Магістерські роботи (ПЗКС)
Постійне посилання зібрання
Переглянути
Нові надходження
Документ Відкритий доступ Спосіб та програмне забезпечення автоматизації рутинних завдань програміста(КПІ ім. Ігоря Сікорського, 2025) Черній, Гліб Анатолійович; Хіцко, Яна ВолодимирівнаАктуальність теми. Інтеграція штучного інтелекту у повсякденні процеси програмної інженерії сьогодні є одним із найдинамічніших напрямів розвитку інформаційних технологій. Інструменти автодоповнення, генерації тестів, пояснення та рефакторингу коду поступово переходять із статусу допоміжних сервісів до повноцінних елементів робочого середовища розробника. Водночас їх ефективність обмежується низкою чинників: недостатнім урахуванням контексту проєкту (структури репозиторію, залежностей, конфігурацій та правил стилю), відсутністю прозорого керування формуванням промптів і фіксованими підписними моделями без контролю вартості. Сучасні дослідження демонструють, що підвищення продуктивності розробників можливе лише тоді, коли інструмент штучного інтелекту здатний працювати у глибокому зв’язку з контекстом програмного проєкту, мінімізує накладні дії та органічно інтегрується у середовище IDE. Отже, актуальним є створення системи, яка поєднує переваги мовних моделей нового покоління із гнучким керуванням обчислювальними ресурсами та можливістю адаптації під структуру конкретного проєкту. Метою роботи є підвищення продуктивності процесу розроблення програмного забезпечення шляхом створення контекстно-орієнтованого методу взаємодії з мовними моделями та реалізації програмного засобу, що інтегрується в IDE й автоматизує генерацію, пояснення, тестування та рефакторинг коду. Тобто робота спрямована на прискорення виконання рутинних задач, зменшення кількості ручних дій, покращення точності рішень, що генерує модель, та зниження вартості обчислень, – за рахунок створення нового способу інтеграції LLM у робочий процес розробника. Об’єкт дослідження є процеси контекстно-орієнтованої взаємодії розробника з програмними інструментами на основі мовних моделей у середовищі IDE. Предмет дослідження є методи, способи та програмні засоби контекстної генерації й постобробки результатів, контролю якості та керування параметрами, що впливають на швидкодію, вартість і точність. Наукова новизна розробленого способу зводиться до наступного. Вперше запропоновано спосіб контекстно-орієнтованої взаємодії з мовними моделями у процесі розроблення програмного забезпечення, реалізований у вигляді програмного засобу, інтегрованого в середовище розробки. Спосіб базується на поєднанні локального аналізу виділеного фрагмента програмного коду та глобального аналізу структури програмного проєкту, його залежностей і конфігураційних файлів, що забезпечує узгодженість змін і підвищення точності результатів генерації. Удосконалено спосіб автоматизації рутинних завдань програміста з використанням мовних моделей, який, на відміну від існуючих рішень, передбачає кероване формування контексту та адаптацію обробки запитів до складності задачі й обмежень швидкодії та вартості. Апробація роботи. Основні положення та результати роботи були представлені та обговорені на науковій конференції магістрантів та аспірантів «Прикладна математика та обчислювальна техніка» ПМК-2025 та опубліковано у збірнику тез доповідей. Структура і обсяг роботи. Магістерська робота складається зі вступу, п’яти розділів, висновків, списку використаних джерел та додатків. У вступі наведено характеристику теми, її актуальність, сформульовано мету, завдання, об’єкт, предмет і наукову новизну. У першому розділі здійснено аналіз сучасних інструментів автоматизації програмування та їхніх обмежень. У другому розділі викладено спосіб інтелектуальної автоматизації рутинних завдань програміста, зокрема механізми контекстуалізації, оркестрації моделей та безпечного редагування. У третьому розділі описано архітектуру DevAssist, модульно-шаровий підхід, взаємодію компонентів, Batch API та механізми інтеграції з IDE. У четвертому розділі проведено оцінювання ефективності розробленого інструмента, порівняльний аналіз із існуючими рішеннями, тестування та визначення напрямів удосконалення. У п’ятому розділі розглянуто бізнес-потенціал та перспективи розвитку інструмента в контексті сучасного ринку розробницьких інструментів. У додатках наведені фрагменти коду, діаграми архітектури та допоміжні матеріали.