В работе проведены исследование и анализ моделей и методов глубокого обучения в задачах распознавания и классификации изображений опухолей мозга. Для сравнения эффективности наиболее актуальных и доступных моделей на основе сверточных нейронных сетей были выбраны модели VGG19, Xception и ResNet152. Наилучшие результаты показала модель Xception. Целью данной работы являются оптимизация и обучение выбранной модели с помощью различных методов для повышения точности диагностики опухолей головного мозга человека. Предложена и реализована стратегия для улучшения этой модели с использованием методов переноса обучения и аугментации данных. Из проведенных тестов следует, что улучшенная модель демонстрирует более высокую точность и устойчивость к различным видам искажений данных, что делает ее более эффективной для задач распознавания и классификации изображений.
В данной статье рассматриваются современные методы обучения с подкреплением, с акцентом на их применение в динамичных и сложных средах. Исследование начинается с анализа основных подходов к обучению с подкреплением, таких как динамическое программирование, методы Монте-Карло, методы временной разницы и градиенты политики. Особое внимание уделяется методологии Generalized Adversarial Imitation Learning (GAIL) и ее влиянию на оптимизацию стратегий агентов. Приведено исследование безмодельного обучения и выделены критерии выбора агентов, способных работать в непрерывных пространствах действий и состояний. Экспериментальная часть посвящена анализу обучения агентов с использованием различных типов сенсоров, включая визуальные, и демонстрирует их способность адаптироваться к условиям среды, несмотря на ограничения разрешения. Представлено сравнение результатов на основе кумулятивной награды и длины эпизода, выявляющее улучшение производительности агентов на поздних этапах обучения. Исследование подтверждает, что использование имитационного обучения значительно повышает эффективность агента, сокращая временные затраты и улучшая стратегии принятия решений. Настоящая работа открывает перспективы для дальнейшего изучения механизмов улучшения разрешающей способности сенсоров и тонкой настройки гиперпараметров.
В статье проводится компьютерное моделирование погодных условий на основе данных атмосферного давления с привлечением теории нечетких множеств. В среде компьютерной математики Maple2021 с привлечением библиотеки линейной алгебры LinearAlgebra был реализован алгоритм расчета детерминированных и интегральных индексов ранжирования для нечетких множеств, которые характеризуют погодные условия. Исследования показали, что при умеренном атмосферном давлении на следующий день наблюдается более солнечная погода по сравнению с ситуацией, когда давление крайне низкое. На конкретных примерах было показано, что интегральные индексы ранжирования обеспечивают более точные результаты, чем детерминированные индексы ранжирования.
Цифровая трансформация бизнеса означает перевод многих процессов на предприятии в цифровой вид, т. е. предполагается выполнение процессов с использованием компьютерной техники и ИТ-технологий. При этом важно организовать эффективную интеграцию уже имеющихся на предприятии процессов с современными ИТ-технологиями. Такая интеграция может касаться не только производства, но и других областей человеческой деятельности. Конечно, и раньше многие отрасли в разной мере подвергались автоматизации, но появление искусственного интеллекта (ИИ) может сгладить разницу между отраслями с автоматизацией разной степени и позволит оптимизировать процессы, даже если какие-то из сфер деятельности не предполагают использование ИИ. Тем не менее процесс цифровизации в подавляющем большинстве случаев даст ускорение принятию решений, если использовать системы ИИ, в частности цифрового двойника. Это оптимизирует сбор данных, что позволит использовать их для создания моделей объектов или систем. Модель в дальнейшем будет применяться для анализа и оптимизации работы без физического присутствия объекта. Все вышеизложенное и определяет актуальность темы идентификации места и роли искусственного интеллекта в цифровой трансформации российского бизнеса. В данной статье авторы размышляют над проблемой «Какие шаги необходимо предпринять для развития новых технологий анализа данных в производстве? И как усовершенствовать среду работы с данными?». В статье дается обзор истории использования искусственного интеллекта в бизнесе. Обсуждаются слабые стороны применения технологий искусственного интеллекта. Предпринимается попытка дать ответ на вопрос: что нужно сделать уже сегодня, чтобы предприятие или организация могли занять лидирующие позиции завтра.
