Кафедра штучного інтелекту (ШІ)
Постійний URI для цієї колекції
Перегляд
Останні подання
Публікація Федеративне машинне навчання для рішення повного самостійне водіння(ФОП Петров В.В., 2022) Ларка, І. В.; Терзіян, В. Я.В доповіді наводиться результати розробки алгоритмів федеративного машинного навчання на великій кількості агентів-авто. А саме: модель комп’ютерного бачення; управління автомобілем в залежності від результатів обробки кожного кадру комп’ютерним баченням; розробка алгоритму та підходу до збереження моделі; розробити алгоритм для поширення збереженої та навченої моделі на агенті через мережу інтернет; розробити алгоритм для шифрування моделі; розробити алгоритм для злиття моделей всіх підмножин агетів в єдину цілу для поширення з іншими агентами.Публікація Дослідження методів класифікації діалогових актів(ФОП Петров В.В., 2022) Воробйов, Є. К.; Петров, К. Е.Метою дослідження є побудова моделі з використанням нейронних мереж та нечіткої логіки, яка б дозволяла враховувати контекст попередніх висловлювань при розв'язанні задачі класифікації DA.Публікація Розробка системи аналізу зображень на базі мобільного застосунку з використанням методів машинного навчання(ФОП Петров В.В., 2022) Перова, І. Г.; Бадьорний, А. С.Метою доповіді є розробка додатку, який зможе проаналізувати всі зображення на смартфоні користувача, розділити події спираючись на спільну дату та локації зображень, а також провести аналіз осіб з цих зображень. Це дозволить розподілити на мапі ці події та відфільтрувати їх за датою для швидкого та зручного знаходження події за одним із цих параметрів. Також додаток буде пропонувати спільні події з друзями, які користуються цим додатком і знаходити потенційних друзів, які є на фотографіях події, зареєстровані в додатку, але не знаходяться в друзяхПублікація Дослідження методів оцінки функціональної надійності інформаційних систем(ФОП Петров В.В., 2022) Давидова, В. П.; Петров, К. Е.Оцінка функціональної надійності ІС є складним процесом, який полягає в детальному аналізі її надійності з урахуванням таких визначальних факторів як збійні та програмні помилки, помилки операторів, а також помилки у вхідній інформації. По суті це комплексна оцінка надійності сукупності програмного, інформаційного та технічного забезпечення. Тому вирішення цієї задачі є дуже актуальним при створенні сучасних ІС.Публікація Використання методу прецедентів в системах обробки заявок(ФОП Петров В.В., 2022) Остапенко, О. О.Метою доповіді є аналіз існуючих систем підтримки прийняття рішень в системах обслуговування клієнтів та дослідження різновидів методу прецедентів та можливостей їх використання в процесах обробки заявок.Публікація Використання штучного інтелекту в ігрових додатках(ФОП Петров В.В., 2022) Узлов, Д. Ю.; Стрельченя, Д. Ю.Метою доповіді є дослідження використання штучного інтелекту у додатках та створення власної гри на основі отриманої інформації. Оскільки штучний інтелект в іграх звичайно простіший від штучного інтелекту в нашому житті, то й алгоритми не є складними. Для деяких задач підходить дерево рішень, десь використовується скінченний автомат, використовують різні алгоритму пошуку шляху: алгоритм Дейкстри, алгоритм пошуку A*. Для написання додатку буде використовуватися рушій Unity з можливістю написання на мові програмування C#Публікація Дослідження методів побудови рекомендаційних систем з використанням графових нейронних мереж(ФОП Петров В.В., 2022) Количева, П. А.; Волощук, О. Б.Для зниження інформаційної надмірності в Інтернеті широко застосовуються рекомендаційні системи для персоналізованої фільтрації інформації. Суть рекомендаційної системи полягає в прогнозуванні того, чи буде користувач взаємодіятиме з об'єктом. Тому колаборативна фільтрація (CF), яка фокусується на використанні минулих взаємодій користувача з об'єктом для досягнення прогнозу, залишається фундаментальним завданням для ефективної персоналізованої рекомендації. Найбільш поширеною парадигмою для CF є навчання латентних ознак (також відомих як ембедінги (embedding)) для представлення користувача та об'єкта, та виконання прогнозування на основі ембедінг – векторіПублікація Навчання нейронних мереж з а допомогою еволюційних алгоритмів(ФОП Петров В.