Browsing by Author "Островська, Катерина Юріївна"

Now showing 1 - 25 of 25

Автоматизований конвеєр формування датасету для навчання моделей виявлення шахрайства
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Носов, Валерій Олександрович; Островська, Катерина Юріївна
UKR: У дослідженні розглянуто проблему підготовки тренувальних даних для систем виявлення шахрайства в транзакціях електронної комерції на основі методів машинного навчання. За результатами аналізу існуючих відкритих джерел обґрунтовано необхідність створення спеціалізованого набору даних. Запропоновано автоматизований конвеєр об’єднання трьох відкритих наборів даних з платформи Kaggle (IEEE-CIS, Credit Card Transactions Fraud Detection Dataset, Fraudulent E-Commerce) зі збереженням реальних міток шахрайства та збагаченням записів синтетичними атрибутами, адаптованими до специфіки українського платіжного ринку. Опрацьовано методи рівномірної нормалізації часових міток, генерації автентифікаційних даних та розбиття на платіжні системи, формування агрегованих профілів клієнтів та пар для навчання моделі IP Insights. Результатом є набір із 500000 транзакцій за 24 місяці з рівнем шахрайства 3.04%, призначений для навчання конвеєра моделей, до яких входять LightGBM, автоенкодер та IP Insights.
Адаптивна система оцінювання ризиків онлайн транзакцій на основі інтелектуального аналізу
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Носов, Валерій Олександрович; Островська, Катерина Юріївна
UKR: З кожним роком кількість фінансових операцій неспинно зростає, а з нею і відповідні кіберзагрози, зокрема шахрайство, тому виявлення ризикових транзакцій в електронній комерції набуває все більшої актуальності. У дослідженні розглянуто адаптивний підхід до оцінювання ризиків онлайн транзакцій на основі інтелектуального аналізу даних, зокрема машинного навчання. Запропонована система передбачає багаторівневу структуру в яку входять поведінковий аналіз, семантична оцінка транзакцій та інтеграція результатів для формування фінального індикатора ризику. Увагу приділено виявленню відхилень від типових шаблонів, зіставленню історичних даних з поточними діями користувача, а також гнучкому реагуванню на підозрілі активності та аномалії у режимі реального часу. Зазначений підхід дозволить підвищити точність виявлення шахрайських операцій, зменшити кількість хибнопозитивних спрацювань, і забезпечити здатність моделі до адаптації в умовах постійно зростаючих загроз у динамічному середовищі.
Використання нейромережевих класифікаторів для реалізації системи ідентифікації транспортних засобів
(НМетАУ, Дніпро, 2021) Островська, Катерина Юріївна; Стовпченко, Іван Володимирович; Губанов, Олександр Дмитрович
UKR: Робота присвячена дослідженню нейромережевих класифікаторів для реалізації системи ідентифікації транспортних засобів. В роботі вирішувалося завдання розпізнавання світлових сигналів транспортних засобів. Як детектор транспортних засобів використовувалася полегшена версія YOLOv3, а класифікатором світлових сигналів виступала адаптована під умови задачі архітектура MobileNetv2. Моделі навчалися на декількох датасетах, приведених до єдиного формату. Отримана якість моделей є досить хорошою для доказу працездатності системи. Подальше поліпшення якості можливо за рахунок збільшення обсягу навчальної вибірки і більш точного підбору гіперпараметрів моделі. З точки зору швидкості роботи система розпізнавання показала прийнятний результат.
Використання нейромережевих технологій для вирішення задачі класифікації дефектів металопрокату
(Український державний університет науки і технологій, ННІ «Інститут промислових та бізнес технологій», ІВК «Системні технології», 2023) Островська, Катерина Юріївна; Балакін, Валерій Федорович; Черський, Сергій Сергійович
UKR: Основною метою роботи є створення програмної системи, що виконує класифікацію дефектів поверхні металопрокату з високою точністю (понад 90%) та високою швидкістю (не більше 1 секунди на 1 зображення) за рахунок використання штучних нейронних мереж. Для досягнення мети необхідно виконати такі завдання: 1) виконати дослідження предметної галузі, визначити можливість використання нейронних мереж для вирішення задачі класифікації дефектів металопрокату; 2) побудувати модель нейронної мережі, придатну на вирішення завдання класифікації видимих дефектів металопрокату; 3) виконати генерацію навчальної, тестової та валідаційної вибірок на основі бази даних дефектів поверхні гарячого металопрокату, наданої Північно-східним університетом (NEU); зробити аугментацію згенерованих вибірок; 4) спроектувати та реалізувати систему класифікації дефектів; 5) провести тестування та обчислювальні експерименти. В результаті роботи було розроблено програмну систему для класифікації дефектів металопрокату на базі нейромережевих технологій, яка здатна менш ніж за 1с часу виконувати класифікацію дефекту на зображенні з точністю не менше 90%.
