Научный архив: статьи

В статье рассматриваются перспективы использования технологий искусственного интеллекта (ИИ) для создания и развития цифровой архивной среды, а также их влияние на оптимизацию, автоматизацию процессов работы с архивными данными. Основной целью работы является анализ современных цифровых решений, направленных на улучшение процессов хранения, поиска и обработки архивных документов (в том числе рукописных, поврежденных, многоязычных). В работе исследуются ключевые технологии, применяемые в цифровых архивах, включая интеллектуальное сканирование, обработку естественного языка (NLP), компьютерное зрение, машинное обучение и методы интеллектуального поиска. Особое внимание уделяется проблемам утраты архивных материалов, необходимости их восстановления, обеспечения безопасности и доступности данных, что особенно актуально в условиях нестабильной политической ситуации и ограниченных ресурсов для новых территорий. Исследование основано на системном анализе современных информационных технологий и их применении в архивном деле. В работе используются методы сравнительного анализа, классификации и прогнозирования, что позволяет определить ключевые направления внедрения ИИ в архивную сферу. Новизна работы заключается в комплексном подходе к анализу применения ИИ в архивной сфере, выявлении проблемных аспектов цифровизации архивов и предложении по автоматизации процессов хранения, обработки и поиска архивных данных. Сделан вывод о том, что технологии искусственного интеллекта способны значительно повысить эффективность работы архивов, обеспечивая ускоренную обработку документов, интеллектуальную классификацию, защиту данных и удобный доступ к информации. Кроме того, подчеркивается необходимость разработки новых алгоритмов на основе машинного обучения, которые позволят улучшить распознавание рукописных текстов, обработку поврежденных документов и многоязычных архивных материалов. Внедрение таких технологий становится важной частью стратегии цифровой трансформации архивного дела и играет ключевую роль в сохранении исторического наследия.

В представленной работе объектом исследования являются «Записки декабриста И. И. Горбачевского» - яркий образец декабристской мемуаристики, несущий отпечаток исторического самосознания участников движения. Данный источник предлагает ценные сведения о перипетиях взаимоотношений между участниками таких декабристских организаций, как Общество соединенных славян и Южное общество, содержит взгляд изнутри на ход и причины поражения восстания Черниговского полка, предоставляет фактологический материал о судьбе заговорщиков после суда над ними и отправки в Сибирь. Вместе с тем, начавшись еще в советской историографии, по сей день остается до конца не завершенным спор об авторстве этих “Записок”: фигура декабриста Горбачевского в качестве автора рядом исследователей считается чисто номинальной. Вполне очевидно при этом, что личность автора определяет специфику изложенных в “Записках” суждений и привносит в изложение неизбежный субъективный налет, а потому должна приниматься во внимание при работе с источником. Предметом исследования в представленной работе, таким образом, является не разрешенный до сих пор вопрос об авторстве «Записок». Авторами предложено решение задачи определения авторства «Записок декабриста И. И. Горбачевского» при помощи методов машинного обучения. В качестве возможных авторов рассмотрен сам И. И. Горбачевский, а также декабрист П. И. Борисов. Новизна исследования заключается в том, что для определения авторства «Записок» были применены методы машинного обучения. Авторы обучили четыре типа моделей для предсказания авторства каждого из предложений «Записок». В результате большинство предложений «Записок» были оценены, как написанные Горбачевским. Наибольший процент предложений, 69.2 %, был отнесён к Горбачевскому моделью Count Vectorizer + SVC. Точность всех моделей в среднем превышала 80 %, а у основанных на кодировании при помощи BERT в среднем была близка к 90 %. Основным выводом работы, таким образом, можно считать, что «Записки» более вероятно были написаны И. И. Горбачевским, чем П. И. Борисовым. Примененные в рамках представленного исследования методы дают еще один аргумент в пользу этой версии. Код и датасет доступны по ссылке: https://github. com/WLatonov/Gorbachevskiy_notes.

