Таврійський науковий вісник. Серія: Технічні науки

ІНФОРМАЦІЙНЕ ЗАБЕЗПЕЧЕННЯ БАГАТОІНДЕКСНОЇ ТРАНСПОРТНОЇ ЗАДАЧІ З НЕЧІТКИМИ ІНТЕРВАЛАМИІНФОРМАЦІЙНЕ ЗАБЕЗПЕЧЕННЯ БАГАТОІНДЕКСНОЇ ТРАНСПОРТНОЇ ЗАДАЧІ З НЕЧІТКИМИ ІНТЕРВАЛАМИ

Д. Д. Акімов — 2025-03-27

Сучасні транспортні системи стикаються з проблемами невизначеності параметрів перевезень, що виникають через динамічні зміни вартості транспортування, змінність часу доставки, обмеженість ресурсів та складність координації маршрутів. Багатоіндексні транспортні задачі дозволяють моделювати такі системи, враховуючи множинні критерії, обмеження та взаємозв’язки між різними параметрами. Одним із найефективніших підходів до розв’язання подібних задач є використання нечітких інтервалів для представлення невизначених параметрів витрат і часу, що дозволяє підвищити гнучкість і точність оптимізаційних рішень.У роботі розглянуто інформаційне забезпечення багатоіндексної транспортної задачі, яке включає модуль введення та нормалізації даних, механізм обробки нечітких параметрів, оптимізаційний модуль і систему візуалізації. Запропонована система реалізує як класичні методи (модифікований метод потенціалів, симплекс-метод), так і сучасні метаевристичні підходи (генетичні алгоритми, метод імітації відпалу). Крім того, використано гібридні алгоритми, що поєднують адаптивні евристики, методи машинного навчання та нечітку логіку, що дозволяє покращити якість рішень та їхню стійкість до змін параметрів.У межах дослідження проведено серію експериментів із використанням синтетичних і реальних даних, що дозволило оцінити ефективність різних підходів до розв’язання багатоіндексної транспортної задачі. Аналіз отриманих результатів показав, що класичні методи забезпечують швидке знаходження рішень у випадках низького рівня невизначеності, проте їхня точність значно знижується при збільшенні нечітких параметрів. Натомість метаевристичні та гібридні алгоритми демонструють високу адаптивність до змінних факторів і значно менші відхилення від оптимальних рішень, хоч і потребують більших обчислювальних ресурсів. Запропонований підхід забезпечує інтеграцію математичних моделей та сучасних алгоритмічних методів в єдину інформаційну систему, що дозволяє автоматизувати процес оптимізації транспортних потоків, покращити управління ресурсами та скоротити витрати. Візуалізація розрахунків дає змогу швидко оцінювати альтернативні сценарії, що полегшує прийняття рішень у транспортній логістиці та управлінні перевезеннями.Отримані результати можуть бути використані для розробки програмних рішень із автоматизованим розподілом ресурсів, адаптивною оптимізацією маршрутів та прогнозуванням змін параметрів транспортних мереж. Подальші дослідження можуть бути спрямовані на розширення запропонованої моделі для динамічних транспортних систем, інтеграцію методів глибокого навчання та розподілених обчислень для підвищення ефективності великих логістичних систем.

