной работе рассмотрены возможности интеграции методов обучения с подкреплением и нечеткой логики в плане повышения эффективности алгоритмов обучения с подкреплением. Главное внимание уделяется применению таких интегрированных методов в интеллектуальных системах реального времени, особенно в системах поддержки принятия решений для мониторинга и управления сложными техническими объектами. Как основа используется метод обучения с подкреплением на базе темпоральных различий, состояние среды и сигнал вознаграждения формируются с применением нечеткой логики. Представлена программная реализация и приводятся данные компьютерного моделирования методов глубокого обучения с подкреплением на основе темпоральных различий, полученные при сравнительном анализе алгоритма на основе нечеткой логики и алгоритмов на основе нейронных сетей. Показано, что основными достоинствами алгоритмов обучения с подкреплением с применением нечеткой логики являются: эффективность обучения, выражающаяся в минимизации количества эпизодов, что особенно важно, когда доступность данных для обучения ограничена или обучение в реальном времени требует быстрой адаптации; устойчивость к шуму и выбросам в данных, что важно в реальных средах, где присутствуют шумы или изменяются данные; интерпретируемость - алгоритмы с нечеткой логикой предоставляют интерпретируемые правила и выводы на основе нечеткой логики; расширение области применения обучения с подкреплением на предметные/проблемные области и задачи с непрерывным пространством состояний. Данные исследования и разработки выполняются в рамках конструирования интеллектуальных систем поддержки принятия решений реального времени. Эти системы предназначены для помощи оперативно-диспетчерскому персоналу (лицам, принимающим решения) при мониторинге и управлении сложными техническими и организационными системами в условиях достаточно жестких временных ограничений и при наличии различного типа неопределенностей (неточности, нечеткости, противоречивости) в поступающей в систему информации, то есть так называемых зашумленных данных.