Научный архив: статьи

Технологии, основанные на искусственном интеллекте (ИИ), все чаще заменяют и дополняют людей в управленческих задачах, таких как принятие решений. Современные технологии искусственного интеллекта способны выполнять когнитивные функции, ранее связанные только с человеческим разумом. Согласно ресурсной концепции фирмы (RBV), когнитивные способности людей являются источником некопируемых конкурентных преимуществ, так как их трудно имитировать, таким образом, технологии ИИ способны менять источники конкурентных преимуществ.

Данное исследование посвящено выявлению факторов, влияющих на решение промышленных компаний о внедрении технологий искусственного интеллекта, а также исследованию взаимосвязи внедрения технологий ИИ с эффектами замещения и/или дополнения когнитивных способностей сотрудников и их влияния на формирование конкурентного преимущества.

Исследование проведено на базе данных 147 промышленных компаний, эмпирические оценки возникновения эффекта замещения при внедрении технологий ИИ и эффекта взаимодополнения проводились при помощи двух моделей: пробит-модели со случайными эффектами (random effect probit) и логит-модели с постоянными эффектами (fixed effect logit), которая позволила оценить внутрифирменную динамику изменения ресурсов при внедрении в бизнес-процесс технологий ИИ, то есть проследить эффект замещения ресурсов при внедрении ИИ.

Полученные результаты показали, что: (1) решение об инвестировании в технологии ИИ зависит от таких факторов, как наличие компетенций для внедрения ИИ, затраты на внедрение новых технологий и уровень текущих затрат в целом по компании, ожидание финансовых и экономических эффектов; (2) решение об инвестициях в ИИ и их интенсивность значительно выше у компаний, ожидающих сокращение времени на выполнение операций, сокращение численности сотрудников за счет уменьшения объема рутинных операций, сокращение затрат на функцию управления персоналом и увеличение скорости разработки и продвижения новых продуктов; (3) наибольшее влияние на формирование некопируемых конкурентных преимуществ оказывает внедрение ИИ в маркетинг и аналитику, разработку и ИТ, продажи и клиентский сервис и разработку новых продуктов; (4) при внедрении ИИ одновременно возникает и эффект замещения, и эффект взаимодополнения, что смещает источники конкурентных преимуществ (несмотря на то что замена традиционных специфических для области когнитивных возможностей человека на многочисленные вычислительные возможности ИИ разрушает существующее преимущество, тем не менее на основе взаимодополнения человеческих и машинных возможностей создаются новые, постоянные некопируемые преимущества). Кроме того, дополнена ресурсная концепция фирмы и показано, что неоднородные несвязанные ресурсы, такие как человек и машина, также могут быть источником уникальных конкурентных преимуществ.

Задача выделения зданий в контексте семантической сегментации геополей представляет собой задачу перехода от множества геополей собственного и отраженного элементами суши, океана и атмосферы Земли электромагнитного излучения ко множеству геополей пространственного распределения собственного и отраженного объектами класса «Здания» электромагнитного излучения.

Проблематика выделения зданий включает в себя следующие основные проблемы: ложноположительные и ложноотрицательные срабатывания при выделении зданий, выделение отдельных зданий как одного объекта и распознавание объектов класса «Здания» на снимках, имеющих разные яркостные характеристики.

Данные проблемы, в рамках семантической сегментации геополей, рассматриваются с точки зрения снижения точности перехода от исходного множества геополей к результирующему множеству и относятся главным образом к исходному множеству.

Посредством анализа указанных проблем определены основные концептуальные решения в архитектурах нейронных сетей, позволяющие уменьшить их влияние: механизмы внимания и обработка глобальных признаков.

В результате эксперимента с архитектурами нейронных сетей STT, STEB-UNet, U-Net, MF-CNN и MSCFF, реализующими данные концептуальные решения, определены зависимости между временными затратами и конкретной реализацией концептуальных решений и наиболее эффективное с точки зрения обеспечиваемой точности решение — обработка глобальных признаков посредством мультимасштабного слияния признаков, реализуемое MSCFF.

В гармоничной транспортной системе автомобильные потоки рационально распределяются в зависимости от возможностей дорог и улиц по обеспечению пропускной способности с учетом систем регулирования. При этом не уделяется должного внимания изменениям погодных и природных условий, что в свою очередь значительно корректирует режимы движения, выводя их из стабильного, прогнозируемого состояния. Современные программно-аппаратные комплексы и информационные ресурсы больших городов имеют широкий диапазон регистрируемых показателей, оказывающих влияние на распределение транспортных потоков. Их автоматизированная обработка с использованием алгоритмического инструментария машинного обучения сформировала комплексное представление о закономерностях изменения показателя интенсивности, что является новым этапом повышения безопасности дорожного движения, стремящейся к нулевой смертности. Научная новизна предлагаемого исследования заключается в приемах и подходах к исследованию погодно-климатических характеристик и факторов улично-дорожной сети, их предварительной обработке с использованием современных статистических и логических методов нормализации и исключения случайных выбросов. Метод глубокого обучения открывает широкие возможности для анализа интенсивности транспортного потока. Путем обработки больших объемов данных такие алгоритмы способны выявлять сложные паттерны и взаимосвязи, что позволяет улучшить прогнозирование движения транспорта и оптимизировать управление его потоками. Для корректной работы нейронной сети по обучению модели и исследования интенсивности транспортного потока разработан комплекс программных инструментов по предварительной обработке данных, который включает поэтапный анализ структур массивов с последующей заменой значений или исключением ошибок. После предварительной очистки данных в соответствии с синтаксисом программной логики и правилами статистического анализа был применен метод поиска и исключения аномалий - метод изолированного леса. Данное направление вошло в состав большого исследования интенсивности транспортного потока, а продемонстрированные результаты являются совокупностью решений на основе системного взаимодействия разработанных авторами программ и методик статистических и аналитических преобразований. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