СМАРТ-КОНТРАКТИ ЯК ОСНОВА АВТОМАТИЗАЦІЇ РІШЕНЬ У БЛОКЧЕЙН-МЕРЕЖАХ ДЛЯ IOT

Є. Я. Ковальчук — 2025-03-27

В статті конкретизовано аспекти автоматизації процесів у IoT через смарт-контракти, наприклад, активація дій на основі умов реального часу (тригери), таких як перевищення заданого порогу сенсора. В статті вибрано методи автоматизації рішень, які використовуються в блокчейн-мережах, щоб люди могли ефективно зрозуміти їхню тему в нашому повсякденному житті. Інтеграція стає необхідністю і технологія блок-чейну вже дозволила створити всесвітню мережу, в якій кожна транзакція перевіряється та синхронізується між безліччю користувачів. Технологія блокчейна сприяє виникненню безлічі розумних контрактів. Метою роботи є дослідити автоматизацію рішень у блок-чейн-мережах для IoT використовуючи смарт-контакти.Смарт-контракт – це умова, записана комп’ютерною мовою, при виконанні якої сторони, які підписують смарт-контракт, обмінюються будь-якими активами: валютою, нерухомістю, акціями і т.д. Смарт-контракти дозволять покращити такі сфери діяльності як логістика, інтернет-торгівля, оренда житла, банківські послуги, що призведе до синергетичного ефекту у цих галузях, а й у економіці загалом. У цій статті було запропоновано використовувати смарт-контакти, як основу для класифікації та обробки даних для ІоТ.Новизна роботи заснована на застосуванні технологій смарт-контактів у питаннях автоматизації блокчейн-мереж. Актуальність роботи випливає з сучасних викликів урбанізованому суспільству для людей середовища зі сталим розвитком та можливістю підвищення якості життя у різних аспектах. Методи дослідження: Аналіз та узагальнення літературних джерел, емпіричних даних та кейсів застосування блокчейну; системний аналіз та моделювання для розробки концептуальної моделі блокчейн-системи автоматизованого управління. Стаття буде цікавою вченим, інженерам та спеціалістам, які працюють в галузі автоматизації будівель та споруд та, більш загально, автоматизації міського та муніципального управління.

ВИКОРИСТАННЯ АЛГОРИТМІВ ДЛЯ АНАЛІЗУ ТА ОБРОБКИ ЗОБРАЖЕНЬ У РІЗНИХ СФЕРАХ, ТАКИХ ЯК МЕДИЦИНА ТА БЕЗПЕКА

В. Ю. Козуб — 2025-03-27

У статті наведено як обробка медичних зображень та їх безпека залежить від методів глибокого навчання, особливо від нейронних мереж, які автоматично працюють із медичними зображеннями.Мета статті – створення ефективного алгоритму класифікації медичних зображень, що дозволяє скоротити тривалість діагностики та підвищити точність ідентифікації захворювання. Розроблено алгоритм медичних візуалізацій за допомогою трансферного навчання з застосуванням згорткових нейронних мереж (CNN) для автоматизації процесу діагностики і підвищення дієздатності відслідковування захворювань на рентгенівських знімках грудної клітини.Наукова новизна. Застосовано трансферне навчання за допомогою розробленої раніше навченої моделі DenseNet121 для обробки медичних знімків. Вдосконалення здійснюється шляхом заморожування попередньо навчених шарів, заміни останнього шару на новий, який відповідає 14 класам, використання методів аугментації даних для підвищення узагальнюючої здатності моделі.Результати. Дослідження підтвердили, що на основі DenseNet121 модель досягла точності 85% на тестовому наборі даних. Користування трансферного навчання зробило значно коротшим час навчання, що підвищує точність навчання в порівнянні зі звичайним з нуля. Аугментація даних, такі як випадкові повороти та горизонтальне віддзеркалення, допомогли підвищити узагальнюванні характеристики моделі. Оптимізація за допомогою Adam з швидкістю навчання 0.001 забезпечила стабільне зниження втрат під час навчання.Висновки. Запропонований підхід показує ефективність для класифікації медичних зображень, що може суттєво збільшити процес діагностики й підвищити точність проведення діагностики захворювань. Попри вже досягнутий рівень, модель потребує подальшого вдосконалення та навчання, у тому числі розширення набору даних й додаткового тестування для проведення випробувань на різних видах медичних зображень. Це дослідження є важливим кроком до автоматизації інтерпретації зображень за допомогою глибокого навчання, що відкриває раніше неможливі застосування штучного інтелекту у сфері медицини та безпеки.

ОЦІНКА ЕФЕКТИВНОСТІ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ У ЗАДАЧІ ЗАПОВНЕННЯ ГРАФІВ ЗНАНЬ: МЕТОДИ ТА ПЕРСПЕКТИВИ

