Научный архив: статьи

В настоящее время одним из востребованных направлений применения интеллектуальных систем является использование нейронных систем (НС) в системах по распознаванию речи, выполняющее совместное разделение голоса и улучшение речи. Для этого необходимо различать различные шумы при смешивании чистого аудио с мешающими высказываниями.

В научной работе предложен новый подход в обучении НС при распознавании речи по двум направлениям:

во-первых, представлена обновленная функция потерь, способная напрямую учитывать производительность на уровне сигнала и транскрипции. Это позволит снизить показатель индикатора неправильно распознанных слов с 59,6 % до 55,6 % и улучшит отношение источника к искажению с ~ 4 дБ до ~ 4,1 дБ по сравнению с имеющимися аналогами. Интеграция индикатора неправильно распознанных слов в функцию потерь существенно повышает производительность разделения на уровне сигнала и транскрипции;

во-вторых, в работе предложена оригинальная модернизированная интеллектуальная система по распознаванию речи с учетом обновленной функции потерь. Преимуществом новой системы является ее возможность интегрироваться в другие системы без ограничения системной среды, что создает дополнительные возможности для более разнообразных комбинаций систем разделения и распознавания речи.В настоящее время одним из востребованных направлений применения интеллектуальных систем является использование нейронных систем (НС) в системах по распознаванию речи, выполняющее совместное разделение голоса и улучшение речи. Для этого необходимо различать различные шумы при смешивании чистого аудио смешающими высказываниями.

В статье с позиций теории цифровизации судебно-экспертной деятельности как частной теории судебной экспертологии рассматриваются перспективы внедрения нейронных сетей в судебную экспертизу и возникающие при этом актуальные проблемы. Автор отмечает изменения в методологии и технологиях разработки экспертных методик в связи с внедрением алгоритмов искусственного интеллекта - нейронных сетей. Обозначены сферы применения нейронных сетей для решения разнообразных задач науки и практической деятельности. На конкретных примерах продемонстрированы возможности использования алгоритмов контролируемого обучения нейросетей в судебно-экспертной практике. Дан подробный анализ причин, по которым использование нейронных сетей в судебной экспертизе может привести к ошибочным заключениям. Особое внимание уделено галлюцинациям нейронных сетей глубокого обучения на больших языковых моделях. Существует опасность, что эксперт, всецело полагаясь на нейросеть, может сделать неправильный вывод, поскольку самообучаемые генеративные нейросети не дают объяснения, почему приняли то или иное решение. Для разработки методик решения типичных экспертных задач на основе нейросетей предлагается создание баз данных (Dataset) для анализа и машинного обучения по различным объектам судебной экспертизы. Для хранения Dataset необходимо организовать репозитории, которые могут содержать наборы данных по родам (видам) судебных экспертиз. Dataset и репозитории обеспечат контроль качества данных и верификацию моделей. В статье обоснована необходимость новых компетенций специалиста Data Scientist, который формирует инструменты для решения судебно-экспертных задач при внедрении нейросетей и других алгоритмов искусственного интеллекта в судебную экспертологию, а также работающего с ним в контакте инженера по машинному обучению.

В данной статье изучена тема нейронной сети, какова её роль и помощь в дизайне. Нейронная сеть основывается на принципе работы нейронов головного мозга, так как имеет отличительные от других программ способности к обучению, что открывает большое количество возможностей для использования потенциала данного алгоритма во многих сферах деятельности человека. Уже сейчас нейросеть способна анализировать и выдавать результаты по запросам людей, генерируя картинки, тексты и другие материалы. Со временем способности и возможности будут только совершенствоваться, поэтому нейронная сеть обладает большими перспективами.