Документ Відкритий доступ Спосіб та програмне забезпечення для симуляції поведінки рідин в реальному часі(КПІ ім. Ігоря Сікорського, 2025) Седухіна, Аліна Дмитрівна; Нещадим, Олександр МихайловичСимуляція рідин є однією з найскладніших задач комп’ютерного моделювання, попри тривалу історію її розвитку. Вона широко застосовується у VFX, ігрових рушіях та інженерних обчисленнях. Повний опис динаміки рідин вимагає розв’язання рівнянь Нав’є–Стокса, що належать до нерозв’язаних проблем тисячоліття, тому практичні системи спираються на чисельні апроксимації, при чому конкретні вимоги для симуляції обираються в залежності від сфери застосування. Отже, існуючі класичні методи апроксимують рівняння Нав’є-Стокса використовуючи сітку, окремі частинки або змішаний підхід для обчислень та зберігання значень. В роботі увагу в першу чергу приділено саме гібридним методам. У магістерській дисертації запропоновано спосіб, який ґрунтується на корекції густини при перевищенні встановленого порогу. Цей спосіб дозволяє прискорити симуляцію на 20,84% та вирішувати проблему надмірної локальної густини рідини в реальному часі. Для реалізації запропонованого способу було розроблено програмне забезпечення у вигляді плагіну до рушія Unreal Engine. В роботі було використано мову С++ та Unreal Engine API, включаючи представлені в ньому інструменти для паралельних обчислень. А також створено бізнес-модель для запуску стартапу та виходу плагіну на внутрішній торгівельний майданчик.Документ Відкритий доступ Метод та програмне забезпечення для прогнозування часових рядів із неповними даними з використанням машинного навчання(КПІ ім. Ігоря Сікорського, 2025) Пивовар, Олександр Олександрович; Нещадим, Олександр МихайловичНа сьогодні задачі прогнозування часових рядів є одними з ключових у фінансах, енергетиці, телекомунікаціях, промисловості та інших галузях, де прийняття рішень ґрунтується на аналізі історичних даних. На практиці такі дані часто є неповними, зашумленими та містять аномальні спостереження, що суттєво знижує точність класичних методів прогнозування та ускладнює застосування сучасних моделей машинного навчання. У даній магістерській дисертації запропоновано метод та програмне забезпечення прогнозування часових рядів із неповними даними з використанням машинного навчання. Розроблений метод поєднує процедури попередньої обробки даних, автоматичний вибір методу згладжування, механізми виявлення та обробки аномалій, а також імпутацію пропущених значень. Основою прогнозної частини є гібридна модель, що поєднує нейронну мережу LSTM із лінійною трендовою складовою, що дозволяє підвищити стійкість моделі до шуму та неповноти даних. Експериментальні дослідження показали, що запропонований підхід забезпечує підвищення точності прогнозування порівняно з базовими статистичними та машинними методами за різних сценаріїв неповноти даних. Для практичної реалізації методу розроблено програмне забезпечення з визначеною архітектурою, функціональними модулями та користувацьким інтерфейсом, проведено тестування й верифікацію його компонентів.Документ Відкритий доступ Метод та програмне забезпечення LLM-генерації квестів(КПІ ім. Ігоря Сікорського, 2025) Новіцький, Віктор Миколайович; Юрчишин, Василь ЯковичСучасна ігрова індустрія потребує більшої варіативності та персоналізації контенту за умов обмежених ресурсів розробників. Квестові системи, що задають цілі та структурують ігровий процес, переважно проєктуються вручну, що є трудомістким, погано масштабується та ускладнює підтримку гри при зміні механік. Процедурні підходи зменшують витрати часу, однак часто спираються на жорсткі шаблони, через що контент швидко стає повторюваним. Великі мовні моделі відкривають можливість автоматизувати генерацію тексту завдань, але для практичного використання в іграх критично важливо забезпечити формальну перевірюваність умов виконання квестів, їх логічну узгодженість зі станом гри та стабільну інтеграцію з рушієм. У роботі запропоновано метод LLM-генерації квестів, у якому мовна модель