Р. Я. Кондрат — 2025-03-27

Автоматизація заповнення графів знань (KG) є ключовим завданням у сфері штучного інтелекту, що знаходить застосування в діалогових системах, пошукових механізмах і аналітичних платформах. У цій роботі досліджується ефективність великих мовних моделей (LLM) у завданні завершення графу знань (KGC) за участю трьох моделей: GPT-4o, GPT-3.5-Turbo-0125 та Mixtral-8x7b-Instruct-v0.1. Дослідження охоплює оцінку продуктивності моделей у Zero-Shot та One-Shot сценаріях, а також аналіз впливу різних підходів до формулювання підказок, включаючи навчання в контексті (ICL) та ланцюжок думок (COT). Використано два спеціалізовані набори даних, що містять як явні, так і неявні зв’язки між сутностями, що дозволяє оцінити здатність моделей до логічних висновків. Результати аналізу отримано за допомогою суворої парадигми, яка вимагає точного збігу передбачених трійок з еталонними, та гнучкої, що допускає часткову відповідність із подальшою постобробкою.Результати демонструють, що LLM можуть бути ефективними у завданнях завершення KG, проте їхня продуктивність значною мірою залежить від якості підказок, наявності прикладів та чіткості формату виводу. Деталізовані підказки без прикладів не завжди сприяють покращенню результатів, а Zero-Shot підхід виявляється менш ефективним порівняно з One-Shot методами. Моделі GPT показують вищу узгодженість із заданими інструкціями, тоді як Mixtral-8x7b іноді додає зайвий пояснювальний текст, що ускладнює його інтеграцію у KG. Незважаючи на досягнуті успіхи, LLM стикаються з обмеженнями у дотриманні формату виводу, розпізнаванні неявних зв’язків та залежності від формулювання підказок. Подальші дослідження мають бути спрямовані на оптимізацію підказок, вдосконалення методів навчання та інтеграцію LLM у більш складні системи KG, що дозволить підвищити точність і ефективність автоматизованого поповнення знань.

ПІДХОДИ ДО ЗМЕНШЕННЯ ВУГЛЕЦЕВОГО СЛІДУ В ТРЕНУВАННІ ВЕЛИКИХ ML-МОДЕЛЕЙ

О. О. Коростін — 2025-03-27

Актуальність дослідження зумовлена значним зростанням масштабів використання машинного навчання, що супроводжується підвищенням енергоспоживання для тренування великих моделей. Це створює суттєвий вуглецевий слід, що ставить під загрозу екологічну стійкість. Проблема потребує інтеграції енергоефективних підходів та впровадження відновлюваних джерел енергії для зниження впливу технологічного розвитку на довкілля.Мета дослідження – розробка ефективних підходів до оптимізації обчислювальних процесів, спрямованих на зменшення енергоспоживання під час тренування моделей машинного навчання.У межах дослідження застосовано системний аналіз для оцінки сучасних підходів до зменшення вуглецевого сліду. Проведено порівняльний аналіз технологічних рішень, а також узагальнено результати для розробки комплексних рекомендацій.Встановлено, що основними напрямами оптимізації є впровадження енергоефективних алгоритмів, зокрема Pruning і Quantization, використання спеціалізованого обладнання (TPU, GPU, ASIC), розподілених обчислень та систем моніторингу енергоспоживання.Доведено, що інтеграція відновлюваних джерел енергії, таких як сонячна та вітрова енергія, у роботу дата-центрів значно знижує обсяг вуглецевих викидів. Виявлено, що основними проблемами залишаються висока вартість енергоефективного обладнання, недостатня прозорість алгоритмів та обмежений доступ до «зеленої» енергії.Результати дослідження підтверджують, що впровадження енергоефективних практик у галузі машинного навчання дозволяє суттєво зменшити екологічний вплив обчислювальних процесів. Рекомендовано запровадження систематичного моніторингу енергоспоживання, розвиток інфраструктури для підтримки «зелених» обчислень та гармонізацію міжнародних стандартів у цій галузі.Перспективи подальших досліджень зосереджуються на вдосконаленні моделей штучного інтелекту для роботи в умовах обмежених ресурсів, розробці адаптивних алгоритмів та мінімізації екологічних ризиків, пов’язаних із впровадженням сучасних технологій.