В связи с проблемой включения в гражданский оборот объектов, произведенных искусственным интеллектом (ИИ), должен быть решен вопрос о субъектности прав на них. Как одно из возможных решений (некоторые исследователи называют его основным) рассматривается наделение статусом субъекта права самого искусственного интеллекта. Статья посвящена критике такого подхода.Социальное поведение людей формируется на основе их физической сущности, эта взаимосвязь останется действующей и в дальнейшем. Очевидно, что физической сущности искусственный интеллект заведомо лишен. Даже если говорить о юридическом лице (в ряде систем, являющихся фикционными образованиями), последствия его деятельности так или иначе возлагаются на лиц физических. Представляется целесообразным наделить ИИ объектной характеристикой интеллектуального комплекса - по аналогии с имущественными комплексами в гражданском праве, закрепив первоначальные права за разработчиками программ для ЭВМ. Рассмотрение же ИИ в качестве субъекта гражданского правоотношения не только не оправданно, но и препятствует доктринальному решению вопроса правосубъектности, которое является необходимой предпосылкой формирования норм действующего законодательства.

Обеспечение информационной безопасности органов государственной власти требует применение специализированных инструментов, учитывающих существование разных источников информационных угроз, их постоянное изменение, а также проблемы интеграции оценок вероятности их реализации и степени возможного ущерба. Данное исследование направлено на разработку методики анализа угроз информационной безопасности органов государственной власти с помощью нейронных сетей. В исследовании использованы методы машинного обучения, нейросетевого анализа и систематизации. Для достижения задач исследования авторами была адаптирована архитектура MLP, проведена работа по настройкегиперпараметров нейронной сети. Обучение нейронной сети было реализовано на языке программирования Python. Эффективность работы нейронной сети в решении поставленной задачи оценивалась метриками accuracy, precision, recall, f1. Результатами исследования стали: разработка способа формирования набора данных, включающего оценки угроз информационной безопасности органов государственной власти различных видов и источников происхождения, оценка эффективности работы нейронной сети по решению задач классификации органов государственной власти, интерпретация результатов нейросетевого анализа о степени устойчивости органов государственной власти угрозам информационной безопасности.

В работе проведен сравнительный анализ различных подходов к решению задачи идентификации текстиля, по фотоизображению материала, с помощью методов машинного обучения, Рассмотрена математическая модель, лежащая в основе программной реализации. Модель протестирована на дополнительном наборе данных с применением методов объяснимости работы нейронных сетей.

Разработан алгоритм обнаружения отклонений в работе установок. Изучены и протестированы различные методы распознавания дефектов. Предложенный алгоритм состоит из сбора и обработки данных, анализа и разметки, создания статистических моделей и моделей машинного обучения, сравнения их качества и построения моделей прогнозирования.

ВВЕДЕНИЕ. Исследование особенностей текстовых генеративных нейронных сетей является важным шагом в развитии искусственного интеллекта. Несмотря на то, что модели показали высокую эффективность в решении различных задач в сфере журналистики и медиакоммуникаций, они имеют ряд недостатков. В процессе работы с нейросетями можно встретить как грубые грамматические, так и смысловые ошибки. Для выявления лидера по максимально продуктивной генерации текстов необходимо проведение сравнительного анализа выдаваемых различными сервисами данных.
МАТЕРИАЛЫ И МЕТОДЫ. В российском сегменте наиболее развитыми нейросетевыми сервисами являются GigaChat и YandexGPT. Для проведения сравнительного анализа выбран наиболее обсуждаемый и общепризнанный сервис – GhatGPT. Исследование проводилось на протяжении нескольких месяцев: сентябрь–декабрь 2023 г. В основе методики – филологический анализ сгенерированных текстов и сравнение точности выдачи запросов выбранных моделей.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ. Филологический и грамматический анализ трёх моделей позволяет определить актуальность сервисов для работы в сфере журналистики и медиакоммуникаций, а также программные и технические ограничения нейросетей. Анализ показал наличие определённых паттернов у всех моделей нейросетей. Генерация осуществляется по заранее запрограммированному сценарию. Результат складывается из ряда факторов: наличие имён, аббревиатур и пожеланий, указанных в запросе. Отсутствие какой-либо цензуры показал лишь ChatGPT, остальные же модели отказывались генерировать, если в запросе были указаны запрещённые разработчиком слова или имена.
ЗАКЛЮЧЕНИЕ. Полученные выводы могут быть применены на практике в СМИ, блогинге и медиасфере. У всех трёх сервисов есть свои положительные и отрицательные стороны. Согласно результатам проведённого исследования, на данный момент лидером по генерации и обработке текстов является ChatGPT. Лидерство сервису обеспечивается за счёт широкого спектра возможностей и стабильности выдачи ответов на запросы. Однако в связи с наличием в сети Интернет большого количества информации, необходимой для быстрого обучения российских сетей, ситуация может измениться в ближайшее время.

