Научный архив: статьи

Внедрение систем искусственного интеллекта в финансовую сферу вносит революционные изменения в способы анализа, предоставления информации и управления ею. Машинное обучение – разновидность искусственного интеллекта, которая позволяет ему автономно обучаться и совершенствоваться. В отличие от методов традиционного «жесткого» программирования, машинное обучение использует нейронные сети и глубокое обучение для работы с большими объемами данных для выявления закономерностей и аномалий. Гипотеза работы состоит в том, что для финансовой сферы характерны собственные способы применения ИИ, опирающиеся на наиболее распространенные, но отличающиеся от них варианты. Целью настоящей работы является систематизация способов применения моделей искусственного интеллекта в финансовых учреждениях в разрезе структурных подразделений. Применение искусственного интеллекта позволяет финансовым учреждениям создавать модели, направленные на решение конкретных проблем в условиях постоянно обновляющейся информационной среды. В соответствии с поставленной целью, в данной работе рассматриваются следующие аспекты: общее описание задач, решаемых ИИ, преимущества и недостатки применения ИИ; характеристика распространенности систем искусственного интеллекта в финансовой сфере; характеристика области применения искусственного интеллекта в финансовой сфере. Для выполнения работы автор использовал методы синтеза информации, анализа источников, классификации, сравнительного анализа.

Представленная разработка способствует внедрению цифровых технологий в описание процессов нефтехимических предприятий, отвечает потребностям промышленности в быстрых и точных расчетах, сокращает зависимость от дорогостоящих экспериментов и зарубежного программного обеспечения, что делает его актуальным как для науки, так и для реального сектора экономики. Целью исследования является способ расчета вязкости широкой фракции углеводородов с использованием нейронных сетей для повышения точности и эффективности прогнозирования по сравнению с традиционными методами и реализация в виде специализированного программного комплекса. Для оптимизации процесса обучения и ускорения вычислений исходная задача была разделена на несколько более простых подзадач с уменьшенной размерностью параметров, предложенная декомпозиция значительно сократила объем вычислений, что способствует снижению параметричности построенного многослойного полносвязного персептрона и понижению проблематичности процедуры обучения моделей. Для автоматизации сбора информации для обучения многослойного полносвязного персептрона был разработан вспомогательный программный комплекс, формирующий требуемые наборы данных в Unisim. Все построенные нейронные сети обучались на выборках, которые разбивались на обучающее, валидационное и тестовое подмножества по 70, 15 и 15 % от исходного набора соответственно. Потери при обучении не превысили 10-6 при отсутствии переобучения. Работоспособность полученного многослойного полносвязного персептрона дополнительно проверили на производственных данных, не использовавшихся при обучении. Реализация метода осуществлена в виде оригинального специализированного программного комплекса, в котором используется согласованная работа нескольких обученных нейронных сетей для точного расчета вязкости углеводородных смесей. Разработанный программный комплекс доказал свою эффективность и надежность, представляя собой мощный инструмент для расчета вязкости широкой фракции углеводородов при моделировании процессов нефтехимии.

В условиях стремительного роста объёмов грузоперевозок и усложнения логистических процессов особую актуальность приобретает внедрение интеллектуальных технологий, способных адаптироваться к быстро меняющимся требованиям рынка. Одним из таких решений является применение методов машинного обучения на графах для построения рекомендательных систем в логистике. Целью данной работы является исследование возможностей персонализированных графовых моделей, предназначенных для оптимизации логистических процессов за счёт более точного подбора маршрутов, перевозчиков и сопутствующих услуг с учётом индивидуальных предпочтений участников логистической цепочки. В работе исследуется применение графовых методов машинного обучения для построения рекомендательных систем в сфере транспортной логистики с учётом индивидуальных предпочтений пользователей. Предложен подход к персонализации графовых моделей на основе интеграции пользовательских характеристик и динамического пересчёта весов связей в графе. Разработанная модель позволяет оптимизировать логистические процессы, повышая релевантность рекомендаций по выбору маршрутов и перевозчиков. Эффективность предложенного метода подтверждена экспериментальными результатами на реальных данных: достигнуты значения Precision 88 %, Recall 81 % и NDCG 0,94. Представленные результаты демонстрируют преимущества разработанной системы по сравнению с традиционными методами логистического планирования в условиях динамически изменяющейся среды.