отримує структурований опис контексту та поточного стану гри у вигляді набору змінних разом із агрегованими показниками з історії попередніх квестів, і на цій основі формує квест у фіксованому форматі, придатному для автоматичного парсингу, перевірки та інтеграції в ігровий цикл рушія. Накопичена історія виконання використовується як джерело адаптаційних даних, що дозволяє коригувати параметри складності та характер умов успіху/провалу під час генерації наступних завдань. Метод реалізовано у вигляді модульного прототипу в Unity на C#/.NET з JSON для збереження історії та інтеграцією з LLM через HTTP API. Прототип протестовано на 2D-грі, що підтвердило працездатність підходу: генерацію квестів за поточним станом і роботу механізму адаптації.Документ Відкритий доступ Спосіб та програмне забезпечення пошуку зображень за ознаками(КПІ ім. Ігоря Сікорського, 2025) Пецеля, Анна Андріївна; Шкурат, Оксана СергіївнаСучасні інформаційні системи опрацьовують стрімко зростаючі обсяги цифрової візуальної інформації, що зумовлює потребу у високоточних та ефективних методах пошуку зображень. Традиційні підходи, засновані на текстових описах або ручному анотуванні, є суб’єктивними, трудомісткими та не забезпечують належної якості результатів, особливо за умов нечітких або візуально орієнтованих запитів. Це призводить до зниження точності пошуку, втрати релевантних результатів та неефективного використання обчислювальних ресурсів при роботі з великими базами зображень. У магістерській дисертації запропоновано спосіб пошуку цифрових зображень за візуальними ознаками, що ґрунтується на автоматичному вилученні колірних, текстурних та структурних характеристик зображень. Запропонований підхід поєднує методи цифрової обробки зображень для видалення фону та визначення колірних ознак із використанням моделей глибинного навчання архітектур TextureNet та Vision Transformer ViT-B/16 для формування багатовимірного векторного представлення ознак. Для реалізації програмного забезпечення використано сучасні засоби комп’ютерного зору та бібліотеки машинного навчання, а пошук подібних зображень здійснюється із застосуванням векторного індексування. Наведено результати експериментальної перевірки ефективності запропонованого способу, які свідчать про підвищення точності пошуку за показниками Precision та Recall більш ніж на 5% порівняно з традиційними підходами. Отримані результати підтверджують доцільність використання розробленого методу для задач пошуку зображень у сферах електронної комерції, контент-агрегації та аналізу візуальних запитів користувачів.Документ Відкритий доступ Метод та програмне забезпечення для підтримки прийняття медичних рішень на основі інтелектуального аналізу зображень(КПІ ім. Ігоря Сікорського, 2025) Ніколенко, Гліб Ярославович; Шкурат, Оксана СергіївнаЗростання доступності повноколірних медичних зображень, отриманих зі смартфонів, актуалізує задачу їх автоматизованого аналізу для швидкого розпізнавання шкірних ушкоджень у прикладних системах підтримки домедичних рішень. Водночас традиційні підходи демонструють обмеження за точністю багатокласової класифікації та стабільністю виявлення в умовах різної якості зйомки, що ускладнює практичне використання таких рішень. У магістерській дисертації запропоновано програмний метод багатокласового розпізнавання зображень шкірних ушкоджень на основі двох моделей глибинного навчання архітектури YOLOv12x та YOLOv12n із передаванням знань від більш потужної моделі до компактної. Для реалізації методу використано Python та Ultralytics YOLO для навчання моделей, а також клієнтський застосунок на .NET MAUI з чат-інтерфейсом; інтеграцію рекомендацій виконано через зовнішній API великої мовної моделі. Наведено результати експериментальної перевірки, які показали, що застосування запропонованого підходу підвищує точність розпізнавання компактної моделі за показниками Precision, F1-міра та mAP50 на понад 14%, 5% та 4,3% відповідно, зберігаючи малий розмір моделі та придатність до використання в прикладному програмному забезпеченні.