Досвід цифрової співпраці та стратегічного партнерства DAAD та УДУНТ в напрямку розвитку відкритих освітніх ресурсів
(Ukrainian State University of Science and Technologies, Dnipro, 2024) Гнатушенко, Володимир Володимирович; Островська, Катерина Юріївна; Селівьорстова, Тетяна Віталіївна; Дмитрієва, Ірина Сергіївна
UKR: Співпраця між Україною та Німеччиною у сфері науки й освіти завжди була важливим елементом міжнародних відносин обох країн. У цьому контексті Німецька служба академічних обмінів (DAAD) виступає як ключовий партнер, що сприяє розвитку академічних зв’язків та підтримує українських науковців і студентів через різноманітні програми. DAAD надає широкі можливості для навчання, досліджень і професійного розвитку, особливо в умовах сучасних викликів, зокрема під час війни. Завдяки цим програмам українські студенти та науковці мають доступ до передових знань, сучасних технологій та дослідницьких можливостей, що є важливим для розвитку наукового потенціалу України і зміцнення її інтеграції в міжнародну наукову спільноту.
Дослідження ефективності платформ управління обчислювальними сервісами при організації Fog computing
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2022) Островська, Катерина Юріївна; Шерстяних, Микита Олександрович; Стовпченко, Іван Володимирович; Каліберда, Юрій Олегович
UKR: Робота присвячена дослідженню ефективності платформ управління обчислювальними сервісами при організації Fog computing. В рамках роботи проводиться дослідження ефективності платформ контейнерної оркестрації з організацією Fog computing. У ході проведення дослідження необхідно виконати такі завдання: 1) зробити підбір літератури, наукових публікацій та Інтернет статей, необхідних для проведення дослідження; 2) здійснити огляд платформ контейнерної оркестрації; 3) визначити ключові вимоги та критерії проведення дослідження; 4) спроектувати та реалізувати утиліту автоматичного проведення випробувань; 5) виконати дослідження ефективності платформ контейнерної оркестрації з організацією туманних обчислень; 6) проаналізувати отримані результати та зробити супутні висновки. Організується розгортання Docker-контейнерів. Для створення кластера використовується Docker Swarm. Вирішуються завдання вимірювання наступних параметрів: час розгортання одного контейнера, час розгортання групи контейнерів, час відгуку задачі горизонтального масштабування, час затримки передачі. Проводиться аналіз одержаних результатів випробувань.
Дослідження ефективності розподілених алгоритмів машинного навчання
(НМетАУ, Дніпро, 2021) Островська, Катерина Юріївна; Стовпченко, Іван Володимирович; Аніщенко, Владислав Володимирович
UKR: Робота присвячена дослідженню ефективності розподілених алгоритмів машинного навчання реалізованих в проекті Apache Mahout. В результаті роботи був проведений аналіз ефективності алгоритмів машинного навчання за допомогою методу кластеризації к-середніх (k-Means) і методу нечіткої кластеризації к-середніх (fuzzy k-Means / c-Means), реалізованих в проекті Apache Mahout. Отримано результати тестування обох методів кластеризації на однакових наборах даних. Розглянуто точність кластеризації кожного методу, а також побудовані порівняльні діаграми результатів досліджуваних методів.
Дослідження методів машинного навчання для рішення задач медичного профілю
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2023) Островська, Катерина Юріївна; Мінаєнко, Анна Сергіївна
UKR: Робота присвячена дослідженню методів машинного навчання для рішення задач медичного профілю. Мета роботи - аналіз методів машинного навчання для підвищення точності та скорочення часу діагностики захворювань сечостатевої системи у дітей. Предмет дослідження – класифікатор захворювань сечостатевої системи пацієнтів Дніпропетровської обласної дитячої клінічної лікарні "Дніпропетровської обласної ради". В результаті дослідження вирішено такі завдання: зроблено аналіз літератури щодо застосування методів машинного навчання до захворювань сечостатевої системи; розроблено програму для вилучення в напівавтоматичному режимі необхідної інформації з виписок; проаналізовано бібліотеки мови Python та частину методів машинного навчання; проведено первинний аналіз та передобробка даних; застосовано методи класифікації, відбору ознак та заповнення пропущених значень; проаналізовано одержані результати та виконано обґрунтування результатів дослідження у предметній галузі.