В течение последнего десятилетия технологии искусственного интеллекта (ИИ) стали одним из наиболее востребованных направлений развития науки и технологий. Этот процесс затронул и историческую науку, в которой первые исследования в этом направлении начались в 1980-х гг. (т. н. первая волна) - как в нашей стране, так и за рубежом. Затем наступила “зима искусственного интеллекта”, а в начале 2010-х гг. пришла “вторая волна” ИИ. Предмет исследования в данной статье - новые возможности применения ИИ в истории и новые проблемы, возникающие в этом процессе в настоящее время, когда основным направлением ИИ стали искусственные нейросети, машинное обучение (включая глубокое обучение), генеративные нейросети, большие языковые модели и т. д. Исходя из опыта применения ИИ историками, в статье предложены следующие семь направлений таких исследований: распознавание рукописных и старопечатных текстов, их транскрибирование; атрибуция и датировка текстов с помощью ИИ; типологическая классификация и кластеризация данных статистических источников (в частности, с использованием нечеткой логики); источниковедческие задачи, восполнение и обогащение данных, их реконструкция с помощью ИИ; интеллектуальный поиск релевантной информации, использование генеративных нейросетей с этой целью; использование генеративных сетей для обработки и анализа текстов; использование ИИ в архивах, музеях и других учреждениях хранения культурного наследия. Проведен анализ обсуждения подобных вопросов, организованный ведущим американским историческим журналом AHR. Это концептуальные вопросы взаимодействия человека и машины («историк в мире искусственных нейросетей»), возможности использования историками технологий машинного обучения (в частности, глубокого обучения), различных инструментов ИИ в исторических исследованиях, а также эволюции ИИ в XXI веке. Затрагивались и практические аспекты, например, опыт распознавания с помощью ИИ текстов газет минувших веков. В заключении рассмотрены проблемы использования историками генеративных нейросетей.

Авторы представляют практическое исследование особенностей заказных отзывов, которые упоминаются маркетологами и другими экспертами. Из-за обилия заказных отзывов на маркетплейсах доверие потребителей падает не просто к продавцу или площадке, но к самому жанру. В работе представлены результаты автоматической классификации отзывов с российских маркетплейсов на потенциально заказные и честные при помощи моделирования признаков, которые эксперты называют признаками заказного отзыва (наличие шаблонных слов, восклицательных знаков, эмодзи, положительная тональность), и алгоритмов машинного обучения. Для решения поставленной задачи был собран корпус с российских маркетплейсов Wildberries и «Мегамаркет» объемом 6 288 текстов. В качестве целевой переменной (предсказываемого класса) выступает соотношение лайков и дизлайков, поставленных отзыву другими покупателями. Лучший результат демонстрирует метод опорных векторов SVM (англ. support vector machine) в бинарной классификации на отзывы с низким и высоким рейтингом (без нейтральных). Модель классификации подтверждает, что формальные признаки, выделяемые экспертами как указывающие на заказные отзывы, действительно имеют предсказательный потенциал. Качество модели снижают дисбаланс в классах и недостаточное количество отзывов с реакциями покупателей в нашем корпусе, что оставляет задел для дальнейшей работы.

Развитие и широкое применение современных технологий, инструментов и методов коммуникации являются неотъемлемой частью современного информационного общества. В частности, нынешние коммуникативно-информационные технологии предоставляют возможность сформировать и извлечь цифровой след для отдельного индивида или определенной группы. Применительно к деятельности органов государственной власти такой цифровой след может быть использован для более эффективного анализа реакции общества на ее действия. Изучая цифровой след акторов социальных сетей в конкретном регионе, можно определить, как население относится к различным решениям и мерам, принятым властями. Благодаря цифровой партисипации граждане имеют возможность и инструмент для содействия управленческому процессу на стадиях формирования и реализации решений. Цифровая партисипация создает цифровой след, анализ которого дает обратную связь на действия властей. Целью работы является предложение коммуникативно-информационной модели включения цифровой партисипации в оценку социальных процессов, состоящей из механизмов и интерфейсов получения информации, а также механизмов и интерфейсов получения обратной связи для оценки деятельности органов государственной власти региона. Практически доказана работоспособность модели на примере социально значимого события в Орловской области. На примере центров управления регионом показана целесообразность внедрения модели для оценки деятельности региональных органов государственной власти через получение обратной связи. Это позволит увеличить вовлеченность граждан в регулирование социальных процессов региона и повысить качество управления.