Документ Відкритий доступ Модифікований метод та програмне забезпечення для контенто-залежної фрагментації даних(КПІ ім. Ігоря Сікорського, 2025) Калашников-Травін, Владислав Володимирович; Хіцко, Яна ВолодимирівнаУ сучасних розподілених та хмарних сховищах даних, системах резервного копіювання та синхронізації обсяги інформації зростають експоненційно, при цьому значна частка нових даних утворюється шляхом модифікації вже наявних версій файлів. Це призводить до накопичення великої кількості логічно тотожних або майже тотожних фрагментів, що суттєво підвищує витрати на дисковий простір. Одним із ключових механізмів зменшення цих витрат є дедублікація даних, ефективність якої критично залежить від якості роботи методів фрагментації, насамперед від методів контенто-залежної фрагментації даних. Класичні методи демонструють суперечливий компроміс між пропускною здатністю, коефіцієнтом дедублікації та розподілом розмірів фрагментів, тоді як новітні модифікації часто вимагають тонкого налаштування під конкретні сценарії та не забезпечують оптимальних характеристик на довільних наборах даних. Запропонований метод, завдяки двонаправленому пошуку меж фрагментів, використанню двох окремих Gear-таблиць та встановленню альтернативних меж фрагментів, забезпечує підвищення пропускної здатності фрагментації даних від 2% до 39%, збільшення пропускної здатності дедублікації від 3% до 46 % та зростання коефіцієнта дедублікації даних на 3 % відносно вже відомих методів фрагментації даних.Документ Відкритий доступ Метод та програмне забезпечення для прогнозування макроекономічних показників на основі кореляційного та статистичного аналізування(КПІ ім. Ігоря Сікорського, 2025) Васильковський, Костянтин Володимирович; Люшенко, Леся АнатоліївнаПроблемою існуючих методів прогнозування економічних макропоказників є відсутність універсального підходу. Це пов’язано з динамічним розвитком економік різних країн, впливом кризових економічних, політичних та технологічних чинників. Тому для підвищення точності і швидкодії прогнозування необхідно впроваджувати експертний підхід для вибору методу прогнозування економічних макропоказників. У магістерській дисертації досліджено методи ARIMA, SARIMA, SARIMAX, Random Forest та Gradient Boosting. Описано розроблений метод та програмне забезпечення, що на основі статистичного й кореляційного аналізування автоматизують вибір методу прогнозування та поєднують класичні статистичні моделі з алгоритмами машинного навчання, забезпечуючи більшу точність та адаптивність прогнозування економічних показників.Документ Відкритий доступ Метод та програмне забезпечення для розподіленої обробки та прогнозування фінансових показників підприємства(КПІ ім. Ігоря Сікорського, 2025) Бороденко, Софія Олегівна; Олещенко, Любов МихайлівнаСучасні фінансові системи генерують значні обсяги даних про показники підприємств, такі як дохід, прибуток та маржа, що вимагають точного аналізу та прогнозування для стратегічного управління. Тому постає питання ефективної розподіленої обробки даних з інтеграцією передових алгоритмів, оскільки традиційні методи не справляються з великими масивами, ігноруючи топологічні структури чи інформаційні потоки. Незважаючи на наявність рішень, досі існує потреба в їх вдосконаленні. Тому дослідження методів розподіленої обробки та прогнозування фінансових показників з елементами ентропії, причинності та топології є актуальним питанням. У магістерській дисертації запропоновано метод та програмне забезпечення для розподіленої обробки та прогнозування фінансових показників підприємства. В роботі проаналізовано алгоритми базових методів. Наведено опис технологій, які використовувалися у програмній реалізації. Проведено аналіз тестування ефективності розробленого методу та результати експериментальних досліджень. Проведено опис розробки стартап проекту. На основі запропонованого методу було розроблене програмне забезпечення PHOENIX API, що надає API для компаній, метрик та аналізу, а також модуль з асинхронними завданнями, відкритий для інтеграції з корпоративними системами.