В., 2022) Єсіпов, М. В.; Узлов, Д. Ю.Метою доповіді є візуалізація процесу навчання нейронних мереж за допомогою еволюційних (генетичних) алгоритмів, демонстрація методів та принципів основних складових генетичних алгоритмів – відбору, схрещування та мутацій.Публікація Інтелектуальний парсер для перетворення макетів web-сторінок у HTML розмітку(ФОП Петров В.В., 2022) Коваль, А. Ф.; Золотухін, О. В.Метою доповіді є пошук найбільш оптимального за продуктивністю алгоритму для парсингу макетів web-сторінок у HTML розмітку за допомогою глибинної нейронної мережі. В доповіді наводяться результати дослідницької роботи з пошуку оптимального алгоритму для парсингу макетів web-сторінок у HTML розмітку за допомогою моделі глибинного навчання і дозволяє моделі достатньо точно передбачати веб-компоненти.Публікація Методи моніторингу та аналізу мережевого трафіку в веб-орієнтованих системах(ФОП Петров В.В., 2022) Корнієнко, О. О.; Петров, К. Е.Метою дослідження є порівняльний аналіз існуючих та розробка нових методів моніторингу та аналізу мережевого трафіку на базі глибоких нейронних мереж в високонавантажених веб-орієнтованих мультисервісних системах. В доповіді наводиться загальна структура систем моніторингу та аналізу мережевого трафіку та порівняльна характеристика різних методів аналізу трафіку на базі глибоких нейронних мережПублікація Дослідження методів класифікації діалогових актів(ФОП Петров В.В., 2022) Воробйов, Є. К.; Петров, К. Е.Метою дослідження є побудова моделі з використанням нейронних мереж та нечіткої логіки, яка б дозволяла враховувати контекст попередніх висловлювань при розв'язанні задачі класифікації DA.Публікація Дослідження та застосування графів знань та нейромережевих моделей для обробки природномовних текстів(ФОП Петров В.В., 2022) Рябова, Н. В.; Громак, О. В.Метою даної роботи є дослідження та використання гібридних моделей на підставі графів знань та нейронних мереж для вирішення задач NLP. Вирішується актуальна задача видобування іменованих сутностей з текстів (Named Entity Extraction, NEE). NEE - це завдання, яке включає розпізнавання згадування іменованого об’єкта в тексті (Named Entity Recognition, NER), усунення неоднозначності його можливих посилань (NED) і зв’язування названої сутності з об’єктом у базі знань (NEL). NER є напрямком досліджень, що швидко розвивається и є одною із найпопулярніших завдань NLP. Задача NER полягає у виділенні та класифікації за певними категоріями іменованих сутностей у тексті, в якій ми намагаємось отримати контекстуальне значення слів, використовуючи вкладення слів.Публікація Методи побудови рекомендаційних систем на основі класифікації об’єктів за їх зображеннями(ФОП Петров В.В., 2022) Рябова, Н. В.; Чекалкін, П. О.Метою даної роботи є дослідження та аналіз найкращих практик, моделей та методів та підвищення ефективності надання рекомендацій. В якості предметної області розглядається система харчування для різних категорій користувачів в умовах певних обмежень. Є люди, котрим необхідна дієта: спорт смени, літні або хворі, люди котрі хочуть дієту за смаком і т.д. Предметом до слідження є нейромережевий підхід до розробки RS-системи в заданій пред метній галузі, а саме, системи харчування. Використання нейромережевого підходу дозволить скоротити час проведення тестів та спростити надання рекомендацій страв за рахунок розпізнавання об’єктів на фото та за певним набором характеристик.Публікація Нейромережевий підхід до прогнозування фінансового ринку та побудови інвестиційного портфеля(ФОП Петров В.В., 2022) Пахомов, І. Ю.; Рябова, Н. В.В доповіді наводяться наступні ключові підходи до прогнозування фінансового ринку: побудували модель у вигляді комбінації штучних нейронних мереж (ІНС) та генетичних алгоритмів (ГА) з дискретизацією ознак, GA для оптимізації ANN, оцінку різних методів відбору ознак додатків інтелектуального аналізу даних, приховану марківську модель (HMM) для прогнозування фондового ринку, вейвлетову-нейронну мережу (WNN), машину опорних векторів (SVM) разом із гібридним методом вибору ознак прогнозування, SVM і виконували фрактальний відбір ознак для оптимізації.