Научный архив: статьи

В статье рассматриваются основные факторы экономических кризисов. Факторы проанализированы с помощью моделей машинного обучения. В исследовании применяются два алгоритма машинного обучения, деревья решений и градиентный бустинг. Деревья решений создаются путем разделения данных на подмножества на основе значения входных функций. Бустинг, ансамблевый метод, обучается путём объединения множества небольших моделей для создания финальной, прогнозирующей модели. Проведён детальный анализ научных работ на тему использования машинного обучения для анализа кризисных явлений. Распространённые факторы моделирования дополнены новыми, итоговые факторы включают в себя широкий список макроэкономических показателей, биржевых данных и социально-политических факторов. Данные были проанализированы с помощью статистического анализа временных рядов, далее данные были стандартизированы для применения в моделях машинного обучения. Параметры моделей подобраны на данных, с помощью метода кросс-валидации. Наиболее эффективные модели были использованы для анализа значимости факторов кризисных явлений. Результаты показывают потенциал использования моделей машинного обучения в анализе кризисов, предлагает новые инструменты раннего обнаружения кризисов и использования результатов для стратегического планирования органами государственной власти. Будущие направления исследования включают в себя улучшения статистической интерпретации результатов машинного обучения, применение более сложных моделей и создание систем анализа в реальном времени.

Начиная с 2014 года уже несколько систем искусственного интеллекта получили официальные назначения на управленческие позиции в международных компаниях. Таким образом можно говорить о том, что в настоящее время происходит смена парадигмы принятия управленческих решений: от ситуации, когда искусственный интеллект просто служит инструментом поддержки директоров или комитетов совета директоров мы переходим к ситуации, когда искусственный интеллект управляет процессом принятия решений. Один из ключевых вопросов сейчас заключается в том, стоит ли вообще заниматься правом как вычислением. Качественное вычислительное право является жизненно важным условием для успешного развития современной человеческой цивилизации. Необходимость создания алгоритмического законодательства для технических систем уже рассматривалась знаменитыми математиками, в частности Готфридом Лейбницем и Пьером Лапласом. Несмотря на то, что великие мыслители прошлого смогли предвидеть основные принципы, которые могут стать основой для построения рассуждений техническими системами, в свое время они не обладали необходимыми техническими и общественно-социальными инструментами. В статье предлагается методика создания справочника (словаря) по формулированию алгоритмических основ управленческих решений. Рассматриваемая модель справочника (словаря) имеет своей целью предложить справочную основу для формирования политик для автономных систем ИИ, которая позволит всем заинтересованным пользователям выражать информированное согласие или несогласие с принимаемыми системами ИИ решениями. Насколько известно автору, это первая модель справочника (словаря) по моделированию алгоритмических решений автономных систем ИИ для целей корпоративного управления.

За последние 20 лет методы машинного обучения прошли серьезный этап своего развития и сейчас представляют собой весьма функциональный инструмент для анализа данных. В настоящее время они применяются в любой сфере деятельности человека и помогают решать разнообразные задачи - от кредитного скоринга и прогнозирования цен на товары до распознавания номерных знаков автомобилей и синтеза речи. Наиболее актуальными из них являются задачи классификации и кластеризации объектов. В статье приведен обзор и анализ современных методов, способных решать данные задачи.

Статья посвящена анализу различных алгоритмов машинного обучения, как инструментов, использующихся для решения задач повышения глубинности данных сейсморазведки и прогнозирования акустических свойств среды на основе данных электротомографии. В статье освещен порядок действий от сбора данных до тестирования алгоритмов. Большое внимание уделено вопросам повышению качества прогнозирования. Статья включает в себя как теоретические аспекты, так и практические примеры применения методов машинного обучения в сейсморазведке.

Панорамная визуализация потока или теплоотдачи на поверхностных моделях является эффективным и информативным методом исследования направления в пограничном слое. Вследствие развития цифровых и технических возможностей научные исследования все более основаны на анализе больших данных с помощью искусственного интеллекта (ИИ). Насколько оправдано применение тех или иных методов ИИ в каждой конкретной задаче, пока открытый вопрос. Цель работы - обзор результатов применения нейронных сетей (НС) и машинного обучения для решения задач диагностики течений с помощью ЖК. А именно, для измерения полей температуры, тепловых потоков и векторов касательного напряжения внешнего трения. Кроме этого, актуальными задачами являются измерение физической характеристики ЖК и получение новых ЖК-смесей. Обсуждаются возможности и ограничения, области применения и перспективы нейросетевого подключения. А также программные средства для его реализации. Анализ литературных данных показал, что применение НС и глубокого машинного обучения для аппроксимации калибровочных зависимостей температуры и касательного напряжения от многофакторного оптического отклика ЖК позволяет получить точность, сравнимую с пределом контрольной выборки.