Дослідження методів на основі нейронних мереж для аналізу тональності корпусу текстів
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2023) Островська, Катерина Юріївна; Стовпченко, Іван Володимирович; Печений, Денис Сергійович
UKR: Об'єктом дослідження є методи з урахуванням нейронних мереж для аналізу тональності корпусу текстів. Для досягнення поставленої в роботі мети необхідно вирішити такі завдання: вивчити теоретичний матеріал для навчання глибинних нейронних мереж та їх особливості стосовно обробки природної мови; вивчити документацію бібліотеки Tensorflow; розробити моделі згорткової та рекурентної нейронних мереж; розробити реалізацію лінійних та нелінійних методів класифікації на моделях мішка слів та Word2Vec; порівняти точність та інші показники якості реалізованих нейромережевих моделей із класичними методами. Для візуалізації навчання використовується Tensorboard. У роботі показано перевагу класифікаторів на основі глибоких нейронних мереж над класичними методами класифікації, навіть якщо для векторних уявлень слів використовується модель Word2Vec. Найвищу точність для даного корпусу текстів має модель рекурентної нейронної мережі з LSTM-блоками.
Дослідження нейромережевих моделей для відстеження погляду та фіксації об'єктів
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Островська, Катерина Юріївна; Порохнявий, Вячеслав Григорович
UKR: В роботі представлено порівняння нейромережевих моделей для відстеження погляду та фіксації об'єктів. У цій роботі були вивчені алгоритми виявлення подій з різних областей: I-VT і I-DT, засновані на порогових значеннях, модель випадкового лісу в галузі машинного навчання і модель CNN в галузі глибокого навчання. Була проведена оцінка ефективності їхньої класифікації з використанням одного і того ж набору даних для всіх методів. Також обговорювався взаємозв'язок між програмістами та алгоритмами. Результати показали критичний вплив порогових значень класифікацію алгоритмів I-VT і I-DT. У зв'язку з цим пошук оптимального порогу алгоритмах, заснованих на порогових значеннях, є складним завданням. Алгоритми RF і CNN перевершують алгоритми, засновані на порогових значеннях, за всіма показника-ми продуктивності та здатні класифікувати дані щодо кількох класів. Проведено тестування та порівняння різних АВП (алгоритмів виявлення подій). Дано теоретичні та експериментальні обґрунтування отриманим результатам. За результатами проведених експериментів було обрано найкращий наших завдань АВП (алгоритмів виявлення подій). Також описані засоби реалізації до створення докладання. Описано переваги та недоліки обраних рішень. Вирішено технічні проблеми, що виникли. Спроектовано архітектуру, розроблено макет програми виходячи з необхідних завдань.
Дослідження системи розпізнавання природної мови Amazon Lex V2
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Носов, Валерій Олександрович; Островська, Катерина Юріївна
UKR: У сучасних реаліях все більше використовуються системи з розпізнаванням тексту та голосу, бо процес взаємодії з людиною все більше автоматизується. Технологія розпізнавання людської мови є фундаментальним для розвитку штучного інтелекту. Системи, які побудовані на цій технології, мають можливість вирішувати досить велику кількість задач, пов’язаних з аналізом даних, пошуку інформації, виконанням запитів користувачів. Популярними і досить поширеними рішеннями систем з NLP (Natural Language Processing) є голосові помічники, системи розумного дому (такі як Amazon Alexa чи Google Assistant). Дослідження цієї технології та аналіз її інтеграції в хмарних середовищах надає можливість самостійно використати її особливості у якості автоматизованих ад’ютантів, чи наприклад, як частину вже існуючої інтелектуальної системи. NLP ядро сервісу Amazon Lex V2 надає можливість розгорнути власноручно налаштований чат-бот на задану тему, тому з точки зору розробки та дослідження він привертає увагу розробників та аналітиків. Але, перед цим, постає багато питань щодо його можливостей та обмежень, перед якими зіткнеться інтегратор цієї служби.