Документ Відкритий доступ Метод та програмне забезпечення адаптивного ущільнення даних для оптимізації при передачі даних(КПІ ім. Ігоря Сікорського, 2025) Зіборов, Дмитро Юрійович; Олещенко, Любов МихайлівнаСучасні інформаційні системи та мережі генерують експоненційно зростаючі обсяги даних, що створює критичне навантаження на інфраструктуру передачі та зберігання. У цих умовах класичні алгоритми ущільнення, які використовують фіксовані методи без урахування ентропії вхідних даних або динамічних мережевих умов, втрачають свою ефективність. Це призводить до нераціонального використання обчислювальних ресурсів, підвищення затримок у передачі інформації та зниження продуктивності систем у реальному часі. У магістерській дисертації запропоновано програмний метод адаптивного ущільнення для оптимізації при передачі даних на основі ентропійного аналізу, мережевих умов та обчислювальних ресурсів. Для реалізації програмного методу було використано мову Python, вебфреймворк Flask для побудови середовища для досліджень. Наведено результати експериментального тестування, згідно з якими запропонований метод забезпечує зменшення обсягу даних в середньому на 60% та скорочення часу передачі в середньому на 50% порівняно з передачею без ущільнення, а також виграш у швидкості передачі даних в середньому на 15% порівняно зі статичними методами.Документ Відкритий доступ Спосіб і програмне забезпечення для визначення потенційної популярності текстових постів в соціальних мережах(КПІ ім. Ігоря Сікорського, 2025) Довженко, Роман Олександрович; Заболотня, Тетяна МиколаївнаУ сучасному цифровому середовищі соціальні мережі виступають одним з основних джерел генерації текстового контенту, обсяги якого постійно зростають. Прогнозування потенційної популярності текстових публікацій набуває особливої актуальності у зв’язку з необхідністю підвищення ефективності контент-стратегій, маркетингових кампаній та рекомендаційних систем. Складність задачі зумовлена багатофакторною природою популярності, яка залежить від семантичного змісту тексту, емоційного забарвлення, тематичної спрямованості, часових параметрів публікації та соціальних характеристик автора. У магістерській дисертації запропоновано спосіб визначення потенційної популярності текстових постів у соціальних мережах, який ґрунтується на комбінованому використанні трансформерних моделей аналізу тексту, методів сентимент-аналізу та статистичного оброблення метаданих публікацій. Запропонований спосіб дозволяє враховувати глибинні контекстуальні залежності текстового контенту разом із часовими та соціальними характеристиками, що підвищує точність прогнозування. Для реалізації способу розроблено програмне забезпечення з використанням мови програмування Python та сучасних бібліотек машинного навчання і оброблення природної мови. Проведено експериментальні дослідження, результати яких показали підвищення точності прогнозування потенційної популярності текстових публікацій у середньому на 8,5% порівняно з базовими методами, що підтверджує ефективність та практичну придатність запропонованого рішення.Документ Відкритий доступ Метод та програмне забезпечення для інтелектуального аналізу відгуків користувачів платформ електронної комерції(КПІ ім. Ігоря Сікорського, 2025) Антоненко, Іванна Віталіївна; Олещенко, Любов МихайлівнаУ конкурентному середовищі, здатність оперативно обробляти відгуки клієнтів та реагувати на них забезпечує лояльність користувачів, підвищення задоволеності та зменшення ризику втрати клієнтів. Компанії, що працюють з великою кількістю зворотнього зв’язку витрачають багато часу на перегляд, обробку даних, які цього не потребують. Автоматизоване ранжування дозволяє бізнесу фокусуватися на найважливіших відгуках (наприклад, скаргах або пропозиціях від ключових клієнтів), оптимізуючи витрати часу й зусиль. У магістерській дисертації представлено програмний метод інтелектуального аналізу текстових відгуків електронної комерції, що спирається на застосування моделі глибокого навчання з використанням векторного подання даних. Наведено показники точності передбачень запропонованого методу, а також порівняння швидкодії навчання, що використовує запропоновану архітектуру та базову. Для програмної реалізації методу було використано AWS Lambda для процесу класифікації та брокер повідомлень Amazon Simple Queue Service. Згідно з проведеним тестуванням, використання програмного забезпечення з запропонованою архітектурою дозволяє збільшити точність класифікації відгуків користувачів електронної комерції в середньому на 2%, порівняно з використанням архітектур, що передбачають застосування класичних моделей.