Научный архив: статьи

Применимость методов машинного обучения для тестирования моделей процессора в настоящее время исследуется в крупнейших иностранных технологических компаниях (исследовательские центры ARM, Intel, IBM и другие) и институтах. Однако исследования проводятся только с точки зрения машинного обучения в области формальной верификации, генерации тестов с использованием символического выполнения и решения ограничений, а также для поиска нерегулярных ошибок в уже изготовленном кристалле СБИС микропроцессора. Новизна предлагаемого решения в применении машинного обучения для имитации поведения приложений пользователя с целью повышения качества тестирования RTL-модели микропроцессора направленными псевдослучайными методами генерации тестов. В рамках данной работы планируется показать применимость инструментов машинного обучения для функциональной верификации RTL-модели микропроцессора на системном уровне. Основным результатом проведенного исследования является возможность имитировать поведение набора пользовательских приложений на уровне машинного кода, а также автоматизация процесса анализа труднодостижимых в рамках классического маршрута верификации ситуаций с целью повышения тестового покрытия.

В статье описывается использование машинного обучения, как инструмент цифровизации экономической деятельности компаний - игроков рынка розничной торговли Российской Федерации. В настоящее время машинное обучение является одним из основных инструментов цифровизации современной российской экономики, но в связи со спецификой рынка розничной торговли и отсутствием подобного опыта, очень малое количество организаций внедряют этот инструмент в свою деятельность. В статье предлагается комплекс показателей, помогающий оценить эффективность и результативность бизнес - процессов, до и после внедрения моделей машинного обучения, расчет которых является для каждого ритейлера уникальным. Особое внимание уделено алгоритмам машинного обучения, применяемым к деятельности компаний ритейлеров для улучшения двух основных процессов их деятельности, а именно процессу ценообразования и процессу выбора поставщика. Автором предлагается алгоритм внедрения моделей машинного обучения, который уже прошёл апробацию в двух крупных организациях и находится в постоянном использовании. Данный алгоритм является базовым алгоритмом перехода ритейлера к использованию машинного обучения, при этом компания должна сама определять обучающие признаки в соответствии со спецификой своей экономической деятельности.

Цели. Для управления процессом разработки современного программного обеспечения нередко применяются системы контроля версий, которые позволяют фиксировать изменения в программном коде и передавать контекст этих изменений при помощи сообщений коммитов. Релевантное и качественное описание внесенных изменений при помощи таких сообщений требует от разработчика высокой компетенции и времени, но современные методы машинного обучения позволяют решать эту задачу автоматически. Целью работы является статистический и сравнительный анализ собранной выборки данных с наборами изменений в программном коде и их описаниями на естественном языке.

Методы. В исследовании использован комплексный подход, включающий сбор данных с популярных репозиториев на GitHub, предварительную обработку и фильтрацию данных, а также статистический анализ и метод обработки естественного языка (векторизация текста). Для оценки семантической близости между первым предложением и полным текстом сообщений коммитов было использовано косинусное сходство.

Результаты. Проведено исследование структуры и качества сообщений коммитов, включающее сбор данных из репозиториев GitHub и их предварительную очистку. Осуществлена векторизация текста сообщений коммитов и оценка семантической близости между первыми предложениями и полными текстами сообщений с использованием косинусного сходства. Выполнен сравнительный анализ качества сообщений в собранном датасете и в нескольких аналогичных наборах данных с помощью классификации при помощи модели CodeBERT.

Выводы. Проведенный анализ выявил низкий уровень косинусного сходства между первыми предложениями и полными текстами сообщений коммитов (0.0969), что свидетельствует о слабой семантической связи между ними и опровергает гипотезу о том, что первые предложения выступают в качестве обобщения содержания сообщений. Процентная доля пустых сообщений в собранном наборе данных составила лишь 0.0007%, что существенно ниже ожидаемого значения и указывает на высокое качество собранных данных. Классификационный анализ показал, что доля сообщений, отнесенных к категории «плохих», в собранном датасете составляет 16.82%, что значительно ниже аналогичных показателей в других сопоставимых наборах данных, где этот процент варьируется от 34.75% до 54.26%. Данный факт подчеркивает высокое качество собранного набора данных и его адекватность для дальнейшего применения в системах автоматической генерации сообщений коммитов.

