Аннотация. В этом исследовании рассматривается использование архитектуры гибридной нейронной сети, сочетающей сверточные нейронные сети (CNN) и долговременную память (LSTM), для эффективной сортировки пластиковых контейнеров. Исследование было сосредоточено на классификации пластиковых отходов на основе химического состава и уровня загрязнения, полученной с помощью спектроскопического устройства ближнего инфракрасного диапазона (NIR). Результаты экспериментов показывают, что гибридная модель CNN+LSTM обеспечивает относительно высокую точность распознавания различных типов и цветов пластика, включая обнаружение загрязняющих веществ в контейнерах. Сравнительная оценка производительности модели проводилась с использованием традиционных методов классификации, таких как логистическая регрессия, частичные наименьшие квадраты (PLS) и линейный дискриминантный анализ (LDA). Результаты показывают, что модель CNN+LSTM работает лучше, чем традиционные подходы, особенно в сценариях с небольшими спектральными различиями между классами. Это исследование демонстрирует потенциал машинного обучения для повышения эффективности процессов сортировки и переработки пластиковых отходов, тем самым способствуя повышению экологической устойчивости.
Ключевые слова. Пластиковые отходы, NIRS (ближняя инфракрасная спектроскопия), Нейронная сеть, Гибридная модель, CNN, LSTM.
Аннотация. Прогнозирование спроса на лекарственные средства играет ключевую роль в обеспечении устойчивого снабжения, эффективного управления запасами и своевременного доступа пациентов к жизненно важным лекарствам. В данной статье представлено исследование методов временных рядов ARIMA и экспоненциального сглаживания для прогнозирования спроса на антигипертензивное лекарственное средство от давления. Исследование направлено на разработку и выявление модели, обеспечивающего высокую точность и эффективность прогнозирования на основе выбранных наборов данных. Анализ включает в себя исследование методов прогнозирования, проведение сбора и обработки данных, определение оптимальных параметров для каждого метода, разработку гибридной модели, оценку точности на основе заданных метрик и анализ результатов. В ходе проведенного исследования установлено, что наиболее эффективными методами прогнозирования являются подходы на основе временных рядов, включая модели ARIMA и методы экспоненциального сглаживания. А разработанная гибридная модель демонстрирует высокую точность прогнозов благодаря комбинированию преимуществ двух подходов. Результаты показывают, что гибридная модель превосходит ARIMA и экспоненциальное сглаживание по всем ключевым метрикам. На основании полученных выводов предложено внедрение гибридной модели для повышения точности прогнозирования спроса в фармацевтической отрасли.
Ключевые слова: прогнозирование, методы прогнозирования, экспоненциальное сглаживание, ARIMA, временные ряды, лекарственное средство, гибридная модель.
Аннотация. Сегментация медицинских изображений является одной из ключевых задач биомедицинской информатики, особенно в контексте диагностики онкологических заболеваний. Особенно актуальной является задача точной сегментации ядер клеток, что необходимо для идентификации морфологических изменений в тканях. Однако, основным вызовом и проблематикой в данной области остаются изменчивость качества изображений, ограниченные объемы доступных данных и необходимость обеспечения высокой точности и устойчивости моделей глубокого обучения. В данном исследовании был проведен анализ влияния десяти техник аугментации данных, включая добавление случайного шума различной интенсивности, на производительность модели сегментации ядер клеток. Также в эксперименте особое внимание уделено техникам, использующим искусственное добавление шума, моделирующее реальные условия, такие как вариации освещения, артефакты и дефекты при подготовке образцов. Для добавления шума использовались два вида: аддитивный гауссов шум и равномерный случайный шум с интенсивностью от минус 0.05 до 0.05 продемонстрировали значительное влияние на обобщающую способность модели, улучшая её устойчивость к гетерогенным данным. Используемая архитектура была основана на модифицированной модели UNet с внедрением модуля CBAM, который акцентирует внимание модели на значимых областях изображения. Модуль был добавлен в декодирующую часть архитектуры модели. Для экспериментов были объединены два эталонных набора данных CryoNuSeg и MoNuSeg с предварительной обработкой, включающей разбиение на патчи и преобразование формата изображений. Примененные техники аугментации включали горизонтальное и вертикальное отражение, случайное вращение, изменение контрастности, эластичную деформацию и добавление шума. Кроме того, в ходе экспериментов были исследованы комбинации аугментации. Результаты исследования показали, что техники аугментации горизонтального и вертикального отражения и случайного вращения достигли минимальных потерь, при этом точность моделей превышала девяносто процентов. Техника изменения контрастности продемонстрировала наиболее сбалансированную производительность, обеспечив средний коэффициент пересечения над объединением 0.928 и точность 92.2 процента. Данные по результатам исследования подчеркивают важность использования искусственного добавления шума как метода повышения устойчивости модели к артефактам и вариативности данных и также использование комбинированных техник аугментации. В перспективе комбинированные техники аугментации могут стать основой для разработки адаптивных алгоритмов, способных эффективно работать с гетерогенными биомедицинскими изображениями.