В статье рассматриваются методические особенности использования интеллектуальных программных средств (ИПС) для систематизации и контроля знаний. Уделяется внимание использованию экспертных обучающих систем и нейронных сетей как элементов технологии искусственного интеллекта в различных предметных областях для идентификации и распознавания объектов. Описаны формы использования ИПС в целях обучения на примере изучения предметной области «Информатика».

Цель исследования: разработать и проверить подход к обучению составителей цифрового контента в части создания альтернативного текста, точно описывающего оригинальное изображение, с использованием нейронной сети для генерирования контрольных изображений, реконструируемых по тексту. Отсутствие в веб-ресурсе текстовых описаний к визуальному контенту ограничивает цифровую доступность, особенно для пользователей с нарушением зрения. Для обеспечения доступности каждое информативное изображение должно сопровождаться альтернативным текстом. Известно, что текстовые альтернативы, сгенерированные с помощью автоматических инструментов, уступают по качеству описаниям, выполненным человеком. Следовательно, составитель цифрового контента должен уметь разрабатывать альтернативный текст к изображениям. Выдвинуто предположение, что нейронная сеть, способная генерировать изображения по текстовым описаниям, может выступать в роли инструмента, служащего для проверки релевантности составляемых текстовых альтернатив. Материалы и методы. Исследование выполнялось в апреле-мае 2023 года. 17 обучающихся бакалавриата изучили требования к разработке текстовых альтернатив, выполнили первичные текстовые описания к трем предложенным фотографиям, а затем откорректировали текст с использованием нейронной сети Kandinsky 2.1 согласно алгоритму: генерирование изображения по описанию; визуальное сравнение полученного изображения с оригиналом; возвращение к редактированию описания или завершение процесса. По первичным и итоговым описаниям исследователи воссоздали изображения с использованием той же нейронной сети. Дальнейшая работа заключалась в оценке качества всех текстовых описаний и сходства всех сгенерированных изображений с оригинальными. Результаты исследования (текстовые описания; оценки, выставленные экспертами; ссылки на сгенерированные изображения) опубликованы в виде набора данных в репозитории Mendeley Data. Для анализа данных использовали t-тест, корреляцию Пирсона и многомерную регрессию (при заданном уровне значимости p = 0,05). Результаты. Установлено, что средние оценки качества первичных и итоговых текстовых описаний значимо не отличались (p > 0,05), также не было выявлено значимых отличий для длины текста (p > 0,05). При этом существенно (p < 0,05) возрастало сходство сгенерированных изображений с оригинальными фотографиями после использования обучающимися нейронной сети. Следовательно, тренировка в нейронной сети способствовала повышению качества (сходства с оригиналом) изображений, сгенерированных по измененным текстовым описаниям, без потери качества описаний. Обнаружено также, что качество итоговых текстовых альтернатив тем выше, чем больше их размер в пределах отведенного лимита, чем лучше и короче первичные описания (p < 0,05). Таким образом, лаконичные и точные альтернативные описания к изображениям после тренировки обучающихся в нейронной сети могут быть преобразованы в не менее качественные текстовые альтернативы, релевантность которых повышается за счет добавления в описание деталей сюжета. Заключение. Нейронные сети для генерирования изображений могут быть применимы в качестве программного инструмента, стимулирующего потенциальных авторов контента к созданию более точного и полного альтернативного текста при сохранении его лаконичности. Представляется важным продолжить исследования, распространив их на изображения других типов, с использованием различных нейронный сетей.

В данной работе разбирается применение алгоритмов машинного обучения для прогнозирования мощности рассеивания энергии за счет переключений компонентов схем на начальном этапе физического проектирования интегральных схем (ИС) для конкретной архитектуры. Реалистичная оценка потребляемой мощности возможна на заключительных этапах маршрута проектирования ИС, что может создать дополнительную итеративность в маршруте для оптимизации энергопотребления. Предложенный метод позволяет довольно точно спрогнозировать конечное значение рассматриваемого вида энергопотребления с высокой точностью для различных типов стандартных ячеек при различных сценариях и конфигурациях планировки. Недостатком метода является необходимость прохождения полного маршрута проектирования выбранной схемы с выбранным диапазоном параметров для сбора данных, нужных для обучения моделей машинного обучения, что требует дополнительных машинных и временных ресурсов.

