Научный архив: статьи

В данной статье рассматривается способ решения задачи матчинга в сфере обработки естественного языка при помощи ранжирующих моделей. В ходе проведения исследования был подготовлен размеченный набор данных, на основе которого обучена модель машинного обучения для решения задачи ранжирования; реализована персональная метрика оценки качества работы обученной модели. Качественное решение задачи матчинга средствами машинного обучения позволит минимизровать или исключить работу человека в процессе сопоставления объектов, схожих по своему смыслу, но различных по своему текстовому или признаковому описанию.

В данной статье рассматривается применение нейронных сетей LSTM для прогнозирования потребления электроэнергии. Для обучения и тестирования модели использовались данные о потреблении электроэнергии за несколько лет. Для повышения качества прогнозирования были проведены эксперименты с различными параметрами нейронной сети, такими как число нейронов и глубина истории данных. Результаты показали, что нейронная сеть LSTM обеспечивает высокую точность прогнозирования объемов потребления электроэнергии на основе статистических данных. Эти результаты могут быть полезными для энергетических компаний и государственных органов, занимающихся прогнозированием и планированием энергетических потребностей.

В статье рассматривается проектирование и реализация построения рекомендаций в web-приложении онлайн-библиотеки. Исследуются такие методы построения рекомендаций, как контентная и коллаборативная фильтрации, и возможные варианты их реализации. В числе исследованных вариантов - такие методы машинного обучения, как кластеризация и регрессия, представленные тематическим моделированием и прогнозированием предпочтений, и в статье описываются алгоритмы, лежащие в основе каждого из выбранных методов, а также представляются результаты работы полученных моделей. Разработанное решение реализовано в виде сервиса онлайн-библиотеки и помогает пользователям с поиском интересующей их литературы среди книг, размещенных на ресурсе.

Задача извлечения структурированных данных из слабоструктурированного текстового представления информации является трудоёмкой, но актуальной. В статье рассмотрена задача структурирования данных для формирования дескрипторной модели студента с его компетенциями. Разработано решение, которое показывает хорошие результаты при условии, что в наличии есть большое количество данных для обучения. Данное решение можно переработать и распространить на другие области, например, проектную деятельность.

В настоящем исследовании рассматривается проблема разработки системы мониторинга и анализа инвестиционной привлекательности субъекта Российской Федерации на основе технологий Big Data. Актуальность данной темы обусловлена необходимостью привлечения инвестиций в экономику регионов и повышения их конкурентоспособности в условиях глобализации и цифровизации. Цель исследования заключается в создании эффективной системы мониторинга и анализа инвестиционной привлекательности субъекта РФ, способной обрабатывать и анализировать огромные массивы структурированных и неструктурированных данных из различных источников, таких как государственные информационные системы, социальные сети, новостные порталы, данные геолокации и др. В работе применяются методы интеллектуального анализа данных (data mining), машинного обучения, статистического анализа, а также технологии распределенной обработки данных (Hadoop, Spark). Предложена архитектура системы, включающая модули сбора, предобработки, хранения, анализа данных и визуализации результатов. Разработана методика оценки инвестиционной привлекательности региона на основе комплексного анализа более 150 показателей, характеризующих экономический потенциал, инфраструктуру, человеческий капитал, инновационную активность и инвестиционный климат субъекта РФ. С помощью методов машинного обучения (Random Forest, Gradient Boosting) построены прогнозные модели, позволяющие оценивать инвестиционную привлекательность региона на краткосрочную и долгосрочную перспективу. Апробация разработанной системы проведена на примере Новосибирской области. Результаты анализа показали, что Новосибирская область входит в топ-15 регионов РФ по уровню инвестиционной привлекательности, однако имеет ряд проблемных зон, в частности, недостаточно развитую транспортно-логистическую инфраструктуру и дефицит высококвалифицированных кадров в сфере IT. На основе полученных результатов даны рекомендации по повышению инвестиционной привлекательности региона. Разработанная система мониторинга и анализа на основе технологий Big Data может быть масштабирована и адаптирована для других субъектов РФ, что будет способствовать повышению эффективности управленческих решений в сфере инвестиционной политики и экономического развития регионов.