ОЦІНКА ПРОДУКТИВНОСТІ НЕЙРОМЕРЕЖ ДЛЯ ІДЕНТИФІКАЦІЇ АНОМАЛІЙ У БІЗНЕС-ПРОЦЕСАХ

С. А. Коротенко — 2025-03-27

Метою дослідження є оцінка ефективності різних архітектур глибоких нейронних мереж (DNN) для ідентифікації аномалій у бізнес-процесах, що є критичним завданням у контексті цифрової трансформації та автоматизації управлінських рішень. У роботі розглядаються та порівнюються такі архітектури: графові нейронні мережі (GNN) для виявлення структурних аномалій, рекурентні нейронні мережі (LSTM, RNN) та трансформери (Transformers) для аналізу часових рядів і прогнозування, а також автоенкодери (Autoencoders) для роботи з атрибутивними даними. Запропоновано адаптивний підхід, що поєднує переваги різних моделей залежно від типу бізнес-процесу та його характеристик. Дослідження базується на великому наборі даних, отриманому з BPMS-системи, який включає графи процесів, збагачені бізнес-параметрами. Розглянуто чотири основні типи аномалій: пропущені кроки (Missing Steps), дублювання кроків (Duplicate Steps), неправильні маршрути (Wrong Route) та аномальну тривалість виконання завдань (Abnormal Duration). В експериментальній частині досліджено продуктивність моделей за ключовими метриками, включаючи Precision, Recall, F1-score, AUC-ROC, AUPRC, ADR (Anomaly Detection Rate), FAR (False Alarm Rate), FNR (False Negative Rate), а також час навчання моделей та матрицю плутанини для детального аналізу розподілу прогнозованих класів. Результати показують, що Transformers демонструють найвищу точність у виявленні складних послідовностей подій, GNN найкраще справляється зі структурними аномаліями, а Autoencoders ефективні при роботі з атрибутивними наборами даних. Запропоновано рекомендації щодо вибору архітектури залежно від специфіки бізнес-процесу та обмежень щодо обчислювальних ресурсів. Отримані результати можуть бути використані для оптимізації процесного моніторингу, автоматизації виявлення порушень та підвищення ефективності управління бізнес-процесами в умовах мінливого цифрового середовища.

СУЧАСНІ ТЕХНОЛОГІЇ МОНІТОРИНГУ МЕРЕЖЕВОЇ БЕЗПЕКИ: РОЛЬ SIEM WAZUH У ВИЯВЛЕННІ ТА РЕАГУВАННІ НА ЗАГРОЗИ

О. П. Кошова — 2025-03-27

У сучасному цифровому середовищі збільшення кількості мережевих ресурсів і пристроїв робить їх привабливими для кіберзлочинців. Зростання складності атак, таких як DDoS, витоки даних, шкідливе програмне забезпечення та фішинг, вимагає нових підходів до кіберзахисту. Особливу складність становить захист великих корпоративних і хмарних інфраструктур, де обсяги даних потребують автоматизації для виявлення загроз і реагування на них.Одним із рішень є впровадження SIEM-систем, зокрема відкритої платформи Wazuh, яка забезпечує моніторинг безпеки, управління подіями та аналітику. Її функціональні можливості включають моніторинг цілісності файлів, кореляцію подій, відповідність нормативам і поведінковий аналіз, що дозволяє запобігати загрозам у реальному часі. Аналізуються її переваги, практична ефективність та можливості інтеграції з іншими компонентами безпеки.У процесі дослідження проведено практичне тестування Wazuh, аналіз функціоналу системи виявлення загроз, автоматизації реагування та відповідності регуляторним вимогам. Інтеграція з іншими інструментами, такими як IDS Suricata, дозволила виявити складні багатоступінчасті атаки та знизити час реагування.Тестування показало точність виявлення загроз до 98% та низький рівень хибнопозитивних спрацювань. Функціонал Wazuh із автоматизації дозволив скоротити час реагування на інциденти до 1-2 хвилин. Система продемонструвала стабільну роботу у великих мережах та можливість інтеграції у хмарні середовища. Wazuh також довів свою конкурентоспроможність у порівнянні з комерційними рішеннями, такими як IBM QRadar, завдяки відкритому коду, гнучкості налаштувань та економічній доцільності.SIEM-система Wazuh є ефективним інструментом для забезпечення мережевої безпеки у сучасному кіберпросторі. Відкрита архітектура та широкі функціональні можливості роблять її актуальною як для великих організацій, так і для малого бізнесу, що прагне знизити ризики кібератак за мінімальних фінансових витрат.