Ключевые слова. Гистологические изображения, рак, сегментация ядер, сверточные нейронные сети, модуль внимания, расширение данных.
Аннотация. В статье рассматриваются методы интеллектуальной обработки текстов (Text Mining), которые позволяют преобразовывать слабоструктурированные текстовые данные в структурированную и легко анализируемую информацию. С ростом объемов данных в цифровую эпоху Text Mining становится незаменимым инструментом анализа текстов в различных сферах. Эти технологии находят широкое применение в информационной безопасности, где анализ текстов помогает выявлять угрозы и аномалии, в здравоохранении — для обработки медицинских записей и извлечения диагностической информации, в маркетинге — для анализа потребительских предпочтений, а также в юридической практике, где автоматизация анализа документов повышает точность и снижает временные затраты.
В статье подробно рассматриваются как традиционные статистические методы, такие как TF-IDF, Word2Vec, Latent Dirichlet Allocation (LDA), так и современные подходы, включая модели глубокого обучения на основе архитектуры трансформеров, например BERT, GPT и их производные. Современные методы демонстрируют значительные успехи в учёте контекста, анализе семантики и извлечении скрытых смыслов из текстов, что делает их незаменимыми для решения сложных задач.
Особое внимание уделено сравнению эффективности различных методов и их применимости в задачах автоматизации. Описаны возможности интеграции Text Mining для анализа больших объемов данных, выявления закономерностей и автоматизации процессов извлечения знаний. Представленные результаты исследования подчеркивают актуальность использования этих технологий для повышения эффективности работы специалистов, ускорения процессов анализа информации и решения задач в ключевых отраслях, что открывает новые перспективы для внедрения интеллектуальных систем обработки данных.
Ключевые слова: Text Mining, интеллектуальная обработка текстов, машинное обучение, обработка естественного языка, TF-IDF, Word2Vec, BERT, GPT, автоматизация анализа текстов.
Аннотация. Обнаружение болезней растений имеет решающее значение для современного сельского хозяйства, поскольку своевременная диагностика может значительно снизить потери урожая и повысить производительность. В этом обзоре представлены передовые системы обнаружения болезней, основанные на методах машинного обучения и мультимодального анализа данных. Было проведено всестороннее сравнение различных алгоритмов машинного обучения, включая сверточные нейронные сети (CNN), модели трансферного обучения и методы обнаружения объектов, такие как YOLO. Это исследование демонстрирует, что сочетание визуальных данных с анализом летучих органических соединений (ЛОС) повышает точность и надежность диагностики. Это открывает возможности для реальной разработки спутниковых и недорогих систем мониторинга, которые можно использовать в полевых условиях. Теоретически, эта работа способствует разработке стратегий интеграции разнородных данных и оптимизации моделей на основе глубоких нейронных сетей, чтобы сделать их более легкими и эффективными. В обзоре особое внимание уделяется разработке масштабируемых и адаптивных технологий для обнаружения болезней растений в точном земледелии.
Ключевые слова: обнаружение болезней растений, машинное обучение, сверточные нейронные сети, MobileNet, мультимодальные данные, определение в реальном времени, сельскохозяйственные технологии, VOC датчики.
Аннотация: Рекомендательные системы играют важную роль в персонализированной подаче контента, используя предпочтения пользователей и атрибуты контента. В этом исследовании оцениваются три продвинутые модели рекомендаций: Neural Collaborative Filtering (NCF), Graph Neural Network-based Content Model (GNN-based Content Model) и Hybrid Neural Network (HNN). Каждая модель использует методы глубокого обучения для повышения точности прогнозов и улучшения пользовательского опыта.
Модель NCF включает две ветви: Generalized Matrix Factorization (GMF) и Multi-Layer Perceptron (MLP), что позволяет моделировать нелинейные взаимодействия между пользователем и объектом. GNN-based Content Model представляет пользователей и объекты в виде узлов двудольного графа, используя Graph Convolutional Networks (GCN) для распространения информации по связям. Гибридная нейронная сеть (HNN) объединяет эмбеддинги коллаборативной фильтрации с контентными признаками, создавая единое представление данных. Наши эксперименты, основанные на датасете MovieLens, показывают, что гибридная нейронная сеть демонстрирует наивысшую точность (85%), превосходя NCF (80%) и GNN-based Content Model (77.5%). Гибридный подход выигрывает за счёт использования как коллаборативных, так и контентных признаков, обеспечивая более точные рекомендации. GNN-модель, несмотря на возможность обработки структурных связей, испытывает сложности с холодным стартом пользователей.