Введение. В статье рассматривается использование генеративного искусственного интеллекта (ГИИ) в социологических исследованиях. Актуальность темы определяется возрастанием интереса к применению новых технологий для повышения эффективности и точности исследований в области социальных наук. ГИИ предоставляет новые возможности для сбора, обработки и анализа данных, что может существенно изменить традиционные подходы в социологии. Методология и источники. Исследование базируется на анализе доступных публикаций и экспериментальных данных, полученных в ходе общения с социологами, использующими ГИИ в своих проектах. В работе рассматриваются методики генерации описаний, анализа изображений и генерации синтетических изображений с использованием алгоритмов машинного обучения. Акцент сделан на конкретных случаях применения ГИИ в социологических исследованиях, а также на примерах успешных проектов. Результаты и обсуждение. Результаты исследования показывают, что использование ГИИ позволяет значительно ускорить процесс обработки данных и повысить их качество. Выявлены новые паттерны и тенденции в социологических исследованиях, благодаря чему ученые могут получать более точные и обоснованные выводы. Об суждаются также этические аспекты, связанные с использованием ГИИ, такие как во просы конфиденциальности и алгоритмической предвзятости. Заключение. Генеративный искусственный интеллект представляет собой мощный инструмент, способный трансформировать социологические исследования. Несмотря на существующие вызовы, он открывает новые горизонты для сбора и анализа дан ных, способствуя более глубокому пониманию социальных процессов и явлений. Важно продолжать исследовать возможности и ограничения ГИИ для развития социо логической науки.

Цель – конкретизировать понятия «искусственный интеллект» и «сложная проблема», а также рассмотреть современное состояние работ в области применения искусственного интеллекта к решению сложных проблем.

Методы. Использованы методы контекстного поиска, системного анализа и обобщения информации.

Результаты. Сформулировано ключевое препятствие применения искусственного интеллекта к решению сложных проблем, заключающееся в отсутствии концептуального и технического решения по представлению междисциплинарных знаний в форме, доступной для обработки и синтеза методами искусственного интеллекта. Обучение ЭВМ на разных массивах данных, но без понимания процесса синтеза, с которым так легко справляется мозг человека, не позволяет искусственному интеллекту претендовать на открытие чего-то нового, принципиально неизвестного, без чего невозможно решение сложных проблем. Нужен универсальный язык, имитирующий процессы человеческого мышления.

Заключение. Выполненный анализ и рекомендации позволяют взглянуть на задачу применения искусственного интеллекта к решению сложных проблем с отличной от принятой в настоящее время точки зрения, опирающейся на использование быстрых алгоритмов поиска (так называемые большие языковые модели). Создание языка-транслятора между различными областями знаний должно способствовать междисциплинарному обмену, развитию творческого мышления, появлению новых идей и генерации инновационных решений в самых разных областях деятельности человека. Развитый язык позволит решать сложные задачи, объединяя различные дисциплины.

Поддержка принятия решений при управлении сложными организационными и техническими системами сохраняет свою актуальность в связи с растущей ролью и возможностями географических информационных систем, которые и являются объектом настоящего исследования. Анализируется уровень их представления в мировой и российской среде, особенности их развития, а также основные научные результаты, полученные в Институте проблем управления им. В. А. Трапезникова РАН. Выделены самые востребованные в сфере хозяйствования технологии и функциональные возможности геоинформационных систем. Геоинформационная система рассмотрена как инструмент обработки и поддержки принятия управленческих решений. Исследованы основные зарубежные и российские геоинформационные системы, основные их характеристики, области применения, тенденции и перспективы развития. Приведены описания геоинформационных технологий и алгоритмов, реализованных в полнофункциональных геоинформационных системах и рассматриваемых как платформы для создания геоинформационных систем различного назначения.

Рассматривается многофазная система массового обслуживания с входящим коррелированным МАР-потоком, РН-распределением времени обслуживания и ограниченным размером буфера на фазах системы. Приведен краткий исторический обзор по анализу моделей таких систем и методов их исследования. На основании проведенного обзора обоснована новизна постановки задачи, рассматриваемой в статье, методов ее решения и результатов. Дано описание алгоритма точного расчета характеристик производительности многофазных систем малой размерности и оценки сложности этого алгоритма. Для исследования многофазных систем большой размерности предложен подход, основанный на комбинации методов имитационного моделирования и машинного обучения. Приведены результаты численного анализа, подтвердившие эффективность применения методов машинного обучения для оценки характеристик производительности тандемных систем, адекватно описывающих функционирование широкополосных беспроводных сетей.

В статье приводится анализ существующих способов автоматизированного контроля состояния космических аппаратов (КА) по телеметрической информации (ТМИ) методами машинного обучения и дается оценка перспектив их применения в области телеконтроля состояния КА в многоспутниковых группировках. Одной из важнейших задач на всех этапах жизненного цикла космических аппаратов (КА) является анализ телеметрической информации для определения технического состояния их бортовой аппаратуры с целью заблаговременного выявленияи прогнозирования нештатных ситуаций. Существующие детермированные методы контроля состояния КА на основе мониторинга пороговых значений, анализа показателей качества, сравнения с эталонной моделью функционирования и др., с одной стороны, предполагают огромные трудозатраты на работу экспертов и формализацию логики функционирования сложного технического объекта на различных уровнях его иерархии, а с другой стороны, не обеспечивают необходимый уровень автоматизации и оперативности при контроле состояния отдельных КА в многоспутниковых группировках.