МЕТОД НА ОСНОВІ ВИПАДКОВОГО ЛІСУ ДЛЯ ВИЯВЛЕННЯ ЗАЛЕЖНОСТЕЙ ОЗНАК: ПОРІВНЯННЯ З КОРЕЛЯЦІЄЮ ПІРСОНА, ВЗАЄМНОЮ ІНФОРМАЦІЄЮ ТА КОРЕЛЯЦІЄЮ ВІДСТАНЕЙ

А. А. Литвин — 2025-03-27

У цій роботі ми представляємо новий метод ідентифікації залежних ознак у наборах даних без цільової змінної, що є критичним завданням у навчанні без учителя. Розуміння залежностей між ознаками є важливим для багатьох застосувань машинного навчання, зокрема для зменшення розмірності, вибору ознак і передобробки даних, де необхідно враховувати як лінійні, так і нелінійні взаємозв’язки між ознаками. Традиційні методи виявлення залежностей, такі як коефіцієнт кореляції Пірсона, взаємна інформація та кореляція відстаней, широко використовуються, проте часто мають обмеження, особливо при роботі зі складними, багатовимірними даними або нелінійними залежностями.Наш підхід вирішує ці проблеми за допомогою генерації синтетичного набору даних.Зокрема, ми створюємо синтетичні ознаки, виконуючи вибірку з емпіричних розподілів вихідних ознак. Це гарантує, що синтетичні ознаки є статистично незалежними, водночас зберігаючи загальну структуру даних. Далі ми позначаємо об’єкти вихідного набору даних як 1, а синтетичного – як 0, формуючи задачу бінарної класифікації. Для розрізнення цих двох класів ми навчаємо класифікатор на основі випадкового лісу (Random Forest), а отримані показники важливості ознак дають змогу визначити, які ознаки є залежними.Ознаки, що суттєво впливають на класифікацію, вважаються залежними, тоді як ті, що мають низькі значення важливості, вважаються незалежними. Для оцінки ефективності нашого методу ми порівнюємо його з відомими техніками виявлення залежностей. Кореляція Пірсона переважно виявляє лінійні залежності, тоді як взаємна інформація та кореляція відстаней дозволяють враховувати більш складні взаємозв’язки. Наші експериментальні результати показують, що запропонований підхід перевершує традиційні методи, стабільно визначаючи правильний набір залежних ознак у різних тестових сценаріях. Крім того, наш метод демонструє вищу стійкість до шуму, що робить його надійним інструментом для виявлення залежностей між ознаками у задачах навчання без учителя.

ПРОЦЕС ПОБУДОВИ ЕКОНОМІКО-СТАТИСТИЧНОЇ МОДЕЛІ ДЛЯ АНАЛІЗУ ФІНАНСОВОЇ СТАБІЛЬНОСТІ ПІДПРИЄМСТВА

О. М. Лобода — 2025-03-27

Фінансова стабільність є важливим показником, що характеризує не лише поточний фінансовий стан організації, але й є основою для прогнозування її розвитку та здатності до підтримки стабільності в майбутньому. Це ключова ознака ефективності фінансо- во-господарської діяльності та прийняття управлінських рішень. Процес економіко-ста- тистичного аналізу фінансової стабільності підприємства має бути організований так, щоб забезпечити об’єктивну оцінку майбутніх перспектив розвитку організації, а також дозволити своєчасно вжити заходів для зміцнення фінансової стабільності, коригу- вати її рівень і оцінювати ризики, пов’язані з інвестиціями та кредитуванням підприєм- ства. У статті наводиться аналіз основних методів і підходів, що використовуються при економіко-статистичному аналізі фінансової стабільності економічних суб’єктів.Докладно описано послідовність аналізу показників фінансової стабільності, розкрито їх взаємозв’язки, а також оцінено ефективність застосування економіко-статистич- них методів. Методологія аналізу ґрунтується на методах фінансового аналізу, зокрема на вивченні структури капіталу підприємства, яка є важливою складовою фінансової стабільності. Якісний аналіз дозволяє оцінити ймовірні зміни у фінансових показниках та визначити доцільність використання кореляційних методів для оцінки зв’язків між ними. Також важливим етапом є виявлення причинно-наслідкових зв’язків, розмежування ендогенних та екзогенних факторів, вивчення залежностей між різними параметрами та представлення цих залежностей у вигляді графічних моделей чи кривих. Оцінка фінан- сової стабільності підприємства є складним процесом, оскільки вона вимагає глибокого розуміння взаємозв’язків у процесі розширеного відтворення. Методологія економіко-ста- тистичного аналізу фінансової стабільності охоплює систему показників, які можна оцінювати як за кількісними, так і за якісними характеристиками. Вивчення структури капіталу також включає аналіз змін у власних джерелах фінансування та пошук можли- вих шляхів їх поповнення, що впливає на загальну ефективність фінансово-господарської діяльності підприємства.