В эпоху стремительного развития цифровых технологий и растущей конкуренции на рынке, компании все чаще стремятся оптимизировать процессы обслуживания клиентов и повысить качество сервиса. Одним из наиболее перспективных инструментов для достижения этих целей является искусственный интеллект (ИИ). В данной статье рассматриваются возможности применения технологий ИИ, таких как машинное обучение, обработка естественного языка и компьютерное зрение, для автоматизации различных аспектов клиентского сервиса. Материалы и методы исследования включают анализ существующих научных публикаций, отчетов отраслевых экспертов и кейсов внедрения ИИ в сфере обслуживания клиентов. Проведен систематический обзор литературы с использованием баз данных Scopus, Web of Science и Google Scholar. Ключевыми критериями поиска были термины «искусственный интеллект», «машинное обучение», «обслуживание клиентов», «качество сервиса». Из первоначальной выборки в 647 публикаций были отобраны 54 наиболее релевантные статьи для детального анализа. Результаты исследования демонстрируют, что внедрение технологий ИИ позволяет существенно повысить эффективность и скорость обслуживания клиентов, снизить операционные расходы и улучшить клиентский опыт. Так, использование чат-ботов на базе обработки естественного языка дает возможность автоматизировать до 80% типовых клиентских запросов, сократив среднее время ответа с 5-10 минут до 1-2 минут. Алгоритмы машинного обучения, анализирующие историю взаимодействия с клиентами, помогают персонализировать коммуникации и повысить конверсию маркетинговых кампаний на 15-20%. Компьютерное зрение успешно применяется для биометрической идентификации клиентов и повышения безопасности транзакций. В статье приводятся конкретные примеры использования ИИ такими компаниями, как Amazon, Sberbank, Alibaba, Uber

В эпоху стремительного развития цифровых технологий и растущей конкуренции на рынке, компании все чаще стремятся оптимизировать процессы обслуживания клиентов и повысить качество сервиса. Одним из наиболее перспективных инструментов для достижения этих целей является искусственный интеллект (ИИ). В данной статье рассматриваются возможности применения технологий ИИ, таких как машинное обучение, обработка естественного языка и компьютерное зрение, для автоматизации различных аспектов клиентского сервиса. Материалы и методы исследования включают анализ существующих научных публикаций, отчетов отраслевых экспертов и кейсов внедрения ИИ в сфере обслуживания клиентов. Проведен систематический обзор литературы с использованием баз данных Scopus, Web of Science и Google Scholar. Ключевыми критериями поиска были термины «искусственный интеллект», «машинное обучение», «обслуживание клиентов», «качество сервиса». Из первоначальной выборки в 647 публикаций были отобраны 54 наиболее релевантные статьи для детального анализа. Результаты исследования демонстрируют, что внедрение технологий ИИ позволяет существенно повысить эффективность и скорость обслуживания клиентов, снизить операционные расходы и улучшить клиентский опыт. Так, использование чат-ботов на базе обработки естественного языка дает возможность автоматизировать до 80% типовых клиентских запросов, сократив среднее время ответа с 5-10 минут до 1-2 минут. Алгоритмы машинного обучения, анализирующие историю взаимодействия с клиентами, помогают персонализировать коммуникации и повысить конверсию маркетинговых кампаний на 15-20%. Компьютерное зрение успешно применяется для биометрической идентификации клиентов и повышения безопасности транзакций. В статье приводятся конкретные примеры использования ИИ такими компаниями, как Amazon, Sberbank, Alibaba, Uber

В данной статье рассматриваются перспективы применения технологий искусственного интеллекта (ИИ) для оптимизации технологических процессов в производстве. Целью исследования является анализ возможностей и ограничений использования ИИ в промышленности, а также выявление наиболее перспективных направлений его внедрения. В качестве материалов и методов исследования использовались обзор научной литературы по теме, анализ существующих примеров применения ИИ в производстве, а также экспертные интервью со специалистами в области ИИ и промышленного производства. Был проведен систематический поиск релевантных научных публикаций в базах данных Scopus, Web of Science и Google Scholar за период с 2010 по 2023 год. Ключевыми словами для поиска были «искусственный интеллект», «машинное обучение», «оптимизация производства», «промышленность 4.0» и др. Из найденных 2347 публикаций после анализа аннотаций было отобрано 156 наиболее релевантных работ для детального изучения. Кроме того, было проведено 12 глубинных интервью с экспертами длительностью от 40 до 90 минут. Результаты исследования показали, что применение ИИ позволяет значительно повысить эффективность производственных процессов. Наибольший потенциал ИИ демонстрирует в таких областях, как предиктивное обслуживание оборудования (снижение внеплановых простоев на 30-50%), оптимизация работы промышленных роботов (повышение производительности на 10-25%), интеллектуальное управление запасами (сокращение складских издержек на 20-40%), контроль качества на основе компьютерного зрения (выявление до 90% дефектов). Однако для успешного внедрения ИИ необходимо преодолеть ряд барьеров, в числе которых недостаток качественных данных для обучения моделей, дефицит квалифицированных кадров на стыке ИИ и производства, высокая стоимость решений и интеграции. В среднем внедрение комплексных систем ИИ на производстве занимает от 1 до 3 лет и окупается за 2-5 лет

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.