Документ Відкритий доступ Спосіб зберігання та аналізу користувацьких метрик програмного забезпечення моніторинговими системами(КПІ ім. Ігоря Сікорського, 2021) Щербина, Вадим Олегович; Люшенко, Леся АнатоліївнаАктуальність теми. Сьогодні, коли зростає кількість програмного забезпечення актуальним стає процес моніторингу. Існуючі моніторингові системи виконують функції збору, збереження та відображення даних метрик. Основними користувачами системи моніторингу є адміністратори додатків, які відповідальні за обслуговування та нормальну роботу програмного забезпечення і їм не вистачає функцій, які надають звичайні моніторингові системи для проведення ефективного моніторингу. Тому розробка оптимізованого способу та відповідного програмного забезпечення зберігання та аналізу користувацьких метрик моніторинговими системами є актуальною та має практичне застосування. Об’єктом дослідження є способи зберігання та аналізу даних моніторинговими системами. Предметом дослідження є оптимізація способу зберігання та аналізу даних моніторинговими системами. Мета роботи: розробка та оптимізація способу зберігання та аналізу користувацьких метрик моніторинговими системами програмного забезпечення для зменшення часових ресурсів на збереження та аналіз даних. Методи дослідження. В роботі використовуються методи оптимізації, методи верифікації даних, методи технічного аналізу, методи прогнозування. Наукова новизна роботи полягає в тому, що було запропоновано спосіб зберігання та аналізу користувацьких метрик програмного забезпечення моніторинговими системами, що дозволяє пришвидшити процес зберігання та аналізу метрик в 10 разів за рахунок використання запропонованої структури даних. Практична цінність. отриманих в роботі результатів полягає в тому, що запропонований спосіб дає змогу проаналізувати всі дані, які надходять в моніторингову систему і зробити передбачення на їх основі з мінімальними часовими затримками. Такий підхід є дуже важливим для адміністраторів програмного забезпечення, яким важлива поінформованість і передбачення по основним метрикам програмного забезпечення. Апробація роботи. Основні положення і результати роботи представлені та обговорені на XIV науковій конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг» ПМК-2021 (м. Київ, 17- 19 листопада 2021 р.).Документ Відкритий доступ Метод та програмне забезпечення виявлення фінансових шахрайств засобами машинного навчання(КПІ ім. Ігоря Сікорського, 2025) Шапошник, Богдан Ігорович; Юрчишин, Василь ЯковичПроблема виявлення фінансових шахрайств є надзвичайно актуальною через стрімкий розвиток цифрових фінансових послуг та зростання обсягів онлайн-транзакцій. Існуючі традиційні методи, що базуються на правилах, а також базові алгоритми машинного навчання, часто виявляються недостатньо ефективними для протидії ускладненим шахрайським схемам, що зумовлює потребу в розробці більш досконалих підходів. У даній роботі запропоновано вдосконалений метод виявлення фінансових шахрайств, метою якого є підвищення точності та повноти ідентифікації шахрайських транзакцій. Запропонований комбінований підхід, на відміну від стандартних рішень, які часто обмежуються однією технікою ресемплінгу або недостатньо враховують специфіку сильного дисбалансу, дозволяє досягти значного покращення у виявленні шахрайських транзакцій. Зокрема, експериментально підтверджено за допомогою крос-валідації, що обрана комбінація технік забезпечує на 5-8% вищий показник повноти для міноритарного класу шахрайських операцій при збереженні високого та конкурентоспроможного рівня точності порівняно з іншими методами. Для реалізації методу було розроблено програмне забезпечення на мові програмування Python та з використанням бібліотек, як Pandas, NumPy, Scikitlearn та Imbalanced-learn.