Статья посвящена оценке эффективности динамических моделей энергооптимального движения поезда, построенных с использованием методов машинного обучения и искусственного интеллекта. Сделан анализ мирового опыта, рассмотрены основные принципы работы, преимущества и недостатки подобных имитационных моделей, а также этапы исследований, выполненных в этой области научных знаний. Представлен алгоритм анализа эффективности движения поезда с точки зрения его энергооптимальности. Описан подход к компьютерному моделированию движения поездов по участку с использованием методов машинного обучения и искусственного интеллекта. Приведены данные экспериментальной оценки эффективности разработанного алгоритма. Полученные результаты могут быть полезны для специалистов в области железнодорожного транспорта, а также для разработчиков новых технологий и методов оптимизации железнодорожных систем.

В статье рассмотрены основные принципы машинного обучения, проведён их сравнительный анализ с человеческим познанием. Проанализированы идеи, лежащие в основе создания сильного искусственного интеллекта (ИИ). Обоснованы замечания к действующим идеям машинного обучения в вопросе создания сильного ИИ: приравнивание работы головного мозга человека к интеллекту; предустановление искусственному интеллекту априорных форм обработки информации; отсутствие подхода к машинному обучению связанное с принципом активного отражения противоречивой действительности. Исходя из замечаний, предложены идеи машинного обучения для решения проблемы создания сильного ИИ.

В статье демонстрируются результаты моделирования условного предела текучести в трубных сталях после термообработки улучшением. Описываются основные типы моделей, использующиеся в работе, обобщается информация о плюсах и минусах разных подходов к моделированию целевой переменной. Приводятся эмпирические уравнения связи твердости, предела текучести и предела прочности. Указывается роль параметра n в приведенных уравнениях. Объясняются причины выбора применяемого набора независимых переменных в моделях. Показывается распределение целевой переменной в выборке данных, приводится информация о признаковом пространстве, использованном для каждой из рассмотренных моделей. Представлено общее описание исходных данных. Исследуется структура основной выборки данных с помощью метода кластеризации DBSCAN и алгоритма снижения размерности t-SNE. Обосновывается причина дробления выборки на кластеры в контексте снижения разброса прогнозируемой величины условного предела текучести. Оценивается эффективность разбиения выборки с помощью меры разброса введенного параметра n. Проводится сравнение различных регрессионных моделей прогнозирования предела текучести. Показы-вается, что регрессионная модель на основе градиентного бустинга над деревьями решений (LightGBM) имеет наименьшую ошибку прогнозирования среди рассмотренных моделей. Определяется перестановочная значимость признаков модели с наименьшей ошибкой прогнозирования, приводится сравнение вычисленной значимости признаков с данными метал-лургической теории. Оценивается валидность полученных моделей прогнозирования с учетом значимости признаков и метрической оценки, используемой в данной работе. Проверяется гипотеза об использовании проксипеременной (параметра n), полученной на основе теоретических выкладок, в качестве предиктора модели предсказания предела текучести. Демонстрируется, что использование метода группировки совместно с параметром n позволяет получать удовлетворительные результаты прогнозирования на меньшем признаковом пространстве.

В эпоху больших данных и искусственного интеллекта необходимы новые инструменты общественно-географического анализа, позволяющие извлекать информацию и генерировать знание из непрерывного потока разнообразных пространственных данных. Один из таких инструментов - система геопространственного искусственного интеллекта. Однако для географической экспертизы проектов регионального социально-экономического развития подобные системы ещё не создавались. Первым шагом к созданию этих систем является уяснение парадигм проведения географической экспертизы проектов с помощью искусственного интеллекта. Поставив такую цель, впервые для мировой науки была предпринята попытка наметить ключевые особенности географической экспертизы в соответствии с парадигмами слабого, сильного и сверхсильного искусственного интеллекта, определить архитектуру трёх систем, создать систему географической экспертизы в рамках первой парадигмы и начать её апробацию на примере четырёх проектов социально-экономического развития России. Для создания систем использовались наборы правил «если …, то …», искусственные нейронные сети и графы знаний. Тестирование первой системы проводилось на данных из отечественных проектов, которые ранее анализировались автором без применения геопространственного искусственного интеллекта. Машинное обучение на этих данных позволило получить первые географические результаты, указывающие на невозможность достижения декларируемых целей проектов. Практическая значимость проведённого исследования связана с проверкой государственных документов социально-экономического развития, встраиванием предлагаемых систем в процесс формирования проектов и проведением мониторинга реализации проектов.