В данной статье рассматривается применение робототехнических систем для автоматизации процессов загрузки и выгрузки хлебобулочных изделий в хлебопечках. Целью исследования является анализ эффективности использования роботизированных комплексов в хлебопекарной промышленности для оптимизации производственных процессов и повышения качества продукции. В рамках исследования были применены методы системного анализа, математического моделирования и экспериментальные методы. Материалами исследования послужили данные о существующих робототехнических системах для автоматизации процессов в хлебопекарной промышленности, а также результаты экспериментальных испытаний разработанного авторами робототехнического комплекса для загрузки и выгрузки хлебобулочных изделий. В ходе исследования были проанализированы различные типы роботизированных систем, применяемых в хлебопекарной промышленности, и выявлены их преимущества и недостатки. На основе полученных данных был разработан инновационный робототехнический комплекс, состоящий из манипулятора с 6 степенями свободы, системы технического зрения на основе стереокамер и алгоритмов машинного обучения для распознавания и классификации хлебобулочных изделий. Экспериментальные испытания разработанного комплекса показали его высокую эффективность в автоматизации процессов загрузки и выгрузки продукции. Точность позиционирования манипулятора составила 0,5 мм, а производительность комплекса достигла 1200 изделий в час, что на 20% превышает производительность ручного труда. Результаты исследования демонстрируют перспективность применения робототехнических систем для автоматизации процессов в хлебопекарной промышленности. Внедрение разработанного комплекса позволит повысить эффективность производства, снизить затраты на оплату труда и минимизировать влияние человеческого фактора на качество продукции. Дальнейшие исследования будут направлены на оптимизацию алгоритмов управления манипулятором и повышение точности распознавания изделий системой технического зрения.

Применение технологий больших данных открывает новые возможности для оптимизации рецептур хлебобулочных изделий. Цель данного исследования - разработать методологию анализа больших данных для совершенствования рецептур хлеба и улучшения его потребительских свойств. В работе использованы методы интеллектуального анализа данных (data mining), машинного обучения и статистического моделирования. Эмпирическую базу составили структурированные данные о 2500 образцах хлеба, включающие подробную информацию об ингредиентах, режимах приготовления и результатах лабораторных испытаний. Применение алгоритмов кластеризации позволило выделить 5 устойчивых сочетаний ингредиентов, обеспечивающих оптимальные органолептические и физико- химические показатели готовой продукции. С помощью регрессионного анализа получены математические модели, описывающие влияние ключевых рецептурных факторов на объем и пористость хлеба. Метод опорных векторов использован для прогнозирования реологических характеристик теста в зависимости от состава смеси. Результаты исследования имеют значение для оперативной корректировки параметров технологического процесса и создания инновационных продуктов с заданными свойствами. В перспективе планируется масштабировать разработанную методологию на широкий спектр мучных изделий.

В статье исследуется влияние качества данных на эффективность моделей машинного обучения на предприятиях хлебопекарной отрасли в условиях больших данных. Актуальность темы обусловлена растущей ролью аналитики данных в оптимизации хлебопекарного производства и необходимостью обеспечения надежности используемых предиктивных моделей. Цель работы - выявить ключевые параметры качества данных, определяющие точность и практическую применимость моделей машинного обучения в хлебопекарной индустрии. В исследовании использован комплекс методов, включающий статистический анализ массивов производственных данных хлебозаводов, экспертные интервью (n=20) и сравнительное тестирование моделей на разных по качеству обучающих выборках. Установлено, что: 1) полнота, точность и согласованность данных являются ключевыми факторами, влияющими на обобщающую способность моделей; 2) использование предобработки данных (очистка, трансформация) позволяет повысить точность предсказаний выхода хлебобулочных изделий в среднем на 10-15%; 3) модели, обученные на качественных данных, демонстрируют втрое более высокую стабильность на тестовой выборке; 4) качество прогнозирования ключевых показателей процесса хлебопечения у адаптивных моделей может превосходить существующие нормативы на 8-12%. Результаты подтверждают критическую значимость управления качеством данных для реализации потенциала машинного обучения в хлебопекарной индустрии. Предложена методика аудита качества технологических данных хлебозаводов, ориентированная на специфику задач моделирования и оптимизации. Дальнейшие исследования связаны с разработкой инфраструктурных и управленческих решений по обеспечению качества данных в условиях цифровизации хлебопекарного производства.