Документ Відкритий доступ Алгоритмічно-програмний метод для прогнозування даних з мультимодальним розподілом на основі моделі MDN(КПІ ім. Ігоря Сікорського, 2025) Федорчук, Іван Васильович; Шкурат, Оксана СергіївнаДана магістерська дисертація присвячена розробленню та реалізації алгоритмічно-програмного методу прогнозування даних з мультимодальним розподілом на основі моделі MDN. В ході даної магістерської дисертації було проаналізовано ряд існуючих підходів та методів прогнозування даних з мультимодальним розподілом та запропоновано програмний метод прогнозування даних з мультимодальним розподілом на основі моделі машинного навчання архітектури MDN та ймовірнісної функції втрат для навчання моделі, що дозволяє збільшити точність прогнозування на 4,56% для синтетичних наборів даних з чітко визначеними мультимодальними характеристиками, а також на 11,57% та 2,47% для двох наборів даних, що відображають прикладні задачі. Практичне значення отриманих результатів полягає в тому, що запропонований метод прогнозування даних з мультимодальним розподілом може використовуватись як самостійна система прогнозування в умовах невизначеності, зберігаючи при цьому сумісність із класичною архітектурою MDN, що дозволяє легко інтегрувати його в існуючі системи прогнозування даних. У даній магістерській дисертації розроблено програмне забезпечення для прогнозування даних з мультимодальним розподілом, зокрема для розв’язання задачі зворотньої кінематики двохсегментного маніпулятора.Документ Відкритий доступ Комбінований метод та програмне забезпечення для ідентифікації фішингового вмісту в текстовій частині електронних листів(КПІ ім. Ігоря Сікорського, 2025) Фещенко, Єгор Олександрович; Заболотня, Тетяна МиколаївнаДана магістерська дисертація присвячена розробленню та програмній реалізації комбінованого методу автоматизованої ідентифікації фішингового вмісту в текстовій частині електронних листів на основі використання згорткових та рекурентних нейронних мереж із застосуванням механізму уваги. В ході даної магістерської дисертації було проведено детальний аналіз існуючих методів і підходів автоматизованого виявлення фішингових повідомлень. Запропонований комбінований метод дозволяє враховувати як локальні текстові ознаки, так і глобальний семантичний контекст, завдяки чому досягається абсолютна точність класифікації фішингових листів у діапазоні від 95,3 до 99,6 % на різних наборах даних, що суттєво перевершує класичні методи машинного навчання та традиційні нейромережеві підходи. Практичне значення отриманих результатів полягає в тому, що розроблений програмний метод дозволяє суттєво знизити кількість помилкових спрацьовувань та забезпечити високу надійність автоматичної ідентифікації фішингових листів. У даній магістерській дисертації розроблено програмне забезпечення, яке реалізує запропонований комбінований метод для автоматизованого виявлення фішингових повідомлень у поштових сервісах та системах інформаційної безпеки.Документ Відкритий доступ Модифікований метод косинусної подібності для виявлення нечітких дублікатів у текстових даних(КПІ ім. Ігоря Сікорського, 2025) Козинець, Назарій Вікторович; Заболотня, Тетяна МиколаївнаДана магістерська дисертація присвячена розробленню та реалізації модифікованого методу косинусної подібності для виявлення нечітких дублікатів у текстових даних. В ході даної магістерської дисертації було проаналізовано ряд існуючих підходів та методів виявлення нечітких дублікатів та запропоновано модифікований метод косинусної подібності, який відрізняється від існуючих тим, що інтегрує контекстуальне зважування координат векторного представлення речень на основі їх інформаційної значущості та статистично визначені α-ваги для підвищення чутливості до семантичних перефразувань. Розроблений метод дозволяє досягти показників метрики F1, які на 5-6% перевищують результати класичного косинусного методу та на 10-14% перевищують результати традиційних частотних підходів. Практичне значення отриманих результатів полягає в розробці програмного забезпечення на основі модифікованого методу косинусної подібності, що може інтегруватися в системи перевірки оригінальності текстів, пошукові системи та корпоративні платформи, підвищуючи точність виявлення нечітких дублікатів. У даній магістерській дисертації розроблено програмне забезпечення для виявлення нечітких дублікатів у текстових даних на основі модифікованого методу косинусної подібності.