Дослідження та розробка методики проектування UX / UI дизайну інтернет - платформи
(Український державний університет науки і технологій, ННІ «Інститут промислових та бізнес технологій», 2022) Островська, Катерина Юріївна; Гуда, Антон Ігорович; Романюк, Катерина Валеріївна
UKR: Робота присвячена проектуванню інтерфейсу за допомогою розробленої методики. У роботі розглянуті питання щодо розробки методики для покращення якості розробки інтернет-магазинів та прискорення цього процесу. Метою роботи було дослідження і розробка методики проектування UX / UI дизайну інтернет-платформи. Для досягнення поставленої мети були вирішені такі основні завдання: - аналіз обраної предметної області; - аналіз сучасних підходів до проектування інтерфейсів; - вибір технологій і програм для відмальовки та прототипування; - розробка методики та проектування за допогомою Figma; - проведення експериментальної оцінки ефективності методики. Практична значимість даної роботи полягала у використанні результатів роботи в практичній діяльності певної веб-студії. Розробка методики пройшла без технологічних збоїв.
Застосування нейромережних технологій для виявлення пневмонії по рентгенівським знімкам
(НМетАУ, Дніпро, 2021) Островська, Катерина Юріївна; Мінаєнко, Анна
UKR: У роботі спроектовано та розроблено додаток для виявлення пневмонії по рентгенівським знімкам із застосуванням нейромережних технологій на мові Python. Для реалізації програми для розпізнавання пневмонії по рентгенівськім знімкам, яке відноситься до задачі розпізнавання образів, буде застосована архітектура згорткових штучних нейроних мереж.
Метод інтелектуального моніторингу та оптимізації ресурсів ІТ-інфраструктури на основі машинного навчання
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Самуськов, Олександр Д.; Островська, Катерина Юріївна
UKR: У роботі проведено аналіз сучасних підходів до моніторингу та управління навантаженням в ІТ-інфраструктурах. Розглянуто обмеження традиційних реактивних методів та обґрунтовано доцільність переходу до інтелектуальних систем класу AIOps. Запропоновано концепцію методу моніторингу, що базується на використанні алгоритмів машинного навчання (зокрема моделей LSTM та нейро-нечітких мереж) для проактивного прогнозування часових рядів навантаження. Окрему увагу приділено інтелектуальному балансуванню ресурсів у хмарних та мікросервісних середовищах, що дозволяє мінімізувати затримки та оптимізувати витрати на інфраструктуру. Отримані результати можуть бути використані при розробці адаптивних систем автоматичного масштабування.
Методологія підготовки датасету для навчання моделей виявлення шахрайства в електронній комерції
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Носов, Валерій Олександрович; Островська, Катерина Юріївна
UKR: У дослідженні розглянуто проблему підготовки тренувальних даних для систем виявлення шахрайства в транзакціях електронної комерції на основі методів машинного навчання. За результатами аналізу існуючих відкритих джерел обґрунтовано необхідність створення спеціалізованого набору даних. Запропоновано автоматизований конвеєр об’єднання трьох відкритих наборів даних з платформи Kaggle (IEEE-CIS, Sparkov, Fraudulent E-Commerce) зі збереженням реальних міток шахрайства та збагаченням записів синтетичними атрибутами, адаптованими до специфіки українського платіжного ринку. Опрацьовано методи рівномірної нормалізації часових міток, генерації автентифікаційних даних та розбиття на платіжні системи, формування агрегованих профілів клієнтів та пар для навчання моделі IP Insights. Результатом є набір із 500000 транзакцій за 24 місяці з рівнем шахрайства 3,04%, призначений для навчання конвеєра моделей, до яких входять LightGBM, автоенкодер та IP Insights.
Моделювання нейромережевого алгоритму для аналізу дефектів відеопотоку
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Островська, Катерина Юріївна; Зимогляд, Андрій Юрійович; Козакова, Анастасія Олександрівна
UKR: В роботі зроблено огляд на існуючі наукові роботи з аналізу відео на виявлення дефектів та технологій цифрового мовлення. Розглядається створення дата-сета, розподілу даних по вибіркам. Описується навчання нейромережевих моделей та отримання результатів навчання. Реалізації методу використання навченої нейронної мережевої моделі.
