ElAr KhNURE:: Головна

ISSN: 2310-8061

Репозиторій Харківського національного університету радіоелектроніки «ElAr КhNURE» є електронною платформою, що містить публікації наукових праць та досліджень науково-педагогічних працівників, інших співробітників, здобувачів вищої освіти ХНУРЕ. Серед них монографії, статті з наукових журналів та збірників, матеріали науково-практичних заходів, наукові публікації (розміщуються за умови наявності рецензії наукового керівника) та кваліфікаційні роботи здобувачів вищої освіти (розміщуються за дозволом автора КвР).

З усіх питань звертатися до адміністратора ElAr KhNURE за адресою: yuliia.derevianko@nure.ua

Фонди в ElAr

Виберіть фонд для перегляду його колекцій.

Зараз показано 1 - 13 з 13

Останні подання

Розробка рекомендаційної системи для підбору фільмів, книг та ігор на основі аналізу користувацьких запитів
(2026) Беда, С. І.
Об’єкт дослідження – процес формування персоналізованих рекомендацій мультимедійного контенту для користувачів цифрових платформ. Предмет дослідження – методи та засоби побудови інтелектуальної системи семантичних рекомендацій на основі NLP-технологій, текстових ембедингів та аналізу поведінкових даних користувача. Мета роботи – розробка практичної реалізація інтелектуальної системи семантичних рекомендацій медіаконтенту, що забезпечує персоналізовані рекомендації фільмів, книг та відеоігор на основі аналізу природномовних запитів користувача. Методи дослідження – теоретичний, експериментальний. Методи розробки базуються на технології текстових ембедингів Sentence Transformers, мірі косинусної схожості для семантичного порівняння, а також методах контентної фільтрації. У бакалаврській роботі досліджено сучасні підходи до побудови рекомендаційних систем та методи семантичного аналізу природної мови. Проведено аналіз контентної, колаборативної та гібридної фільтрації, розглянуто застосування трансформерних моделей і великих мовних моделей для формування персоналізованих рекомендацій. Розроблено веборієнтовану рекомендаційну систему для підбору фільмів, книг та відеоігор на основі природномовних запитів користувача.
Реалізація та порівняльний аналіз ефективності агентних інтелектуальних систем для автоматизованої обробки клієнтських звернень
(2026) Бєляєв, Д. М.
Об’єкт дослідження – процес автоматизованої обробки клієнтських звернень інтернет-провайдера. Предмет дослідження – агентні інтелектуальні системи на основі локальних великих мовних моделей для класифікації звернень та екстракції структурованих даних. Мета роботи – реалізація та порівняльний аналіз ефективності чотирьох локальних LLM-агентів за критеріями точності класифікації, якості екстракції даних та швидкості обробки. Методи дослідження – теоретичний, аналіз архітектури великих мовних моделей, токенізації та квантизації, та експериментальний, програмна реалізація агентного пайплайну та статистична обробка метрик. Розробку виконано на платформі n8n із середовищем Ollama. У результаті роботи спроєктовано та реалізовано пайплайн обробки електронних звернень, який виконує класифікацію за шістьма категоріями, визначення тональності й пріоритету та екстракцію структурованих даних із записом у Google Sheets. Проведено серію експериментів із моделями Gemma 3 12B, Qwen 3 8B, Llama 3.1 8B та Mistral 7B на наборі україномовних звернень з еталонною таблицею. За результатами порівняння визначено модель з найкращим співвідношенням точності й продуктивності та сформульовано рекомендації щодо її вибору для практичного впровадження.
Дослідження повного циклу розробки генеративних мовних моделей: від підготовки даних до оптимізації інференсу
(2026) Аргунов, М. К.
Об’єкт дослідження – процес побудови малої мовної моделі на базі архітектури Transformer. Предмет дослідження – методи підготовки даних, архітектурні рішення та стратегії навчання, що впливають на якість генералізації моделі. Мета роботи – демонстрація повного шляху побудови мовної моделі від підготовки та фільтрації даних до оцінки на прикладній задачі машинного перекладу (DE→EN). Методи дослідження – експериментальний метод (побудова та навчання моделі з різними конфігураціями даних), порівняльний аналіз (зіставлення результатів моделей, навчених на фільтрованих та нефільтрованих даних). Розроблено триетапний конвеєр фільтрації веб-корпусу OSCAR, що відсіює приблизно 90% документів. Реалізовано кастомну encoder-decoder Transformer-архітектуру з приблизно 100M параметрами із сучасними модифікаціями (GQA, RoPE, SwiGLU, Pre-LN). Проведено передтренування та дотренування на задачі машинного перекладу. Емпірично підтверджено, що модель, передтренована на 250M фільтрованих токенів, перевершує модель на 384M нефільтрованих токенів за якістю генералізації, що еквівалентно приблизно 35% економії обчислювальних витрат
Розробка інтелектуальної автоматизованої системи з бронювання квитків на авіаперельоти
(2026) Авілов, Д. Ю.
Об’єкт дослідження – процес автоматизованого відбору та ранжування авіамаршрутів в умовах багатокритеріального вибору. Предмет дослідження – методи та алгоритми інтелектуального ранжування результатів пошуку авіарейсів з урахуванням персональних вподобань користувача. Мета роботи – проєктування та реалізація інтелектуальної системи бронювання авіаквитків із гібридним підходом до ранжування, що поєднує rule-based фільтрацію та логістичну регресію з персоналізацією. Методи дослідження – rule-based фільтрація, машинне навчання, багатокритеріальний аналіз, об’єктно-реляційне відображення, модульне та інтеграційне тестування. Реалізовано трирівневу клієнт-серверну систему на FastAPI, React і PostgreSQL. Розроблено ETL-модуль для імпорту даних OpenFlights та OurAirports і генерації понад 108 тисяч рейсів. Реалізовано AI-пайплайн ранжування з витягом ознак, логістичною регресією та поясненням результатів. Механізм персоналізації динамічно перераховує вагові коефіцієнти без перенавчання моделі. Результати підтверджено автоматизованим тестуванням.
Інформаційна технологія інтелектуального синтезу мовлення на основі текстових даних
(2026) Агафонов, В. Д.
Об’єкт дослідження – синтез мовлення з текстових даних. Предмет дослідження – використання Flow Matching для швидкого та якісного синтезу мовлення. Мета роботи – розробка моделі для синтезу мовлення, шляхом створення архітектури моделі, її програмної реалізації та навчання моделі і подальше використання її для синтезу мовлення. Методи дослідження – теоретичний збір необхідної інформації, а саме збір даних про функціонування мовлення, фонетики, аналіз існуючих рішень та їхніх переваг і недоліків. Експериментальне дослідження, шляхом розробки архітектури та її програмної реалізації використовуючи мову програмування Python на базі фреймворку PyTorch та супутніх бібліотек оброки даних. У результаті роботи було проведено теоретичний аналіз існуючих архітектур, з врахуванням їхніх недоліків було створено власну архітектуру з використанням Flow Matching. Модель було навчено на датасеті LJSpeech та паралельно навчено ще одну копію моделі на українському датасеті filatov-24000. Отримані навчені моделі змогли показати кращий результат ніж проаналізовані минулі архітектури, які були навчені на аналогічних наборах даних.