Кафедра цифрових технологій в енергетиці (ЦТЕ)
Постійне посилання на фонд
Переглянути
Перегляд Кафедра цифрових технологій в енергетиці (ЦТЕ) за Ключові слова "004.85"
Зараз показуємо 1 - 3 з 3
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Автоматизація класифікації та маркування даних для навчання моделей штучного інтелекту(КПІ ім. Ігоря Сікорського, 2023) Присяжнюк, Владислав Вадимович; Шушура, Олексій МиколайовичМагістерська дисертація: 92 с., 51 рис., 13 табл., 24 джерела, 2 додатки. Актуальність. Класифікація та маркування зображень використовуються при навчанні моделей штучного інтелекту, які застосовуються у різних сферах, включаючи комп'ютерний зір, медичну діагностику, розпізнавання образів, та ін. Сьогодні значна кількість компаній використовує штучний інтелект для прискорення виконання багатьох завдань. Необхідність обробки величезних обсягів інформації для навчання моделей штучного інтелекту, яка здебільшого виконується персоналом компаній, визначає актуальність розробки інформаційних технологій з метою автоматизації цього процесу. Метою дослідження є автоматизація класифікації та маркування даних для навчання моделей штучного інтелекту. Для досягнення зазначеної мети треба виконати наступні задачі: – огляд існуючих систем та методів для класифікації та маркування даних; – проектування архітектури технології автоматичної класифікації та розмітки даних; – моделювання системи автоматизації та вибір засобів розробки; – розробка програмного забезпечення автоматизації класифікації та маркування даних для навчання моделей штучного інтелекту; – проведення тестування програмного забезпечення. Об’єктом дослідження є процес класифікації та маркування зображень для навчання моделей штучного інтелекту. Предметом дослідження є методи та інформаційні системи для класифікації та маркування даних на основі машинного навчання. Методи дослідження: машинне навчання для класифікації та анотування об’єктів на зображеннях. Практичне значення отриманих результатів: Практичне значення магістерської дисертації полягає в тому, що було розроблено програмний продукт, що складається з інформаційної технології, серверу та згорткових мереж, який дозволяє в режимі реального часу автоматично класифіковувати та анотувати дані для подальшого навчання моделей штучного інтелекту. Публікації: Присяжнюк В. В. AUTOMATION OF IMAGE CLASSIFICATION AND LABELING FOR TRAINING ARTIFICAL INTELLIGENCE MODELS/ В. В. Присяжнюк, О. М. Шушура. // «Сучасні проблеми наукового забезпечення енергетики». – 25-28 квітня 2023. – С. 172-173. Присяжнюк В. В. Інформаційна система класифікації та маркування зображень для навчання моделей штучного інтелекту / В. В. Присяжнюк, О. М. Шушура. // «Вісник ХНТУ №3(86)». – 2023. – С. 137 – 142.Документ Відкритий доступ Аналіз даних на основі нейронних мереж із використанням мікросервісної архітектури(КрНУ, 2023) Шушура, Олексій; Левченко, Лариса; Савчук, АннаІнформаційні технології з використанням штучних нейронних мереж широко застосовуються для вирішення різноманітних завдань аналізу даних. Однак необхідність підвищення ефективності обробки великих обсягів даних під час навчання нейронних мереж робить актуальним розроблення нових підходів до аналізу даних. Одним із перспективних напрямів для вирішення цього завдання є використання мікросервісної архітектури. Метою даної роботи є проєктування інформаційної системи для інтелектуального аналізу даних на основі штучних нейронних мереж із використанням мікросервісної архітектури. Сформовано функціональні вимоги до системи аналізу даних, які представлені у вигляді діаграми прецедентів UML, визначено основні ролі користувачів. На основі сформованих вимог до системи розроблено її структуру та визначено підходи до реалізації компонентів. Структура системи містить окремі сервіси для завантаження даних, їх обробки та аналізу, формування прогнозів та візуалізації інформації. Для прогнозування в системі використано багатошаровий персептрон. Вхідні дані та результати їх обробки зберігаються в базі даних, для управління якою вибрана система PostgreSQL. Переваги використання мікросервісної архітектури стають особливо важливими під час обробки значних обсягів даних та вирішення складних аналітичних завдань. Окрім загального позитивного впливу можливостей розподіленої функціональності системи, кожен мікросервіс може бути окремо розгорнутий, що дає змогу виконувати ефективний розподіл навантаження та масштабування системи відповідно до вимог. Представлена система є гнучкою завдяки багатьом опціям налаштувань багатошарового персептрону, що дає можливість її використовувати для інтелектуального аналізу даних у різних предметних галузях.Документ Відкритий доступ Інформаційна система класифікації та маркування зображень для навчання моделей штучного інтелекту(ХНТУ, 2023) Шушура, О. М.; Присяжнюк, В. В.Стаття присвячена розробці інформаційної системи для класифікації та маркування зображень з метою навчання моделей штучного інтелекту. Покращення швидкості та точності класифікації і маркування зображень шляхом надання їм певних міток або категорій відкриває нові можливості для використання машинного навчання у різних сферах, включаючи комп'ютерний зір, медичну діагностику, розпізнавання образів. Проведений аналіз наявних систем анотування зображень показав, що слабкими сторонами цих технологій є неповнота та незручність реалізованих інструментів, недостатньо висока швидкість виконання операцій. У роботі запропоновано для класифікації та маркування зображень використати технології штучних нейронних мереж. З метою автоматизації класифікації зображень обрано мережу ResNet, яка навчається в процесі виконання роботи в межах одного датасету, що дозволяє скоротити витрати часу на проведення операції. Для задач маркування зображень застосовано мережу SAM, яка дає змогу узагальнювати незнайомі об'єкти та зображення без необхідності додаткового навчання. Дослідження використання цих технологій на контрольній вибірці даних показало достатньо високу точність їх роботи. Сформовано вимоги до інформаційної системи автоматизації класифікації та маркування зображень, які формалізовані у вигляді діаграми прецедентів UML, спроектована її структура та обрані засоби розробки, створене програмне забезпечення на мові Python та проведене його тестування. В якості системи управління базами даних обрано MongoDB через її безкоштовність та продуктивність. Результати досліджень можуть бути використані розробниками інформаційних технологій, що працюють в області навчання моделей штучного інтелекту.