В настоящее время индустрия контейнерных перевозок активно развивается благодаря внедрению новых технологий и современных информационных систем. Они позволяют оптимизировать процессы управления цепочками поставок и автоматизировать транспортно-логистические процессы, что в свою очередь повышает эффективность управления. При этом, одной из важных задач при планировании интермодальной перевозки является выбор оптимального маршрута, что напрямую влияет на стоимость и скорость доставки груза. Для ее решения необходимо разработать инструмент, с помощью которого будет возможно оперативно анализировать все сценарии перевозки, выбирать оптимальный маршрут и предлагать его клиенту. В статье рассматриваются существующие методы машинного обучения, применяемые для оптимизации маршрута транспортных средств. Основная цель данной статьи заключается в исследовании разработанных решений для их дальнейшего применения в транспортно-логистических процессах. Внедрение изученных инструментов поможет участникам транспортно-логистического рынка эффективно сопоставлять инфраструктурные возможности с возникающим спросом на перевозки.

Представленная научная статья рассматривает инновационные подходы к управлению логистическими рисками в Республике Казахстан с использованием примеров и статистических данных. Подходы, такие как использование технологий Интернета вещей (IoT), аналитика данных и машинное обучение, цифровизация и автоматизация процессов, а также гибридные логистические модели, рассматриваются в контексте их преимуществ и недостатков. Приведены конкретные примеры интеграции каждого подхода в практику компаний в Республике Казахстан и статистические данные о результативности их внедрения. Обсуждаются перспективы инновационных подходов в логистике Казахстана, выявляются вызовы и противоречия, а также указывается на необходимость балансировки между потребностями бизнеса, общества и государства для достижения устойчивого развития логистических систем.

В статье приводятся результаты применения методов машинного обучения для исследования данных специальной анкеты, учитывающей общие характеристики авиарейсов, характеристики пассажиров и их мнения о различных аспектах авиарейса. Цель исследования - выявление в экспериментальных данных факторов, негативно влияющих на отношение пассажиров к услугам авиакомпании. При проведении исследования были использованы популярные алгоритмы, входящие в состав свободного программного обеспечения для анализа данных и машинного обучения, университета Вайкато (Новая Зеландия) WEKA, распространяемого по лицензии GNU GPL: наивный байесовский классификатор; многослойный перцептрон, использующий алгоритм обратного распространения ошибки; метод ближайших соседей (KNN) с адаптивным подбором параметров; деревья решений - алгоритм J48, который является аналогом на Java известного алгоритма C4.5; случайный лес; логистическая регрессия; алгоритм адаптивного бустинга (AdaBoost); машина опорных векторов - алгоритм SMO (Sequential Minimal Optimization), являющийся одной из возможных реализаций алгоритма машины опорных векторов. Показано, что наилучшие по точности модели, отражающие удовлетворенность пассажиров услугами авиакомпании, получаются с помощью алгоритмов «случайный лес» (погрешность на тестовой выборке - 3,9 %) и нейросетевого подхода (погрешность на тестовой выборке - 3,7 %). Вместе с тем, указанные алгоритмы не позволяют явным образом выделить факторы, характерные для авиапассажиров, не удовлетворенных качеством обслуживания. Этот пробел восполняет алгоритм на основе метода структурного резонанса в многомерных данных SRMD, позволивший выявить в данных точные логические правила, обладающие высокой полнотой. Полученные логические правила являются хорошо интерпретируемыми паттернами пассажиров, которые либо отрицательно, либо нейтрально оценивают услуги авиакомпании в целом. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

В статье рассматривается применение генеративно-состязательной сети (GAN) в задаче повышения разрешения изображений в два раза. Приводится описание архитектуры GAN на основе сверточной сети. Сеть обучена с использованием набора данных состоящего из 540 изображений природного ландшафта с разрешением 256 на 256 пикселей. В результате тестирования GAN получены усредненные коэффициенты метрик PSNR, SSIM, MFSD, а также среднеквадратичная ошибка вывода модели VGG-19. Приведены результаты сравнения качества изображений с увеличенным разрешением на основе GAN и методом масштабирования с использованием фильтра Ланцоша.