Хронические неинфекционные заболевания являются важной медико-социальной проблемой, оказывающей существенное влияние на структуру заболеваемости и смертности населения. Актуальность исследования обусловлена необходимостью повышения точности диагностики, персонализации подходов к профилактике и снижению нагрузки на систему здравоохранения. Цель работы - оценка возможности применения современных методов машинного обучения для прогнозирования вероятности развития повышенного артериального давления у взрослых пациентов, наблюдающихся в условиях поликлинического звена. В работе проанализированы обезличенные карты 1843 пациентов. После предварительной обработки, включающей очистку и нормализацию данных, были исследованы следующие алгоритмы: Random Forest, Gradient Boosting, XGBoost, метод K-ближайших соседей и рекуррентная нейронная сеть LSTM. Для верификации качества построенных моделей применялись метрики точности, полноты, F1-мера и ROC-AUC. Результаты апробации показали, что Gradient Boosting и рекуррентная нейронная сеть LSTM наиболее успешно справились с задачей стратификации выборки: пациенты были корректно распределены на группы с отсутствием заболевания, наличием артериальной гипертензии и повышенным риском ее развития. Были показаны ключевые факторы риска - гиперхолестеринемия, неправильное питание и избыток массы тела. Полученные результаты подтверждают целесообразность и перспективность внедрения инструментов машинного обучения, в частности градиентного бустинга и нейросетевых моделей, в клинические информационные системы с целью автоматизированного скрининга артериальной гипертензии и последующего планирования профилактических мероприятий.

Целью работы является получение адекватного автоматического алгоритма дуговой сварки, использующего методы машинного обучения для мониторинга параметров сварки, прогнозирования дефектов шва и автоматической корректировки настроек с целью повышения качества и надежности сварных соединений. Настоящая работа посвящена созданию алгоритма для автоматизации дуговой сварки методом MIG/MAG с применением технологий машинного обучения, в частности модели Random Forest. Разработанная система направлена на непрерывный контроль таких параметров сварки, как температура шва, сила тока, скорость подачи проволоки, расход защитного газа и ширина шва. Основная задача - прогнозирование вероятности дефектов сварного соединения и автоматическая корректировка параметров для их предотвращения, что способствует повышению прочности и долговечности конструкций. Алгоритм реализован на языке Python с использованием библиотек Numpy, Sklearn и Matplotlib и адаптирован для работы в среде Google Colab, что упрощает проведение экспериментов и анализ данных. В ходе тестирования система продемонстрировала высокую точность предсказания дефектов (100%), подтвержденную метриками классификации и анализом ROC-кривой. Предложенный подход обеспечивает оптимизацию сварочных процессов, минимизацию производственных ошибок и открывает перспективы для адаптации к другим видам сварки, что делает его ценным инструментом для промышленного применения.

В последние годы технологии искусственного интеллекта и машинного обучения стали неотъемлемой частью современного образования и процесса изучения иностранного языка. Цель настоящей статьи - определить основные функции искусственного интеллекта в процессе преподавания иностранного языка в вузе на основе обзора актуальных отечественных и зарубежных публикаций, а также проанализировать потенциал имплементируемых инструментов искусственного интеллекта в методике преподавания испанского языка в Инженерной академии РУДН. В качестве методов исследования были использованы анализ и систематизация инструментов искусственного интеллекта, применяемых в образовательной деятельности зарубежных вузов и вузов России в соответствии с протоколом Preferred Reporting Items for Systematic Reviewsand Meta-Analyses (PRISMA). В результате поиска в структуре списка публикаций была сформирована первичная база из 50 статей, отвечающих искомым характеристикам, за 2020-2024 гг., из них отобраны 25 публикаций с наибольшим количеством цитирований. В статье выделяются основные функции инструментов искусственного интеллекта в изучении иностранного языка и отмечаются преимущества и недостатки их использования. В ходе исследования особое внимание уделено практическому внедрению инструментов с искусственным интеллектом на занятиях по испанскому языку на кафедре иностранных языков Инженерной академии Российского университета дружбы народов имени Патриса Лумумбы.

Процесс сжигания черного щелока в содорегенерационных котлоагрегатах играет ключевую роль в обеспечении замкнутого цикла химической регенерации щелоков на предприятиях целлюлозно-бумажной промышленности. Цель исследования - разработка архитектуры интеллектуальной системы диагностики нарушений процесса сжигания черного щелока с учетом современных тенденций развития автоматизации и цифровизации в рамках концепции «умного производства». Анализ выполнен в соответствии с принципами подготовки обзоров по протоколу PRISMA. Поиск источников проводился в международных и российских базах данных (Scopus, ScienceDirect, SpringerLink, IEEE Xplore, Google Scholar) за период с 2010 по 2024 г. Были проанализированы 127 публикаций, из которых 37 отобраны для включения в список литературы. В ходе обзора классифицированы методы диагностики (моделирование, экспертные системы, машинное обучение, техническое зрение), обобщены их преимущества и ограничения, выделены параметры с высокой диагностической значимостью. Проведено сопоставление подходов по степени адаптивности, чувствительности и применимости в условиях ограниченной наблюдаемости. Предложена модульная архитектура интеллектуальной системы диагностики, объединяющая цифровые и визуальные признаки, с возможностью переобучения и адаптации к реальным условиям эксплуатации. Интеграция методов машинного обучения и технического зрения в SCADA-контур позволяет повысить чувствительность диагностики, своевременно выявлять нарушения и поддерживать устойчивость режима сжигания. Разработанная архитектура может быть использована на предприятиях отрасли для повышения эффективности и надежности работы содорегенерационных котлов.

