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

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.