Банковская сфера - одна из самых быстроразвивающихся отраслей финансового рынка. Банки регулярно внедряют в бизнес-процессы новейшие технологии, которые меняют облик всей экономики. Целью данного исследования стало выявление ключевых направлений внедрения искусственного интеллекта в банковской сфере, определение его преимуществ и потенциальных рисков. В статье представлены области использования искусственного интеллекта, включая обслуживание клиентов, управление финансовыми рисками, обнаружение мошенничества и соблюдение нормативных требований. Особое внимание уделено влиянию искусственного интеллекта на автоматизацию процессов, персонализацию услуг и повышение операционной эффективности. Методологическая основа исследования включает анализ научных источников, сравнительный метод и обобщение практических примеров. В ходе исследования установлено, что использование искусственного интеллекта позволяет снизить операционные издержки, повысить точность прогнозирования и сократить финансовые риски. Результаты анализа демонстрируют, что потенциал искусственного интеллекта в банковском секторе высок, однако его успешное внедрение требует комплексного подхода, включающего технологическую трансформацию, совершенствование нормативного регулирования и решение некоторых этических вопросов. В заключение подчеркивается необходимость баланса между технологическими инновациями и ответственным использованием искусственного интеллекта для достижения максимальной эффективности банковских процессов.

Целью исследования является оценка потребительских свойств линейно протяжённых участков дороги с учётом фактического коэффициента её прочности по международному показателю методами машинного обучения. Предметом исследования является интенсивность транспорта на линейно протяжённом участке автомобильной дороги и состояние его дорожного покрытия. Объектом исследования является участок дороги М-1 «Беларусь», 86-й километр, за временной промежуток с 2014 по 2024 год. Для достижения цели выбраны алгоритмы машинного обучения (линейная регрессия, градиентный бустинг, случайный лес и нейронные сети на основе длительной кратковременной памяти своего рода динамического языка программирования Python в средах разработки от Microsoft (Visual Studio Code) и Google (Colaboratory) в режиме Jupyter Notebook. Построена модель машинного обучения, посредством которой произведена оценка потребительских свойств участка дороги М-1 «Беларусь», 86-й километр, и его потребительских свойств с учётом фактического коэффициента прочности по международному показателю, а также даны рекомендации по планированию мероприятий по поддержанию и ремонту дорожного покрытия этого участка дороги. Построение подобных моделей машинного обучения и их реализация для линейно протяженных участков дорог позволит прогнозировать интенсивность транспортного потока и, как следствие, решать основные задачи содержания дороги - оптимизировать время и средства при планировании и реализации мероприятий на этапе эксплуатации объектов транспортной инфраструктуры, учитывать возможные риски потери качества состояния дороги при её обновлении и проектировании новых элементов.

В условиях автоматизированного производства одной из ключевых задач является прогнозирование износа режущего инструмента при фрезеровании, поскольку своевременная замена инструмента позволяет повысить качество обработки, сократить простои оборудования и минимизировать затраты. В статье рассматриваются теоретические аспекты прогнозирования износа, анализируются современные алгоритмы машинного обучения (регрессионные модели, деревья решений, нейронные сети) и источники данных (вибрация, температура, сила резания и др.). Обосновывается необходимость внедрения интеллектуальных систем мониторинга, позволяющих на основе анализа данных предсказывать степень износа инструмента. Полученные результаты могут служить основой для создания практических решений по интеграции машинного обучения в системы управления фрезерованием.