Обобщая существующие мнения об актуальности использования технологий с элементами искусственного интеллекта (ИИ) как одного из ведущих трендов современного образования, авторы рассматривают преимущества подготовки образовательного контента с помощью отечественных инструментов и технологий генеративного ИИ, одобренных учителями в рамках повышения квалификации. В статье особое внимание уделяется анализу особенностей, способам и технологиям подготовки образовательного контента (текст, графика, аудио и видео) с использованием возможностей популярных нейросетей GigaChat и YandexGPT, Шедеврум и др., что имеет практическую и методическую ценность для широкого круга педагогических кадров.

Разработку программного обеспечения сложно представить без инструментов автоматизации рутинной деятельности, не малая часть которой приходится на формализацию требований с помощью графических языков моделирования процессов. Преобразование текстовой информации в формализованные процессы занимает много времени бизнес-аналитиков, большая часть которого может быть направлена и на другие важные задачи, в число которых входит как согласование постановок задач с заказчиками, так и с разработчиками. Решением поставленной проблемы может стать применение стремительно развивающихся нейросетевых инструментов, предназначенных для обработки естественного языка. Целью данного исследования является анализ возможностей повышения эффективности трудовой деятельности бизнес-аналитиков в части реконструкции бизнес-процессов с помощью языковой модели ChatGPT 4.0. Научная новизна работы заключается в получении ранее неизвестных результатов эффективности ChatGPT для реконструкции отдельных проекций бизнес-процессов(поток управления, данные, ресурсы, операции) на основании изучения результатов реконструкции 54 коротких пользовательских сценариев с последующим сравнительным анализом с существующим подходом реконструкции процессов на основе правил грамматики зависимостей. Практическая значимость исследования обусловлена возможностью использования полученных данных для уточнения схем обработки пользовательских историй. В работе решаются следующие задачи: анализ архитектуры и возможностей модели ChatGPT 4.0 в части обработки естественного языка, разработка методики оценки качества реконструкции бизнес-процессов, экспериментальная оценка качества реконструкции, получение статистических оценок, сравнительный анализ с существующим подходом на основе правил грамматики зависимостей. Для достижения поставленных задач в работе используется аппарат статистической обработки данных, экспертного анализа, прикладной лингвистики и нейронных 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.

С быстрым развитием информационных технологий защита передаваемых данных становится одной из приоритетных задач. Классические методы шифрования эффективно решают эту проблему, однако иногда необходимо скрыть сам факт передачи важной информации. Одним из возможных решений могут быть стеганографические методы, которые скрывают сам факт передачи, добавляя данные в существующие цифровые ресурсы. В научной литературе описано множество традиционных стеганоалгоритмов. В последние годы методы сокрытия информации с помощью нейронных сетей становятсявсе более популярными [1]. Однако большинство таких методов используют нейронные сети для реализации более сложных функций встраивания данных, не создавая новых способов сокрытия информация. Целью работы является краткий обзор разработанного автором метода сокрытия информации без использования цифровых ресурсов - изображений для встраиванияи приведение некоторых критериев оценки его эффективности и надежности. В начале статьи дается описание существующих стеганографических методов, общая структура предложенного метода. Оценивается сходимость предложенного алгоритма, генерирующего равномерно распределенный массив данных, даются временные и емкостные характеристики разработанного метода. Приводятся примеры исходных данных и сгенерированных на их основе изображений

Использование искусственных нейронных сетей в металловедении для решения задач анализа изображений, в частности сегментации или классификации микроструктур металлов, включает в себя 6 основных этапов: определение проблемы, составление набора данных, выбор модели, обучение модели, оценка модели, интеграция с существующим рабочим процессом. В статье подробно рассмотрены эти этапы, приводится пример их реализации для се-мантической сегментации микроструктур композиционных покрытий, содержащих крупные первичные карбиды. Выделение карбидов нейронной сетью позволяет автоматизировать процесс определения их объемной доли в структуре покрытий.

В данной работе рассматривается задача многопериодного прогнозирования реализованной волатильности (realized volatility, ) и системного бэк-тестирования торговых стратегий для опционов на торгуемые биржевые фонды (Exchange-Traded Fund, ETF). Цель исследования - построение моделей глубокого обучения для многопериодного прогнозирования волатильности активов, таких как SPY и QQQ, и проверка эффективности прогнозов в рамках бэк-тестирования опционных стратегий. Для прогнозирования было использовано несколько архитектур нейронных сетей: LSTM, GRU, BiLSTM, BiGRU, FNN и NBEATSx, а также базовая эконометрическая модель HAR-RV для сравнения. В исследовании вводится новая функция потерь, квантильный лог-гиперболический косинус, для повышения точности прогнозов на высоких значениях волатильности. Точность моделей оценивалась на основе метрик MSE, MAE, MAPE и скорр., что показало превосходство рекуррентных архитектур. С целью апробации в условиях различных рыночных сценариев полученные прогнозы реализованной волатильности были использованы в бек-тестировании двух опционных стратегий: стрэддл и v-скальпинг.