В статье рассмотрены вопросы анализа и обработки больших массивов метеорологических данных. Целью исследования является обмен опытом в выявлении и корректировке пропущенных и аномальных значений временных рядов метеорологических данных. В рамках исследования разработаны алгоритмы нормализации данных, выявления их индивидуальных и контекстных аномалий, а также корректировки пропущенных и аномальных значений. Особенностями разработанных алгоритмов являются использование модели машинного обучения, основанной на применении деревьев решений, для изучения рядов данных при выявлении пропущенных значений, а также анализ временных и сезонных закономерностей при выявлении индивидуальных и контекстных аномалий на основе специализированных библиотек на языке программирования Python. Разработанные алгоритмы включены в программные модули сервис-ориентированного приложения для получения, обработки и анализа климатических данных при решении сложных мультидисциплинарных научных и прикладных задач экологического мониторинга Байкальской природной территории. Предложенная методика применена для анализа и обработки нескольких временных рядов метеорологических данных, полученных с метеостанций, которые расположены на Байкальской природной территории. Результаты применения методики показали существенное повышение качества обработанных данных, использованных в дальнейшем на практике в задачах моделирования работы автономных энергетических систем инфраструктурных объектов Байкальской природной территории.

В условиях стремительной цифровой трансформации экономики особую актуальность приобретают вопросы повышения эффективности управления цепями поставок на основе внедрения киберфизических систем, выявления закономерности и механизмов влияния киберфизических систем на эффективность логистических операций, а также определения ключевых факторов достижения успешного результата. Исследование основано на анализе эмпирических данных более чем 500 компаний из различных отраслей, дополненном экспертными оценками. В работе использованы методы многомерной статистики и эконометрического моделирования. Установлено, что внедрение киберфизических систем существенно повышает эффективность логистических процессов за счет создания единого цифрового пространства и интеграции физических и информационных потоков. Выявлены ключевые факторы успеха: уровень интеграции систем, инвестиции в информационно-технологическую инфраструктуру, качество данных и цифровые компетенции персонала. Определены основные барьеры внедрения: несовместимость с существующими системами, высокая стоимость решений, проблемы кибербезопасности. Проведенное исследование демонстрирует, что масштабное применение киберфизических систем формирует новую парадигму «умной логистики» в современном мире. Полученные результаты служат надежным ориентиром для разработки стратегий цифровой трансформации и имеют важное значение для развития теории управления логистическими системами.

В современной исторической науке термин цифровой двойник еще не получил широкого распространения, хотя и используется в области смежных социальных наук. В то же время концепция цифрового двойника несет в себе потенциальную универсальность для описания различных форм цифрового представления реконструкций исторических объектов, в том числе и исторических личностей. В связи с этим возникает необходимость в разработке определения цифрового двойника применительно к историческим персоналиям, а также в создании классификации, основанной на уровне сложности (зрелости) таких двойников. Критерии классификации должны учитывать степень детализации реконструируемого объекта, уровень интерактивности создаваемой модели, ее способность к обучению и адаптации, а также возможность интеграции с технологиями машинного обучения. Авторами использованы методы системного анализа и структурно-функциональный подход, а также иерархический метод при составлении классификации цифровых двойников исторических персоналий. В ходе исследования были предложены определение понятия цифровой двойник относительно реконструкции исторической личности и их классификация на основе технологической сложности реализации, описаны характерные черты каждого из типов, подкрепленные конкретными примерами реализованных проектов в данной сфере. Цифровой двойник исторической личности - цифровая модель человека, воспроизводящая его черты, характеристики и особенности на основе данных исторических источников. Исходя из уровня технологической сложности, можно выделить три типа уже существующих цифровых двойников: 1. Цифровой двойник, адекватно отражающий черты реконструируемой исторической личности в ее виртуальном представлении. 2. Адаптивный цифровой двойник, не только адекватно отражающий черты реконструируемой исторической личности, но и включающий в себя также функции адаптивного пользовательского интерфейса, ориентированный на взаимодействие с операторами. 3. Интеллектуальные цифровые двойники - адаптивные цифровые двойники, дополненные возможностью самостоятельного машинного обучения, применяемого к потоку данных для выявления закономерностей, которые затем используются в работе системы. Развитие технологий цифровых двойников в целом позволяет предположить появление в будущем еще одного типа - когнитивных цифровых двойников, работающих на основе графов знаний и моделей искусственного интеллекта и позволяющих оказывать поддержку в принятии решений на основе опыта и ценностей реконструируемой исторической личности.

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.