Полученные результаты подтверждают, что гибридные подходы более эффективны при учёте различных факторов рекомендации. В будущем исследовании возможно внедрение трансформеров и методов обучения с подкреплением для дальнейшего повышения точности рекомендаций.
Ключевые слова: рекомендательные системы, глубокое обучение, коллаборативная фильтрация, графовые нейронные сети, гибридные модели, персонализация.
Аннотация. На сегодняшний день одной из важных проблем современного мира является рост заболеваемости онкологическими заболевания. Заболеванию подвержены различные категории населения. В связи с этим одной из актуальных задач является раннее выявление онкологических заболеваний и их профилактика. Раннее выявление и точная постановка диагноза позволяют повысить вероятность принятия мер по лечению и увеличению продолжительности жизни пациентов.
Применение информационных технологий в медицине развивается с высокой скоростью. В настоящий момент существует огромное количество систем поддержки принятия решений в медицине в целом. Такие системы широко применяются в постановке диагноза многих заболеваний. В постановке диагноза по онкологическим заболеваниям также разработаны экспертные системы.
Основная идея данной статьи заключается в проведении научного анализа и классификации подходов, используемых в экспертных системах для постановки диагноза при лечении онкологических заболеваний. Особенностью является выявление наиболее оптимального подхода для экспертной системы при постановке диагноза. Проблема, на которую нацелено данное исследование, это обоснование выбора подхода для построения интеллектуальной системы, позволяющей ускорить и повысить точность процесса анализа и дачи рекомендаций по лечению онкологических заболеваний в Семипалатинском регионе, создание концептуальной модели интеллектуальной системы по постановке диагноза при лечении онкологических заболеваний.
Ключевые слова: экспертные системы, информационные системы, искусственный интеллект, нейронные сети, анализ, интеллектуальные системы, базы данных.
Аннотация. Цель данного исследования заключается в разработке и апробации инновационной методической концепции мониторинга работы ортопедических имплантатов с использованием современных технологий беспроводных датчиков и алгоритмов искусственного интеллекта. В работе проведён подробный анализ существующих методов диагностики состояния имплантатов, выявлены их технические и методологические ограничения, а также проанализированы современные тенденции в области медицины, направленные на повышение надежности и безопасности имплантации. Предлагаемая методика объединяет сбор температурных и других физических данных с помощью высокоточных беспроводных сенсоров и их обработку с применением алгоритмов машинного обучения для предсказания возможных отклонений в работе имплантатов и своевременного обнаружения начальных признаков износа или повреждения. Экспериментальная часть исследования включает тестирование разработанной системы в реальных клинических условиях, что позволило получить значимые статистические доказательства её эффективности и точности. Результаты показали, что применение инновационного подхода позволяет не только повысить точность диагностики, но и значительно сократить время реагирования на потенциальные осложнения, что имеет важное значение для оперативного вмешательства и снижения риска неблагоприятных исходов. Представленный подход открывает новые перспективы для дальнейших исследований в области мониторинга состояния медицинских имплантатов, способствуя развитию персонализированной медицины и улучшению качества жизни пациентов.
Ключевые слова. Ортопедические импланты, беспроводные датчик для измерения температуры, искусственный интеллект, цифровизация, диагностика, пациент.
Аннотация. В данной статье рассматривается процесс перехода от традиционного к электронному документообороту в образовательных учреждениях. Проведен анализ функций и процессов в рамках автоматизированной информационной системы образовательной организации. Рассмотрены ключевые подходы к внедрению электронного документооборота с точки зрения системного подхода. Основываясь на практическом опыте, авторы предлагают концепцию организации и проведения обучения в системе повышения квалификации специалистов. Автоматизация документооборота в учебных заведениях особенно актуальна в таких процессах, как учет входящей и исходящей корреспонденции, обработка внутренних документов, согласование административных и договорных документов, а также контроль исполнения поручений. Внедрение систем электронного документооборота (СЭД) требует интеграции справочников в единое хранилище данных и синхронизации процессов обработки документов с другими бизнес-процессами учреждения.
Ключевые слова: делопроизводство, электронный документ, управление образовательной организацией, эффективность образовательного управления, информационные системы, информационные технологии, электронные системы управления.
