SCI Библиотека

Алгоритмы машинного обучения предоставляют широкий спектр возможностей для предиктивного анализа работы технологического оборудования. Они позволяют выявлять скрытые закономерности и прогнозировать будущие события на основе имеющихся данных. Целью данного исследования является анализ и сравнение методов машинного обучения для реализации задач прогнозирования состояния вибрации компрессорной установки. Каждый из методов имеет свои преимущества и ограничения, поэтому выбор конкретного алгоритма зависит от решаемой задачи применительно к характеристикам оборудования и данных. В данной работе исследованы методы машинного обучения для решения задачи регрессии: в случае прогнозирования одномерных рядов использованы методы авторегрессии и авторегрессии со скользящей средней; для прогнозирования многомерных рядов использованы методы линейной регрессии, деревьев решений, случайный лес и градиентный бустинг. Проведен сравнительный анализ методов машинного обучения. Из результатов анализа видно, что для задачи регрессии наилучшими методами являются ансамблевые методы, такие как случайный лес и XGBoost. Применение XGBoost значительно улучшает качество прогнозов, особенно при работе с большим объемом данных. Для моделей AutoReg и ARIMA необходим стационарный временной ряд для получения точных и интерпретируемых результатов. Важно экспериментировать и настраивать параметры для каждого конкретного временного ряда, учитывая такие факторы, как наличие сезонности, тренда и выбросов в данных. При выборе метода прогнозирования необходимо учитывать не только его математические характеристики, но и особенности конкретных данных, на которых он будет применен.

Исследование феномена искусственного интеллекта стало на современном этапе одной из актуальнейших научных проблем. Наличие у искусственного интеллекта (далее - ИИ) алгоритма обучения отличает его от других технологических разработок человеческой цивилизации. Создание и развитие ИИ можно считать одним из самых больших достижений в истории человечества. Масштабы значимости данного открытия сравнимы лишь с масштабами непредсказуемости того, как и в каком направлении он будет развиваться и как изменит жизнь людей. Реальное внедрение достижений ИИ в нашу жизнь радикальным образом трансформирует разнообразные сферы жизнедеятельности: от медицины до образования. Особую, сложную и многоплановую проблему представляет собой соотношение ИИ и феномена религии, потому что уже сегодня (в будущем эта тенденция будет усиливаться) некоторые апологеты искусственного интеллекта претендуют на создание собственного сакрального учения в статусе религии. Это обстоятельство не может не волновать патриархов всех современных традиционных, в том числе - авраамических конфессий, которые видят в нем, по крайней мере - у нас в стране, «реальную опасность для человечества и угрозу Апокалипсиса».

В статье проведен предварительный и краткий историографический анализ проблемы взаимодействия феноменов искусственного интеллекта и религиозного сознания в современной отечественной науке. На основе исследования различных информационных материалов выявлены претензии некоторых приверженцев реализации концепции ИИ на провозглашение этих новейших интеллектуальных технологий «религией будущего» и отдельные аспекты отношения к данной проблеме со стороны теоретиков современных традиционных конфессий.

На примере сравнительного исследования отношения интеллектуалов авраамических конфессий к проблеме «конца света» (апокалипсис) делаются выводы об этом важнейшем аспекте религиозного вероучения с точки зрения иудаизма, христианства и ислама. Акцент делается на определении прогнозируемых направлений развития искусственного интеллекта с точки зрения его воздействия на технологические процессы и социальную жизнь. Выдвигаются некоторые предложения по совершенствованию религиозной практики как наиболее древнего наследия и ценности человечества при использовании новых достижений искусственного интеллекта.

На основе базы данных, полученной с помощью модели высокоскоростного соударения пластин, связывающей параметры удара и параметры модели материала с профилем скорости тыльной поверхности, проведено сравнение процесса обучения и точности искусственной нейронной сети прямого распространения и рекурсивной нейронной сети. Рекурсивная нейронная сеть обеспечивает б´ольшую точность и требует меньшего времени для обучения. Использование рекурсивной нейронной сети в качестве быстрого эмулятора модели и байесовская калибровка могут позволить решить обратную задачу определения параметров модели вещества по профилю скорости тыльной поверхности с большей точностью.

В данной работе рассматривается применение алгоритмов нечеткого сравнения строк для задачи распознавания команд. Описываются три алгоритма: Левенштейна, Дамерау-Левенштейна и Джаро-Винклера. Приводится их математическое описание и особенности применения. Проводится оценка точности работы алгоритмов на наборе тестовых данных.

Введение. Статья посвящена исследованию потребностей в информационно-образовательном консультировании, обусловленном повышенным интересом использования технологий искусственного интеллекта в профессиональной деятельности будущего специалиста, формированием личностно-профессиональных компетенций как обучающихся, так и преподавательского состава. Целью работы является исследование возможностей и перспектив использования технологий искусственного интеллекта в информационно-образовательном консультировании.

