Міжнародна науково-технічна конференція «Інформаційні технології в металургії та машинобудуванні. ІТММ'26»

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/22401

ENG: Scientific and Technical International Conference «Information Technology in Metallurgy and Machine Engineering. ITMM'26», April 21-23, 2026

Browse

Now showing 1 - 2 of 2

Концептуальні основи виявлення аномалій у промислових інформаційних системах з використанням машинного навчання
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Довидовський, Едуард О.; Гуда, Антон Ігорович; Селівьорстова, Тетяна Віталіївна
UKR: У роботі розглянуто підходи до виявлення аномалій у промислових інформаційно-управляючих системах із використанням методів машинного навчання. Проаналізовано особливості функціонування сучасних виробничих середовищ та пов’язані з ними ризики інформаційної безпеки, що виникають у процесі цифрової трансформації промисловості та інтеграції інформаційних технологій у виробничі процеси. Основну увагу приділено моделям неконтрольованого навчання, які дозволяють формувати узагальнене уявлення про нормальний стан системи без попереднього маркування даних. Розглянуто принцип роботи автоенкодера як інструмента виявлення відхилень на основі аналізу помилки реконструкції. Запропоновано узагальнену концептуальну схему виявлення аномалій, що базується на порівнянні фактичних і відновлених значень параметрів та дозволяє інтерпретувати відхилення як потенційні порушення нормального функціонування системи. Робота має теоретичний характер і спрямована на систематизацію існуючих підходів.
Створення кризово-залежного датасету для Adaptive IRM
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Березюк, Микита Олександрович; Гуда, Антон Ігорович
UKR: У кризових ситуаціях великі мовні моделі (LLM) мають потенціал допомагати у формуванні порад та рекомендацій, однак їх стандартна поведінка часто ігнорує специфіку події. Це знижує релевантність і може становити ризик у критичних ситуаціях. У роботі представлено підхід до створення спеціалізованого датасету для навчання та оцінки Adaptive IRM – модуля, який інжектує прихований кризовий контекст у LLM. За основу взято корпус HumAID із твітами про стихійні лиха, для яких згенеровано абстрактні запитання без прямої згадки події. Сформований набір (~41 тис. прикладів) дозволяє перевіряти, чи здатні моделі з Adaptive IRM давати відповіді, що відрізняються залежно від типу кризи, підвищуючи їх релевантність і безпечність.