Публікація Дослідження нейромережевих методів зіставлення зображень та їх текстових анотацій(ФОП Петров В.В., 2022) Рябова, Н. В.; Потапов, Д. С.Метою даної роботи є дослідження архітектур та методів генеративного моделювання з метою виявлення найбільш творчих та ефективних у навчанні моделей. У якості об’єкту дослідження розглядається перетворення тексту на зображення.Публікація Кишеньковий психотерапевт на основі емоційного інтелекту(ФОП Петров В.В., 2022) Тучков, Д. Г.; Терзіян, В. Я.В доповіді наводяться декілька моделей емоційного інтелекту: модель Майера-Саловея-Карузо (модель здібностей), змішана модель, модель соціального і емоційного інтелекту (ESI) Рувена Бар-Она. Наведені моделі показують, що люди відчувають емоції 24 години на добу, навіть коли сплять, але при цьому дуже мала частина людей вміє ними по-справжньому керувати. Ці люди є знавцями емоцій, вони добре розуміють і справляються зі своїми почуттями, а також розшифровують почуття інших людей. Підви щивши свій емоційний інтелект, люди зможуть домогтись успіхів у багатьох сферах свого життя (від особистої до громадської) і навчитися вирішувати проблеми, не залучаючи непотрібні емоції.Публікація Комунікація у мікросервісній архітектурі за допомогою черги подій(ФОП Петров В.В., 2022) Ткаченко, М. О.; Магдаліна, І. В.Метою доповіді є побудова додатку за допомогою принципів мікросервісної архітектури, за допомогою чого обробка вхідної інформації та параметрів буде відбуватися швидше, ніж стандартні методи побудови архітектури та підвищення надійності системи . В доповіді наводяться метрики, що показують швидкість та відмово стійкість програми, що була відрефакторена на мікросервісну архітектуру.Публікація Використання глибинної нейронної мережі для покращення якості відео тенісних матчів(ФОП Петров В.В., 2022) Асландуков, М. М.; Бодянський, Є. В.Метою доповіді є побудова системи для відстеження траєкторії польоту м’яча, основними складовими якої є глибинна нейронна мережа для визначення місцезнаходження м’яча на кожному окремому кадрі відео, а також спеціальний алгоритм для синхронізації отриманих результатів нейронної мережі у безперервну траєкторію польоту. В доповіді наводяться архітектура пропонованої нейронної мережі, основним прототипом якої стала U-Net [2], докладний опис набору даних для тренування та тестування системи, а також результати ефективності та якості розробленої системи.Публікація Розпізнавання емоцій з фотографій за допомогою нейронної мережі(ФОП Петров В.В., 2022) Олійник, Д. А.; Магдаліна, М. І.Використання систем для розпізнавання образів є одним із основоположних моментів промислової стратегії розвитку для більшості підприємств світу. Про це говорить експоненційне зростання ринку споживання програмних рішень, що використовують технології розпізнавання зображень, що спостерігається останніми роками.Публікація Мікросервісна архітектура системи потокової обробки великих даних(ХНУРЕ, 2022) Нефьодов, Д. А.; Удовенко, С. Г.; Чала, Л. Е.Розглянуто можливі шляхи використання мікросервісної архітектури у системах потокової обробки великих даних. Досліджено переваги і недоліки існуючих архітектур аналізу великих даних. Запропоновано варіант системи мікросервісної обробки великих даних з використанням розподіленої потокової платформи подій Kafka, платформи розробки та запуску програм Docker, об'єктно-реляційної системи управління базами даних Postgres, а також веб-платформи для створення додатків FastAPI. Розроблено архітектурні шаблони, які можуть спростити розробку застосунків для обробки великих даних з використанням мікросервісів, та концепти програм з використанням отриманих шаблонів. Наведено результати моделювання, які свідчать про те, що мікросервісна архітектура з розподіленим навантаженням на декілька реплік може забезпечити кращу масштабованість і швидкодію в порівнянні з монолітною архітектурою