SCI Библиотека

Мошенничество с банковскими картами является распространенной и усугубляющейся проблемой в финансовом секторе, требующей инновационных решений для точного и эффективного обнаружения. Традиционные методы обнаружения мошенничества, во многих случаях эффективны, но сегодня они сталкиваются с масштабируемостью и сложностью современных схем мошенничества. Недавние достижения в области квантовых вычислений открыли новые пути для решения этих проблем. В статье представлен квантовый анализ потоков транзакций (QTF A) – инновационная квантовая методология для улучшения обнаружения мошенничества с банковскими картами. QTFA использует принципы квантовой механики, такие как суперпозиция, запутанность и квантовая оптимизация, для моделирования и анализа потоков транзакций в квантовой сети. Представляя транзакции как квантовые состояния, а их отношения как запутанности, QTFA обеспечивает точное обнаружение аномалий с помощью квантовых измерений. Экспериментальные результаты показывают, что QTFA превосходит классические методы машинного обучения, такие как случайные леса и опорные векторные машины (SVM), достигая 98-процентной точности (accuracy), 10-процентного снижения ложных срабатываний и улучшенной полноты (recall). В статье также рассматривается интеграция QTFA в реальные системы, подчеркивается ее потенциал для революционных изменений в обнаружении мошенничества, а также определяются текущие ограничения и направления будущих исследований.

В работе описывается метод построения графа знаний по телекоммуникационным данным на основе проприетарных и эталонных моделей, используемых в области телекоммуникаций. В качестве эталонных рассматриваются модели, входящие в фреймворк, разработанный консорциумом TM Forum. Граф знаний проприетарных моделей предлагается строить с помощью автоматизированной обработки лог-файлов автотестов и таблиц БД биллинговой системы. Актуальность применения графов знаний обусловлена их структурированностью и семантичностью, а также возможностью последующего применения алгоритмов машинного обучения для генерации рекомендаций по оптимизации телекоммуникационных процессов и систем. Предложено применение метода на основе подхода многошагового рассуждения для создания интерпретируемых рекомендаций по восстановлению отсутствующих связей, путём их прогнозирования в проприетарном графе знаний. Предложенный метод рассматривает многошаговое рассуждение как задачу ответа на вопрос с использованием обработки естественного языка. Применение разработанного решения на основе нейросетевой архитектуры трансформера обеспечило интерпретируемые результаты с сохранением значений метрик, по сравнению с аналогами.

В статье рассматривается подход к анализу и оптимизации эффективности сетевых организационных систем в условиях активизации процессов автоматизации и цифровизации. Выделен класс организационных систем с автоматизированными устройствами обслуживания, результатом деятельности которых является выполнение услуг. Включение в сетевую структуру сервисных автоматов определяет особенность решения задач анализа и оптимизации. Анализ базируется на имитационном моделировании исследуемого класса систем как систем массового обслуживания с варьируемой топологией каналов обслуживания. Поэтому оптимизируемыми переменными определены альтернативные переменные, характеризующие компоненты топологии, которые связаны с дублированием как компонентов, так и автоматизированных устройств в целом. К этим переменным добавлены переменные, влияющие на лояльность клиентов за счет предоставления скидок в определенные временные периоды. Оптимизационная модель представляет собой объединение формализованных описаний зависимостей от оптимизируемых переменных экстремального и граничных требований. В качестве экстремального требования определена необходимость максимизации дохода, а граничных - временные характеристики, связанные с временем простоя автоматизируемых устройств и временем простоя обслуживания. Алгоритмизация принятых решений по варианту топологии сетевой системы и механизму повышения лояльности клиента основана на объединении трех составляющих итерационного процесса поиска: анализа исследуемой организационной системы с использованием имитационной модели; имитацией направленного перебора при случайных значениях альтернативных переменных; окончательного выбора на множестве перспективных вариантов путем экспертного оценивания. Предложена структурная схема алгоритма, базирующегося на интеграции перечисленных составляющих.

В статье предлагается интеллектуальная система (программно-аналитический комплекс) на основе искусственной нейронной сети для управления учебным процессом на данных, полученных от структурных подразделений организации. Для моделирования совершенствования бизнес-процессов используется цикл Деминга. Представлена структура (модель) программно-аналитического комплекса, позволяющего выявить и проследить связанные друг с другом вертикальные и горизонтальные процессы, что дает формализованное описание системы, удовлетворяющее требованиям алгоритма. Построена онтологическая модель структуры комплекса программной аналитики, которая увязывается с набором решений с использованием баз данных и знаний и разбивается на классы объектов и категории с иерархическими отношениями между ними. Чтобы поделиться этими знаниями, в SAC необходимо предоставить их конкретное описание. Оно должно быть достаточно формальным, понятным для другой системы и написано на том же языке. Новизна заключается в решении задачи интеграции информационных систем, связанных со слабоструктурированными предметно-ориентированными информационными потоками образовательного учреждения, с использованием методов теории множеств и теории категорий. Описание свойств отношений между объектами учета происходит на высоком уровне абстракции, появляется возможность существенно расширить сферу применения предлагаемого метода построения программно-аналитического комплекса на основе онтологической модели для различных предметных областей с учетом многоуровневого рассмотрения самой предметной области, а также конечных и бесконечных областей значений. При этом автоматически определяется необходимый уровень абстракции для обеспечения структурной и параметрической целостности формируемой системы и интерпретации возникающих задач анализа данных, представленных семантическими моделями.

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.

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%.