Документ Відкритий доступ Метод та програмне забезпечення для узагальнення великорозмірних науково-популярних текстів(КПІ ім. Ігоря Сікорського, 2025) Кінаш, Дарій Олегович; Заболотня, Тетяна МиколаївнаДана магістерська дисертація присвячена розробленню та реалізації методу для узагальнення великорозмірних науково-популярних текстів. В ході написання даної магістерської дисертації було проаналізовано ряд наявних підходів та методів узагальнення великорозмірних текстів та запропоновано алгоритмічно-програмний метод для узагальнення великорозмірних науково-популярних текстів, що створює зв’язний та послідовний результат, який охоплює ключові теми вхідного тексту, та має як мінімум в 1.8 разів більшу швидкість роботи, ніж багатокроковий метод абстрактного узагальнення з застосуванням фрагментації визначеної контекстом. Практичне значення отриманих результатів полягає в тому, що запропонований програмний метод дозволяє підвищити ефективність роботи з науково-популярними текстами та забезпечити використання в освітніх проєктах, де необхідне швидке отримання стислого змісту великих текстів. У даній магістерській дисертації розроблено програмне забезпечення, що реалізує запропонований метод, а також оцінено ефективність розробленого методу.Документ Відкритий доступ Метод та програмне забезпечення автоматизації створення тестових сценаріїв з використанням штучного інтелекту(КПІ ім. Ігоря Сікорського, 2024) Грищенко, Олександр Володимирович; Хіцко, Яна ВолодимирівнаНа сьогодні тестування є критично важливим етапом розробки програмного забезпечення, що забезпечує якість та надійність кінцевого продукту. Однак створення ефективних тестових сценаріїв вимагає значних часових витрат та високого рівня експертизи, що створює суттєві труднощі, особливо для програмістів-початківців. Існуючі інструменти автоматизації тестування зосереджені переважно на виконанні тестів, а не на їх створенні. У даній роботі запропоновано метод автоматизації створення тестових сценаріїв з використанням штучного інтелекту, що реалізований у вигляді вебзастосунку. Розроблений метод поєднує статичний аналіз коду з адаптивною системою формування промптів для взаємодії з API Claude, що дозволило зменшити використання токенів API на 25% при збереженні високої якості згенерованих тестів. Експериментальні дослідження підтвердили ефективність запропонованого рішення – досягнуто середнє покриття коду тестовими сценаріями на рівні 85% та час аналізу 10 секунд на кожні 100 рядків коду. Для реалізації методу розроблено веб-застосунок на базі WordPress та Python з інтеграцією API Claude. Програмний продукт особливо корисний для програмістів-початківців та може бути інтегрований в існуючі процеси розробки та тестування програмного забезпеченняДокумент Відкритий доступ Метод та програмне забезпечення для поєднання віртуальної та доповненої реальності на смартфонах(КПІ ім. Ігоря Сікорського, 2024) Проценко, Андрій Павлович; Юрчишин, Василь ЯковичСучасний розвиток мобільних технологій дозволяє створювати нові способи взаємодії між фізичним та віртуальним світом. Віртуальна та доповнена реальності стали важливими інструментами для багатьох галузей, таких як освіта, ігрова індустрія, медицина та дизайн. Ця робота спрямована на розробку комплексного програмного методу для забезпечення синхронної інтеграції віртуальної та доповненої реальностей на смартфонах. Запропоноване рішення поєднує три основні підходи: передбачення руху смартфона за допомогою нейронної мережі LSTM, прорисовку сцен поза полем зору за допомогою реконструкції оточення та отримання глибини зображення завдяки використанню LiDAR. Для досягнення цих цілей використано Unity AR Foundation, що забезпечує кросплатформенну підтримку та можливість створення стереозображень для відображення тривимірних сцен. Програмний метод базується на архітектурі, яка включає збір даних, навчання LSTM-моделі для передбачення майбутнього положення камери та реалізацію оптимізованих моделей на мобільних пристроях за допомогою PyTorch і LibTorch-Lite. Основні переваги запропонованого підходу включають зменшення візуальних затримок, покращення плавності відтворення змішаних сцен та підвищення точності інтеграції віртуального контенту з реальним оточенням.