Вережинський, В.А.Даниленко, А.В.Рупіч, С.С.Цибульник, С.О.2023-07-262023-07-262023Розробка системи генерації на основі алгоритму штучного інтелекту. Частина 1 / Вережинський В.А., Даниленко А.В., Рупіч С.С., Цибульник С.О. // Вісник КПІ. Серія Приладобудування : збірник наукових праць. – 2023. – Вип. 65(1). – С. 110-116. – Бібліогр.: 9 назв.0321-2211 (p)2663-3450 (e)https://ela.kpi.ua/handle/123456789/58611Розвиток сучасних інструментів і методів штучного інтелекту забезпечує широкий функціонал у різних наукових і прикладних сферах та надає можливість досягати нових результатів. Постає питання щодо застосування елементів штучного інтелекту для знаходження нових поєднань і сполучень шляхом генерації. В якості цільового результату розглядається застосування нейронної мережі для формування нових, унікальних рецептів харчової суміші, з метою визначення ефективності впровадження та використання методів і моделей штучного інтелекту. Для вирішення задачі генерації поєднань складових рецептів, у роботі розглянуто всі етапи технологічного процесу від збору, аналізу, препроцесингу даних до вибору математичного алгоритму та моделювання навченої системи. Кожен з етапів роботи містить у собі повний опис кроків, необхідних для вирішення поставленого завдання. Алгоритм машинного навчання має можливість обробляти тисячі прикладів для знаходження певної закономірності поєднань інгредієнтів. І значна увага приділяється формуванню тренувального датасету. На етапі збору даних розглядаються особливості та основні проблеми, що виникають при роботі парсера. Важливою частиною є обхід захисних технологій при запитах до інтернет-ресурсів та зчитування DOM- дерева з коду HTML сторінки. Описано налаштування алгоритму автоматизованого збору інформації. Для розробки парсеру в роботі використовуються інструменти для швидкого розгортання проєкту та ефективного керування додатками Docker та Docker Compose. Окремим етапом є побудова датасету та аналіз даних для моделі нейронної мережі, який полягає у проведенні препроцесінгу та декодуванні і композиції у табличний вигляд. При автоматизованому процесі збору даних формується інформація зі значними шумами та зайвими елементами. Значна увага приділяється саме процесу очищення та підготовки корисної інформації, адже саме від чистоти даних та їх повноти в більшості випадків залежить якість математичної моделі та процесу моделювання для знаходження нових закономірностей та поєднань.ukгенераціяаналізпрепроцесингматематичний алгоритмнейронна мережамашинне навчанняgenerationanalysispreprocessingmathematical algorithmneural networkmachine learningArticlePp. 110-116https://doi.org/10.20535/1970.65(1).2023.283455004.021, 004.62, 004.855.50000-0001-8237-70010000-0002-4462-0936