ВІДТВОРЕННЯ ПРОСТОРОВО-ЧАСОВОЇ МОДЕЛІ ШВИДКОПЛИННИХ РУЙНІВНИХ ПРОЦЕСІВ ЗА ДОПОМОГОЮ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ

О. С. Любимов — 2025-03-27

У статті представлено новий метод побудови м’якої сірої нечіткої моделі швидкоплинного руйнівного процесу за допомогою дистанційного зондування групою безпілотних літальних апаратів на прикладі лісової пожежі. Запропонований підхід дозволяє отримати тривимірну просторово-часову модель розповсюдження фронту вогню, рух якого відображає динаміку процесу. Для подолання невизначеності спостережень, викликаної впливом вітру, диму, турбулентності та вібраціями, перешкодами, викривленнями та спотвореннями побудовано комплексну модель невизначеності, засновану на спільному застосуванні нечітких і м’яких множин та «сірих» чисел. Для організації дистанційного зондування групою безпілотних апаратів розроблено просторову модель, засновану на ієрархічній структурі вокселів, що подають ділянки тривимірного простору для співставлення зображень з різних позицій, та рекурсивній моделі октодерева, що дозволяє вирішити протиріччя між точністю спостережень і швидкістю побудови моделі. Визначено множину можливих станів вокселів, запропоновано їх класифікацію, розроблено метод обчислення тривимірного вектору спостереження, поданого масивом векторів впевненості, за допомогою яких визначають сірий нечіткий стан вокселів, що дозволяє поєднувати спостереження від різних спостерігачів та послідовно їх уточнювати. Розвиток швидкоплинного руйнівного процесу подано м’якою сірою нечіткою множиною вокселів, які відносять до певного стану в певний момент, що дозволяє визначити переконливий, неви- значений, підозрілий та негативний компоненти моделі процесу, при цьому переконливий компонент подає стабільне ядро фронту вогню, невизначений компонент – його змінну, викликану невизначеністю спостережень, негативний компонент – простір, не задіяний у розвитку процесу. За допомогою підозрілого компоненту моделюється неповнота спостережень. Запропонований метод дозволяє відтворювати швидкоплинні просторово-розподілені руйнівні процеси різних класів, згладжуючи ефекти спотворень і шумів та забезпечуючи прийнятну продуктивність.

ЗАСТОСУВАННЯ МАТЕМАТИЧНИХ МЕТОДІВ ТА ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ РОЗРАХУНКУ ЧАСУ ЕВАКУАЦІЇ ЛЮДЕЙ З ГРОМАДСЬКИХ ПРИМІЩЕНЬ В НАДЗВИЧАЙНИХ СИТУАЦІЯХ

Л. В. Нечволода — 2025-03-27

У сучасному світі з активним розвитком комп’ютерної техніки та інформаційних технологій стає потреба у вдосконаленні розрахункових методів, вкладених в оцінку безпеки людей під час повітряної тривоги або при обстрілі чи пожежі. Тому це зумовлює необхідність розвитку алгоритмів моделювання процесу евакуації за допомогою інформаційних систем, які є критично важливими для ефективного планування евакуаційних заходів у надзвичайних ситуаціях, оскільки вони допомагають збирати, аналізувати та обмінюватися даними в режимі реального часу, що сприяє швидкому прийняттю рішень та координації дій. При цьому можна моделювати різні сценарії розвитку подій, визначати оптимальні маршрути евакуації, враховуючи різні фактори, такі як кількість людей, наявність перешкод тощо. Крім того, інформаційні системи забезпечують своєчасне оповіщення населення про загрозу та координувати дії різних служб, залучених до проведення евакуації, що підвищує ефективність та безпеку евакуаційних заходів. В статті досліджено принципи проведення евакуації людей з небезпечних ділянок при виникненні надзвичайної ситуації, проаналізовано методики розрахунку часу евакуації зі споруд та будівель. Авторами було з’ясовано, що найбільш підходящим методом для автоматизації розглянутої предметної області є використання розрахунку на підставі людських потоків, що ґрунтується на обчисленні щільності та інтенсивності руху груп людей дільницями різних видів (горизонтальні шляхи, сходи, дверні отвори). Практична цінність такої методики полягає у підвищення швидкості процесу евакуації людей із громадського будинку у разі виникнення надзвичайної ситуації за рахунок автоматизації попереднього розрахунку часу евакуації та шляхів проведення евакуаційних заходів. Застосування такого підходу дозволить розробити більш чітку стратегію поведінки рятувальників при евакуації людей з потенційно небезпечних ділянок.