Статья посвящена исследованию адаптивных тормозных систем грузовых вагонов, направленных на устранение ключевых недостатков традиционной рычажной передачи. Рассматривается переход на технологию потележечного торможения, позволяющую равномерно распределять усилие между тележками, а также внедрение цифровых решений. Предложены инновационные методы, включая пневмоэлектрические приводы с автоматической регулировкой, распределенную систему мониторинга (датчики вибрации, ИКпирометры) и алгоритмы машинного обучения для прогнозирования износа колодок. Результаты моделирования демонстрируют снижение неравномерности нажатия колодок с 22% до 5%, повышение точности прогноза остаточного ресурса до 92% и сокращение эксплуатационных рисков. Исследование подтверждает эффективность интеграции цифровых технологий и адаптивных механизмов для повышения безопасности и надежности тормозных систем грузовых вагонов.

В статье формализуется таксономия шаблонов проектирования на основе нейронных суррогатных программных моделей. Описывается методология программирования относительно общей для всех шаблонов проектирования программ. Исследование закладывает фундамент для нового класса рабочих процессов инженеров-программистов, основанных на программировании с использованием суррогатов программ.

В статье рассматривается подход к выявлению противоречий между нормативными документами на естественном языке с использованием методов искусственного интеллекта. Внедрение «умных» стандартов, которые позволяют машинам автоматически понимать и применять нормативные требования, является важным этапом цифровой трансформации, однако на практике интеграция таких стандартов с традиционными нормативными документами неизбежна. При этом наличие противоречий между разными стандартами существенно усложняет их автоматическое применение и вызывает сбои в работе информационных систем. Автором предлагается новый подход к автоматизированному выявлению потенциальных противоречий, основанный на кластеризации текстовых данных с последующим анализом дисперсии эмбеддингов нормативных положений. Используется модель больших языковых эмбеддингов «text-embedding-ada-002», что позволяет преобразовать тексты в семантические векторные представления. Далее применяются методы кластеризации и количественный анализ внутрикластерной дисперсии, а также метрика оптимального транспорта (Earth Mover’s Distance) для оценки различий между группами нормативных положений. Проведённые эксперименты на синтетических данных показали, что предложенный подход способен выявлять более 70% искусственно внесённых противоречий, однако выявлено значительное количество ложноположительных результатов, обусловленных влиянием различий в структуре и мета-данных документов. Полученные предварительные результаты демонстрируют возможность автоматизированного выделения областей потенциальных противоречий для последующего экспертного анализа. Практическая значимость работы заключается в создании программного решения, позволяющего автоматизировать поиск противоречий в больших массивах нормативной документации и обеспечить корректность взаимодействия как между системами, так и между человеком и машиной. Материалы статьи будут полезны разработчикам интеллектуальных систем автоматизации нормативной документации и специалистам, занимающимся цифровой трансформацией в сфере стандартизации.

В данной работе представлена методика автоматизированной классификации нормативной документации на основе кластеризации эмбеддингов. Актуальность исследования обусловлена значительным объемом нормативных документов в промышленности и информационных технологиях, что затрудняет их систематизацию и анализ. Предложенный подход включает этапы предобработки текстов, извлечения эмбеддингов, кластеризации с использованием агломеративного метода и интерпретации результатов с помощью генеративных языковых моделей. В ходе экспериментов проведена оценка различных моделей для векторизации текстов, а также выполнена кластеризация с применением косинусной метрики. Результаты показали, что метод обеспечивает высокую точность выделения тематических групп, превосходя традиционные алгоритмы на основе частотного анализа (BoW, TF-IDF).

Данная статья посвящена вопросу эффективного управления трудовыми ресурсами в организации на основе методов предиктивной аналитики. Рассматриваются тенденции современного рынка в контексте проведения эмпирических исследований человеческого капитала. Ввиду малого распространения прогностического подхода и упору на реактивные модели предлагается общая методология для структурирования практической аналитики в компании с использованием алгоритмов машинного обучения, даются рекомендации по ее внедрению.

В статье рассматривается проблема оптимизации производительности систем искусственного интеллекта в реальном времени. Предложена гибридная архитектура мониторинга, сочетающая традиционные методы с машинным обучением. Проведено экспериментальное исследование, показавшее повышение производительности на 25-30% и снижение затрат на инфраструктуру на 25%. Результаты могут применяться для масштабирования существующих ИИ-систем.

В статье описывается управление машиностроительного производств с использованием искусственных глубоких нейронных сетей, входящих в модели дискретного выбора и в модель симуляции физических процессов управления производством. Такие гибридные системы автоматического управления производством намного эффективно и качественно управляют процессами и техническими объектами на производстве