   В работе рассматриваются вопросы применения предварительно обученных нейронных сетей для решения задачи обратного поиска рентгеновских изображений запрещенных предметов и веществ. Целью работы является проведение анализа и обоснование путей повышения эффективности систем распознавания рентгеновских изображений багажа и ручной клади пассажиров. Представлен анализ существующих отечественных и зарубежных работ в области распознавания рентгеновских изображений багажа и ручной клади пассажиров. Выявлено, что, несмотря на достигнутые результаты по разработке алгоритмов распознавания запрещенных предметов и веществ, они не в полной мере справляются с таким фактором сложности, как наложение предметов. Для решения данной проблемы в работе предлагается дополнительно анализировать те рентгеновские изображения, на которых уверенность в распознавании объектов невысокая. Данный этап включает в себя следующие шаги: сегментация изображений, извлечение признаков сегментированных элементов изображений; поиск схожих изображений по базе данных; принятие решения о классе сегментированных элементов изображений. В данной статье рассматриваются три последних шага. Проанализированы варианты реализации подходов к извлечению признаков из изображений, в частности основанные на применение сверточных автоэнкодеров и предварительно обученных нейронных сетей. Выбран подход, основанный на применении предварительно обученных нейронных сетей. В работе применяется нейронная сеть архитектуры ResNet-50, предварительно обученная на коллекции ImageNet. Для применения данной модели для извлечения векторов признаков изображений, был предварительно удален последний слой классификации. Все предыдущие слои модели кодируют изображение в вектор. ResNet-50 генерирует 2048-мерный вектор признаков изображений. Для понижения размерности векторов признаков изображений используется метод главных компонент. Решение о том, является ли сегментированный элемент изображения запрещенным предметом или веществом, рассматривается как задача обратного поиска с применением алгоритма K‑ближайших соседей. Класс элемента рентгеновского изображения в данном случае – это класс, наиболее часто встречающийся среди k ближайших соседей. В целях апробации предложенного подхода был сформирован обучающий набор данных, включающий 4 635 изображений отдельных предметов и веществ, которые могут встречаться в багаже и ручной клади пассажиров. Представлен сравнительный анализ времени индексации и поиска изображений при различных алгоритмах и количестве признаков. Представлен сравнительный анализ точности модели. Сделан вывод, что наиболее приемлемым является алгоритм Brute force в сочетании с методом главных компонент.

Автоматизированная система обнаружения депрессии представляет собой прогрессивную методику с точки зрения улучшения клинической диагностики и раннего медицинского вмешательства в случаях, когда депрессия может иметь самые серьезные последствия, вплоть до членовредительства или самоубийства. Предложен инновационный метод автоматизированного выявления депрессии, основанный на текстовых данных пациентов. Разработанный метод включает в себя современные технологии, такие как архитектура рекуррентной нейронной сети LSTM и разнообразные методы векторизации текста. Эксперименты, проведенные на общедоступных наборах данных, подтвердили высокую эффективность и точность предложенного метода по сравнению с используемыми на сегодняшний день подходами. Уникальной чертой метода является использование текстовых характеристик, что обеспечивает сохранность предоставленных пациентами данных и исключает их искажение. Данный подход не только повышает достоверность результатов, но и позволяет избежать потенциального искажения информации в процессе анализа. Разработанный метод автоматической оценки депрессивного состояния обладает высокой точностью и не требует присутствия врача, что существенно повышает эффективность процесса выявления и оценки уровня депрессии. Этот подход может стать перспективным направлением в развитии автоматизированных систем поддержки ментального здоровья, сокращая время реакции и обеспечивая более оперативное предоставление помощи. В перспективе в исследования войдут обучение модели на данных на русском языке и дальнейшая настройка методов, а также расширение использования векторизации GloVe для улучшения контекстного понимания текстовых данных. Эти шаги направлены на создание более адаптированной и эффективной системы для выявления депрессии в различных языковых контекстах.