Аннотация. Это исследование посвящено созданию нового учебного комплекса, который включает в себя систему инженерного обеспечения, специально разработанную для технического управления военной и специализированной авиационной техникой. Важность данного исследования обусловлена необходимостью повышения эффективности подготовки инженерно-технического персонала, учитывая растущую техническую сложность авиационной техники и растущие требования к авиационной безопасности. Основной целью данного исследования является разработка адаптивной образовательной платформы, которая объединяет цифровые аналоги авиационных систем, алгоритмы диагностики неисправностей и интеллектуальные методы для адаптации учебного процесса. В рамках этого исследования была разработана архитектура комплексной системы инженерной поддержки, которая включает сбор данных, цифровое моделирование и аналитику. Был внедрен адаптивный алгоритм обучения, который учитывает уровень квалификации обучаемого, его опыт и прогресс в освоении материала, тем самым автоматически корректируя учебную программу. Использование виртуальных тренажеров и имитационных моделей позволило разработать гибкую систему обучения, которая точно отражает реальные условия эксплуатации авиационной техники. Для оценки эффективности предложенной системы было проведено экспериментальное тестирование, в ходе которого сравнивались результаты обучения двух групп инженерно-технического персонала: экспериментальной группы (с использованием адаптивного обучения с использованием цифровых моделей) и контрольной группы (с использованием традиционных методов обучения). Результаты показали, что новый учебный комплекс сократил время реагирования на чрезвычайные ситуации на 22%, снизил количество ошибок на 30% и повысил точность выполнения процедур на 18%. Разработанная адаптивная система обучения отличается высокой гибкостью и позволяет адаптировать ее к современным методам прогнозной диагностики неисправностей воздушных судов. Внедрение такого комплекса в подготовку специалистов повысит авиационную безопасность, надежность и экономическую эффективность технической эксплуатации воздушных судов.
Ключевые слова: авиационное оборудование, инженерное обеспечение, цифровые двойники, адаптивное обучение, тренировочный комплекс, диагностика неисправностей.
Аннотация. Преждевременное старение — одна из самых актуальных проблем современной медицины. Оно связано с ускоренным износом тканей и органов, что может привести к развитию хронических заболеваний и сокращению продолжительности жизни. В последние годы искусственный интеллект (ИИ) начал играть ключевую роль в здравоохранении, предоставляя новые инструменты для диагностики и прогнозирования. В этой статье рассматриваются современные достижения искусственного интеллекта в изучении процессов преждевременного старения, включая использование машинного обучения для анализа биомаркеров старения, оценки биологического возраста и прогнозирования риска возрастных заболеваний. Ключевые слова: искусственный интеллект, преждевременное старение, биологический возраст, машинное обучение, биомаркеры.
Ключевые слова: искусственный интеллект, преждевременное старение, биологический возраст, машинное обучение, биомаркеры.
Аннотация. Интеграция искусственного интеллекта (ИИ) в систему здравоохранения Казахстана открывает широкие возможности для улучшения дистанционного наблюдения за пациентами, особенно в стране, характеризующейся огромными географическими расстояниями и неравномерным распределением медицинских ресурсов. В сельских и отдаленных районах с ограниченным доступом к здравоохранению решения на основе искусственного интеллекта способны произвести революцию в обслуживании пациентов, предоставляя данные о состоянии здоровья в режиме реального времени. Цель исследования — определить преимущества и барьеры для использования ИИ для удаленного мониторинга пациентов в Казахстане. В исследовании применялись аналитические методы, в том числе анализ данных пилотных проектов, направленных на внедрение систем мониторинга на основе ИИ. Для сбора, обработки и анализа медицинских данных использовались современные IT-решения, что позволило оценить эффективность этих технологий. Проведенные пилотные проекты продемонстрировали снижение количества госпитализаций на 57 % и затрат на лечение хронических заболеваний на 33 %. Было показано, что использование систем искусственного интеллекта позволяет выявлять проблемы со здоровьем на ранних стадиях, снижая нагрузку на медицинские учреждения и улучшая доступ к медицинским услугам для пациентов с хроническими заболеваниями, такими как диабет, гипертония и сердечно-сосудистые заболевания. Несмотря на достигнутые результаты, внедрение ИИ в систему здравоохранения Казахстана сталкивается с рядом проблем, включая недостаточную интернет-инфраструктуру в сельской местности, проблемы безопасности данных и необходимость обучения медицинского персонала. Однако государственная поддержка и постоянное совершенствование технологий ИИ создают возможности для расширения их применения в здравоохранении. Научная новизна исследования заключается в оценке практической эффективности систем искусственного интеллекта в условиях Казахстана, а значимость работы выражается в улучшении результатов лечения и снижении затрат на здравоохранение.
Ключевые слова: искусственный интеллект, дистанционный мониторинг, здравоохранение, телемедицина, Казахстан, хронические заболевания.
© 2015-2024 Академия Гражданской Авиации . Все права защищены. АО «Академия Гражданской Авиации». Республика Казахстан,
ЮКО, 050039, г. Алматы , ул. Закарпатская, 44. Тел. 8-747-182-52-41, e-mail: vestnik@agakaz.kz