Материалы и методы. В ходе исследования использованы методы теоретического анализа научно-методической литературы по теории и практике информационно-образовательного консультирования, специальная литература по проблемам возможностей применения и тенденциям развития искусственного интеллекта, анкетирование студентов, опрос, включенное и невключенное наблюдение. Результаты исследования, обсуждение. Теоретический и эмпирический контент-анализ современных исследований, анонимных опросов, опубликованных на официальном сайте Федеральной службы государственной статистики, свидетельствует о том, что рынок консалтинговых услуг в сфере инноваций, профессиональная деятельность консультантов-новаторов востребованы и находятся на стадии роста. В условиях цифровой трансформации практически всех сфер общества широко обсуждаются возможности, границы использования технологий искусственного интеллекта в учебно-воспитательной среде образовательных организаций. Затрагиваются проблемные вопросы адаптации личности к технологическим инновациям, социальной ответственности использования передовых достижений в области информационных технологий, нейросетей при достижении как личностно-профессиональных, так и общественно значимых результатов. Проведен анализ гуманистического сопряжения социальной и информационно-технической составляющей консалтинговой деятельности, адаптации технологий искусственного интеллекта к запросам потребителей образовательных услуг. В заключении делается вывод о том, что повышение эффективности информационно-образовательного консультирования в эпоху искусственного интеллекта станет возможным с учетом интересов всех участников образовательной среды и будет способствовать появлению новых форм педагогического взаимодействия, направленных на развитие конкурентоспособности отечественного образования.

Работа посвящена проблеме повышения эффективности масочного автоэнкодера за счет разработки стратегии маскирования изображений, которая учитывала бы расположение объектов на изображении и позволяла бы скрыть как можно меньше семантически важной информации. В статье представлен обзор существующих методов маскирования изображений, включая стратегии как с учетом, так и без учета структуры изображения. Предложена стратегия наложения масок на основе алгоритма поиска объектов, анализирующего элементарные характеристики фрагментов изображений. Исследование проводится на примере масочного автоэнкодера с ViT в качестве энкодера. Сравнивается эффективность обучения энкодера с использованием предложенной стратегии и с использованием стратегии случайного маскирования изображений.

Президент России в своем послании Федеральному собранию в 2024 году дал Указание придерживаться преемственности и полноценного сотрудничества образовательных организаций и работодателей, а именно согласованности действий трехуровневой системы при подготовке кадров. Руководство ЦЭМИ РАН реализуя указ, инициировало и поддержало проект молодых ученых «РОСМИМ», вместе с этим было подписано 3 трехсторонних соглашения с ВУЗом (ГАУГН) и московскими школами: «Школа на проспекте Вернадского», школа №2087 «Открытие», школа №1538, тем самым соединив - НИИ, ВУЗ и школы. Идет полноценная работа со школьниками и специалисты института курируют 4 междисциплинарных исследовательских проекта. Российская Мастерская Инновационного Моделирования (РОСМИМ) - это общеобразовательный и просветительский проект, направленный на популяризацию компьютерного и имитационного моделирования среди молодежи. Проект инициирован в рамках нацпроектов «Кадры» и «Молодежь и дети», выполняется при содействии ведущих научных институтов и государственных структур. За два года слушателями данных курсов стали более 800 школьников и студентов, из них более 200 создали первые имитационные модели, а 25 стали выпускниками школы «РОСМИМ». Также юные исследователи представили свои проекты общественности, опубликовали научные статьи и стали соавторами книги молодых ученых ЦЭМИ РАН - «Программно-аналитические решения и концепции имитационных моделей молодых ученых ЦЭМИ РАН для государственного администрирования социально-экономических процессов», а некоторые учащиеся стали победителями престижных конкурсов. За два года существования проекта было проведено множество апдейтов: внедрили новые методики, усовершенствовали схему обучения, создали 4 учебные модели: «Московский метрополитен», «Солнечная система», «Ракета», «Эпидемия». Отдельные элементы проекта прошли успешную апробацию в государственных органах, включая, Счетную Палату РФ, Правительство Кемеровской области, Министерство жилищно-коммунального хозяйства Республики Узбекистан, Высшую школу государственного аудита МГУ им. М. В. Ломоносова, а также Финансовый университет при Правительстве РФ. Также авторы проекта стали финалистами всероссийских конкурсов и победителями в номинации для молодых ученых «Научные достижения в области информатизации образования».

На современном этапе развития науки технологий нейронные сети активно используются в различных прикладных областях от разработки игр до имитации поведения живых существ. Целью данного исследования является реализация двух программных агентов для генерации неочевидных для человека стратегии на примере одной игры (игра крестики-нолики пять в ряд). Такие стратегии в дальнейшем позволят существенно обогатить банки игрового поведения.

В данной статье описывается процесс реализации такого метода машинного обучения, как рекомендательная система; рассматривается построение коллаборативной рекомендательной системы, в основе которой лежит алгоритм сингулярного разложения или сингулярной декомпозиции матрицы. Описаны процесс сбора тестовых данных, их обработки, а также обучение модели и её оценка согласно некоторым метрикам.

Рассматривается возможность применения такого метода машинного обучения, как деревья решений, для определения метеорологической дальности видимости на основе других погодных показателей (температура воздуха, атмосферное давление, относительная влажность, скорость и направление ветра, облачность, текущая погодаи др.). Описаны процесс сбора и обработки данных, а также обучение модели и её итоговая точностью.