Нейромережева модель детектування та відстеження у транспортному потоці міста
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Островська, Катерина Юріївна; Петросян, Едгар Хачатурович
UKR: В роботі проведено опис предметної галузі, а саме опис методів машинного навчання та нейронної мережі, а також завдання класифікації. Крім вищепереліченого було проведено огляд наукової літератури та аналогів та опис сімейства нейромережевих моделей YOLOv7. Описано архітектуру нейромережевої моделі YOLOV7, її основні частини та їх при-значення. Було описано набір даних для навчання та тестування моделі, описано веб-додаток «RoboFlow», в якому виконувалася розмітка зображень. Також було описано алгоритм Deep SORT для відстеження об'єктів у часі. Реалізовано нейромережну модель для детектування та трекінгу електросамокатів у транспортному потоці. Модель була навчена на зібраному наборі даних. Також було реалізовано веб-додаток для демонстрації роботи нейромережевої моделі. Веб-додаток повністю відповідає функціональним та нефункціональним вимогам. Проведено тестування нейронної мережі, тестування проводилося на різних моделях YOLOV7, найкращий результат показала модель YOLOV7-w6. Також було проведено функціональне тестування веб-програми. Було проведено автоматизоване тестування веб-застосування за допомогою інструменту cypress, веб-додаток було протестовано за допомогою двох видів тестування, компонентного та E2E.
Перспективи використання систем обробки Big Data в металургійній промисловості
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Островська, Катерина Юріївна; Стовпченко, Іван Володимирович
UKR: У роботі представлені основи технології Big Data, розглядаються перспективи використання систем обробки великих даних у металургійній промисловості.
Розробка підходу до виявлення шкідливого ПЗ для Android з використанням методів глибинного навчання
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Островська, Катерина Юріївна; Стовпченко, Іван Володимирович; Островський, Євген Вікторович
UKR: Метою роботи є розробка підходу для виявлення шкідливого програмного забезпечення для операційної системи Android на основі статистичного аналізу c використанням методів глибокого навчання. Для досягнення поставленої мети були вирішені наступнізадачі:1.Дослідження особливостей Android-додатків і розробка способу подання додатка для подальшого аналізу безпеки. 2.Дослідження методів глибокого навчання і вибір найбільш відповідного з них. 3.Розробка підходу до виявлення шкідливого програмного забезпечення для Android з використанням методів глибокого навчання. Основна ідея підходу – уявлення Android-додатків у вигляді зображення для подальшого аналізу згортовою нейронною мережею, причому в цьому зображенні пікселі представляють послідовність пар API виклику і відпорному йому рівня захисту, який виводиться з дозволу, яке необхідно для виклику API.
Розробка системи оцінки інтерфейсу веб-сайтів на основі нечіткої логіки
(Український державний університет науки і технологій, ННІ «Інститут промислових та бізнес технологій», ІВК «Системні технології», Дніпро, 2022) Островська, Катерина Юріївна; Стовпченко, Іван Володимирович; Каліберда, Юрій Олегович
UKR: Проектування людино-машинного інтерфейсу є невід'ємним та важливим завданням життєвого циклу розробки програмного забезпечення. Від якості результатів проектування залежить рівень задоволеності користувачів під час використання цього продукту. На даний момент існують різні підходи до оцінки юзабіліті сайтів з погляду наповнення сторінок, їх оформлення, розташування елементів керування і т.д. Але комплексного програмного продукту, який оцінював би юзабіліті будь-якого запропонованого сайту, поки що немає. Таким чином, завдання автоматизованої оцінки юзабіліті веб-сайтів є актуальним. Метою роботи є розробка системи оцінки інтерфейсу веб-сайтів на основі нечіткої логіки. Для досягнення мети було вирішено такі завдання: 1) визначити лінгвістичні змінні для оцінки юзабіліті інтерфейсу сайтів; 2) розробити та реалізувати алгоритм парсера вихідного коду HTML-сторінок для побудови термів лінгвістичних змінних; 3) розробити анкету тестування юзабіліті інтерфейсу сайтів для експертів та провести анкетування; 4) розробити алгоритм нечіткого виведення оцінки юзабіліті інтерфейсу сайтів; 5) розробити базу даних оцінок; 6) спроектувати, реалізувати та протестувати настільну програму для оцінки юзабіліті інтерфейсу сайтів.
Статистичний аналіз тексту та дослідження динаміки точності класифікації
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2022) Островська, Катерина Юріївна; Фененко, Тетяна Михайлівна; Глущенко, Олександр
UKR: Робота присвячена статистичному аналізу тексту та дослідженню динаміки точності класифікації. У роботі проводиться відбір статистичних ознак тексту, класифікація текстів, що належать різним авторам, та дослідження динаміки точності класифікації в залежності від довжини текстових фрагментів. Для вирішення поставленого завдання використовувалися: методи обробки природної мови; статистичні характеристики текстів; методи машинного навчання; методи зниження розмірності для можливості візуалізації. На основі отриманої динаміки зміни точності класифікації в залежності від довжин текстових фрагментів було зроблено відповідні висновки щодо оптимальної довжини текстів, що використовуються для навчання та тестування моделей. Завдання вирішувалося у програмному середовищі Jupyter Notebook дистрибутива Anaconda, який дозволяє одразу встановити Python та необхідні бібліотеки.