ВИЯВЛЕННЯ РАКУ МОЛОЧНОЇ ЗАЛОЗИ НА ГІСТОПАТОЛОГІЧНИХ ЗОБРАЖЕННЯХ З ВИКОРИСТАННЯМ SWIN V2 ТА ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНОЇ ТЕХНОЛОГІЇ

О. Папченко — 2025-03-27

Стаття розглядає питання застосування машинного зору в задачах аналізу гістопатологічних знімків. Мета дослідження полягає у підвищенні точності автоматичного детектування раку молочної залози на гістопатологічних зображеннях шляхом розробки та впровадження нової гібридної архітектури, що поєднує сучасні візуальні трансформери із інформаційно-екстремальною інтелектуальною технологією.У роботі представлено порівняльний аналіз ефективності різних архітектур нейронних мереж для вирішення задачі бінарної класифікації гістопатологічних зображень.Досліджено два фундаментально різних підходи: згорткові нейронні мережі (Convolutional Neural Networks, CNN) на базі архітектури ResNet та візуальні трансформери (Visual Transformers, ViT) на базі архітектури Swin Transformer V2. Ці підходи використані як базові моделі у поєднанні з інформаційно-екстремальною технологією (Information Extreme Technology, IET) для класифікації зображень.Основну увагу приділено моделі на базі Swin Transformer V2 (SwinV2). SwinV2 застосовує інноваційний механізм уваги у фіксованих вікнах із їх зміщенням, що забезпечує лінійну складність обчислень відносно розміру зображення, на відміну від квадратичної складності при глобальній увазі. Розроблена модель використовує попереднє навчання на масштабному наборі даних ImageNet-22K з подальшим точним налаштуванням на спеціалізованому наборі даних BreakHis.Проведені експериментальні дослідження на збалансованому тестовому наборі (847 зразків для кожного класу) показують, що запропонований підхід з використанням SwinV2 та IET досягає точності класифікації 98.5%, що на 10% перевищує результати аналогічної системи на основі ResNet (88.98%). Це суттєве покращення пояснюється здатністю трансформерів ефективніше обробляти глобальні залежності та форми об’єктів на зображеннях, що особливо важливо при аналізі морфології ядер клітин у гістопатологічних зображеннях. У процесі дослідження проаналізовано ключові відмінності між CNN та ViT архітектурами, зокрема їх різні упередження щодо текстур та форм при обробці зображень. Встановлено, що CNN демонструють сильну схильність до аналізу локальних текстурних патернів, тоді як ViT значно краще працюють з глобальною інформацією про форму об’єктів.За результатами дослідження окреслено перспективні напрямки подальших досліджень, зокрема розробку ансамблевих методів, що поєднують переваги обох архітектур для створення більш надійних систем діагностики з високою точністю. Запропонований підхід може бути адаптований для аналізу інших типів гістопатологічних зображень та інтегрований у існуючі системи комп’ютерної діагностики.

РОЗПІЗНАВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ ТА НОВОУТВОРЕНЬ ШКІРИ ЗА ДОПОМОГОЮ ЗГОРТКОВИХ НЕЙРОМЕРЕЖ

Ю. В. Парфененко — 2025-03-27

Дослідження присвячене використанню згорткових нейронних мереж для автоматизованого розпізнавання шкірних захворювань, зосереджуючись на двох основних класах – новоутворення шкіри та вірусні захворювання. Кожен із цих класів містить велику кількість підкласів із різною етіологією та клінічними проявами, що створює складнощі для їх точної диференціації навіть серед фахівців. Метою роботи є не лише класифікація основних груп захворювань, а й аналіз підкласів для підвищення точності діагностичних алгоритмів.Для навчання нейромережі використано DermNet – один із найбільших відкритих датасетів з дерматологічними зображеннями, який містить широкий спектр шкірних патологій. Початковий набір даних було розподілено на навчальну та тестову вибірки, а також доповнено додатковими зображеннями із загальнодоступних джерел. Це дозволило моделі враховувати варіативність шкірних покривів, а також відмінності у відтінках, текстурі та особливостях уражень, що є критичним фактором у діагностиці.Модель базується на глибинному навчанні із використанням класичних згорткових шарів та додаткових методів нормалізації. Вона здатна аналізувати та класифікувати захворювання на основі зображень із високою точністю. Фінальні результати показали точність (accuracy) 91%, повноту (recall) 89% та F1-міру 90%, що суттєво перевищує попередні результати, які коливалися у межах 0.7–0.75. Це доводить, що застосування вдосконалених алгоритмів та адаптивного навчання значно покращує можливості автоматизованої діагностики.На відміну від попередніх підходів, де використовувалися базові згорткові моделі з мінімальним коригуванням гіперпараметрів, у цьому дослідженні вдалося створити більш гнучку систему, яка не лише класифікує зображення за основними класами, а й враховує відмінності між підтипами захворювань. Це особливо важливо для розмежування подібних патологій, наприклад, між доброякісними новоутвореннями та злоякісними формами або між різними типами вірусних інфекцій.Перспективним напрямом подальших досліджень є створення ієрархічної нейромережевої системи, яка дозволить моделі спочатку визначати загальний клас патології, а потім деталізувати підтипи всередині кожної категорії. Такий підхід дасть змогу не лише підвищити точність діагностики, а й створити систему рекомендацій для медичних фахівців щодо подальшого обстеження пацієнтів. Також планується розширення набору даних для тестування моделі на інших типах шкірних захворювань, включаючи рідкісні форми патологій.

РОЗРОБКА ІНФРАСТРУКТУРИ ДЛЯ ІНТЕГРАЦІЇ ШТУЧНОГО ІНТЕЛЕКТУ В ТЕЛЕМЕДИЧНІ СИСТЕМИ ЗА ДОПОМОГОЮ МІКРОСЕРВІСНОЇ АРХІТЕКТУРИ

А. І. Петренко — 2025-03-27

У цій роботі представлена мікросервісна архітектура для інтеграції моделей штучного інтелекту в телемедичні системи, яка забезпечує масштабованість, гнучкість та автоматизацію процесів навчання та використання моделей ШІ. Запропоноване рішення орієнтоване на ефективну взаємодію між сервісами через Message Broker (RabbitMQ/ Kafka), що дозволяє усунути залежності між мікросервісами, підвищити надійність та забезпечити безперервну обробку великих обсягів медичних даних. Використання HL7 Conversion Service дозволяє трансформувати вихідні результати прогнозів у стандартний медичний формат FHIR HL7, що забезпечує їхню сумісність із клінічними інформаційними системами. Крім того, Model Training Service дозволяє автоматизувати процес навчання, версіонування та оновлення моделей, що значно спрощує їхню інтеграцію та адаптацію до нових даних. Розроблена архітектура може бути застосована для моніторингу пацієнтів у реальному часі, аналізу медичних зображень, прогнозування стану пацієнтів та персоналізованої медицини. Її використання дозволяє скоротити час обробки запитів, покращити точність діагностики та підвищити ефективність лікування завдяки аналізу великих масивів медичних даних. Використання розподілених сервісів та автоматизованих пайплайнів навчання моделей забезпечує гнучкість системи, що дозволяє легко масштабувати її та адаптувати до зростаючих обсягів даних та нових досліджень у сфері медицини. Основними викликами є складність налаштування інфраструктури, високі вимоги до обчислювальних ресурсів, а також необхідність дотримання стандартів безпеки даних відповідно до вимог HIPAA та GDPR.Таким чином, запропонована архітектура демонструє ефективний підхід до розгортання інтелектуальних медичних платформ, що поєднують потужні алгоритми машинного навчання з високонадійною мікросервісною структурою, сприяючи розвитку інноваційних рішень у сфері охорони здоров’я.