Одним из важных направлений сельского хозяйства является плодовое садоводство, в частности, интенсивные яблоневые сады вносят заметный вклад в сельскохозяйственную отрасль Кабардино-Балкарской Республики. При этом для сохранения урожая необходимо обеспечить своевременное выявление и устранение угроз, связанных с болезнями и вредителями яблок. Учитывая нехватку профильных специалистов, актуальной становится задача разработки автоматизированной системы распознавания болезней и вредителей яблоневых садов. Для этого в рамках исследования была поставлена цель - разработка и оценка применимости интеллектуальной рекомендательной системы для защиты яблоневых садов в КБР. В данной статье описана концепция и приведены результаты разработки системы контроля состояния яблоневых садов, предназначенной для выявления болезней и вредителей на деревьях, а также подбора наиболее подходящего плана защиты растений в зависимости от местоположения сада. Программа представляет собой веб-приложение, созданное на основе фреймворков FastAPI, Vue. js и нейронной сети, отвечающих за распознавание вредителей и болезней яблонь по фотографии и составление оптимального плана их обработки. Приведены результаты обучения нейронной сети на подготовленной выборке фотографий здоровых и зараженных яблок. В качестве основы для нейронной сети использовались различные модели: Roboflow 3.0, RF-DETR, YOLO v11 и YOLO v12. Разработанный сервис позволит диагностировать заболевания яблонь с минимальными задержками по времени, а также обеспечить подбор методов защиты в случае необходимости, что снизит риски потери урожая садоводами. В результате тестирования наилучших показателей достигла модель Roboflow 3.0: mAP составила 91,0 %, precision - 97,5 %, а recall - 88,5 %, что свидетельствует о применимости подхода, но этого недостаточно для внедрения. С целью повышения точности и расширения списка распознаваемых угроз планируется сбор дополнительных фотоматериалов в садах республики, в том числе фотографий листьев и стволов яблоневых деревьев, полученных в различных погодных условиях, и дальнейшее тестирование с участием садоводов республики.
В статье представлена разработка модели машинного обучения для прогнозирования мошеннических транзакций на примере транзакционных данных банка. Рассмотрены особенности кодирования категориальных переменных, связанные с наличием времени в транзакционных данных, чтобы избежать утечек информации. Проведены эксперименты по применению баггинга (bootstrap aggregating) и созданию дополнительных переменных на основе их вклада в итоговый прогноз с применением Shapley values. Рассмотрены показатели качества модели машинного обучения и проведен их анализ.
Статья посвящена задаче обнаружения и распознавания надводных объектов по данным видеонаблюдения в условиях плохой видимости, таких как дождь, снег, туман, сумерки. Наряду с проблемой ухудшения видимости имеются и другие факторы, затрудняющие решение этой задачи: изменение формы и размера изображения при изменении расстояния до объекта наблюдения и угла обзора видеокамеры. Обсуждается один из подходов к проблематике обработки данных видеонаблюдения - он состоит в совместном применении двух технологий: модели глубокого обучения YOLO и дискретного вейвлет-преобразования изображений. Экспериментальные результаты показывают, что предложенный алгоритм достигает высоких показателей точности, что делает его подходящим для применения в системах видеомониторинга беспилотниками.
Целью работы является создание теоретических оснований имитационного моделирования агентов универсального искусственного интеллекта на основе метафоры проектирования мультиагентных нейрокогнитивных архитектур. Задача исследования состоит в разработке основных принципов имитационного моделирования сознания интеллектуальных агентов под управлением нейрокогнитивных архитектур. Дано формальное определение агента универсального искусственного интеллекта. Предложена гипотеза о структурно-функциональной организации сознания универсального искусственного интеллекта на основе метафоры проектирования многокомпонентной мультиагентной нейрокогнитивной архитектуры. Разработаны некоторые принципы имитационного моделирования сознания агентов универсального искусственного интеллекта на основе контекстно-детерминированного развития управляющей нейрокогнитивной архитектуры в коммуникативной социальной реальной среде.
Статья посвящена применению возможностей информационного моделирования для создания сложных строительных конструкций на примере арочной фермы с использованием среды визуального программирования Dynamo. Авторы рассматривают преимущества использования этой технологии при проектировании строительных объектов и особенности работы с программой Revit, которая является основным инструментом для реализации представленного проекта. Использование автоматизации проектирования арочных ферм через написание скриптов в Dynamo позволяет значительно сократить временные затраты и повысить точность расчетов. Цель исследования: разработать метод для автоматизированного создания информационной модели арочной фермы в Revit с помощью Dynamo для оптимизации процесса моделирования. В статье приводятся примеры конкретных задач, решаемых с помощью данного подхода, и рассматриваются перспективы дальнейшего развития технологии информационного моделирования в строительстве.