Технологія створення цифрових двійників на основі ресурсів хмарної обчислювальної платформи
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Островська, Катерина Юріївна; Островський, Євген Вікторович; Старик, Віталій Віталійович
UKR: В результаті роботи було розроблено технологію створення цифрових двійників, а також створено прототип цифрового двійника на основі ресурсів хмарної обчислювальної платформи Microsoft Azure. Також було розроблено клієнтську програму для роботи з цифровим двійником. У ході розробки було вирішено такі завдання: проведено огляд наукової літератури та існуючих рішень Інтернету речей для створення цифрових двійників; вивчено технології, що надаються хмарними обчислювальними платформами для створення цифрових двійників; спроектовано та розроблено прототип цифрового двійника на основі хмарних обчислювальних ресурсів обчислювальної платформи Microsoft Azure; здійснено тестування розробленого прототипу.
Хмарні технології в системах підтримки прийняття рішень
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Островська, Катерина Юріївна; Лепетя, Олександр В.
UKR: У статті розглядається стратегія управління хмарою. Основні теоретичні та практичні аспекти використання сервісів хмарних обчислень і хмарних сховищ даних, які використовуються як ключовий компонент системи підтримки прийняття рішень, що використовується в інтересах системних адміністраторів, дослідників, бізнес-аналітиків і топ-менеджерів.
Інтелектуальна система для визначення шкідників рослин на основі нейромережевих технологій
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Островська, Катерина Юріївна; Левашкевич, Антон Костянтинович
UKR: Актуальною є задача розробки нейромережевих моделей, що забезпечують високу точність детектування шкідників рослин за мінімальних обчислювальних та часових витрат. Вирішення цього завдання сприятиме розвитку цифрових технологій в аграрній галузі та надаватиме можливість для оперативного та точного виявлення загроз сільськогосподарським культурам, зокрема, визначення шкідників рослин. Метою роботи є розробка інтелектуальної системи для визначення шкідників рослин на основі нейромережевих технологій. У ході дослідження було реалізовано та проаналізовано модель детектування об'єктів на основі архітектури YOLOV5s. Для навчання та валідації моделі був використаний набір даних, сформований на основі відкритих датасетів, розміщених на платформі Roboflow. Підсумковий датасет включає 3766 анотованих зображень, кожне з яких містить не менше одного об'єкта, що відноситься до одного з 18 наперед визначених класів. Для підвищення узагальнюючої здатності моделі та розширення різноманітності навчального датасета на етапі передобробки використовувалася бібліотека аугментацій Albumentations. Навчання про-водилося з використанням оптимізатора стохастичного градієнтного спуску. Для управління швидкістю навчання застосовувався косинусний планувальник. В роботі реалізовано взаємодію користувача з серверною частиною з інтерфейсом у вигляді чат-бота. Розроблена інтелектуальна система забезпечує два повноцінні режими роботи: режим інференсу нейромережі (predict) та режим збору даних (collect). Перемикання між режимами здійснюється як через команди, так і автоматично – на основі наявності моделі у файловій системі серверної частини веб-застосунку. За результатами тестування підтверджено стабільну роботу серверної частини та демонструє повну відповідність заявленим функціональним вимогам.
Інформаційна система для генерації зображень з можливістю федеративного навчання та донавчання генеративних моделей
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Островська, Катерина Юріївна; Борисюк, Володимир Петрович
UKR: У роботі розглянуто розробку та дослідження інформаційної системи для генерації зображень на основі сучасних генеративних моделей штучного інтелекту з підтримкою федеративного навчання та механізмів донавчання. Запропонована система орієнтована на забезпечення ефективної генерації візуального контенту з одночасним збереженням конфіденційності даних користувачів, що є особливо актуальним в умовах обмеженого доступу до централізованих наборів даних. Метою роботи є розробка інформаційної системи для генерації зображень з можливістю федеративного навчання та донавчання генеративних моделей. Розроблена інформаційна система може бути використана у завданнях, де важливо навчати генеративні моделі без передачі даних на сервер, що забезпечує захист конфіденційною інформації. У майбутньому планується розширення функціональності системи, у тому числі додавання повноцінної реєстрації та авторизації, можливість застосовувати кілька LoRA-адаптерів одночасно, збільшення доступних для навчання та генерації моделей і реалізація додаткових алгоритмів для федеративного навчання.