Целью исследования является разработка методов улучшения характеристик существующих систем отопления за счет применения нового алгоритма управления, основанного на параллельном принципе работы и использующего нейросетевые технологии. Предлагаемый способ управления предусматривает анализ специальной компьютерной программой матриц признаков, состоящих как из управляющих воздействий, так и результирующих картинок. Компьютер, которому заранее известно соответствие разных картинок разным режимам, выбирает соответствующий режим на основе изображения, поступающего на вход программы. Этот режим может быть подобран таким образом, что затраты энергии при обеспечении тех условий, которые необходимы пользователю, будут минимальны. Разработано приложение, применяющее нейросетевой алгоритм, с возможностью изменения параметров настройки. Подготовлены наборы изображений с указанием принадлежности к классам по характерным признакам (датасеты), на которых проведено обучение и тестирование нейронной сети. Выполнено более 600 экспериментов с отличающимся количеством эпох обучения. Исследовано влияние количества эпох на средний процент распознавания изображений температурных режимов здания. Для демонстрации возможности реализации предложенного алгоритма были разработаны архитектура системы управления и распределенное приложение, состоящее из главной управляющей программы с человеко-машинным интерфейсом и удаленного веб-приложения, имеющего человеко-машинный интерфейс и микросервис с точкой доступа. Был изготовлен макет здания с подключенной системой управления температурным режимом помещений. Проведенные эксперименты подтвердили эффективность работы предложенного способа управления. Данная технология предусматривает возможность перехода от управления одним зданием к управлению массивом зданий без изменения настроек управления отдельных зданий. Использование этого способа повысит удобство управления, комфортность условий проживания людей и снизит потребление энергии на отопление.

В результате проведенных исследований разработан метод классификации адаптационного потенциала организма человека. Метод основан на использовании данных, которые получают при проведении функциональной пробы, ассоциируемой с функцией Хэвисайда, путем проведения которой получают модель переходного процесса в живой системе. Представляя живую систему квазилинейной, на основе ее импедансной модели получают спектральные характеристики живой системы, на основе которых формируют дескрипторы для модели машинного обучения. Для получения импедансной модели живой системы предложена методика трехфазного эксперимента. Методика трехфазного эксперимента заключается в моделировании функции Хэвисайда в процессе выполнения велоэргометрической функциональной пробы на трех уровнях функционального состояния организма человека. Это позволяет вычислять дескрипторы для трех «ветвей» классификатора адаптационного потенциала. Классификатор адаптационного потенциала включает драйвер построения линейной импедансной модели живой системы, формирователь дескрипторов и модуль принятия решений. В качестве линейной импедансной модели живой системы используется амплитудно-фазочастотная характеристика четырехполюсника, построенная по переходной характеристике модели живой системы, а дескрипторы вычисляются по импедансной модели Войта, адекватной экспериментально полученной амплитудно-фазочастотной характеристике модели живой системы. Проведены оценки показателей качества дихотомического классификатора адаптационного потенциала на экспериментальной группе студентов и аспирантов, разделенных на два класса посредством показателя активности регуляторных систем. Они показали, что уровень истинно положительных и истинно отрицательных результатов при классификации неизвестных примеров в удовлетворительной степени соответствуют экспертным оценкам. Это позволяет рекомендовать его для использования в практической медицине, например, в биотехнических системах реабилитации, спортивной медицине, а также для контроля динамики функционального состояния пациента в процессе лечения.