Інші праці КІТС (ДМетІ)

Permanent URI for this collectionhttp://crust.ust.edu.ua/handle/123456789/14594

Browse

Now showing 1 - 7 of 7

Application of the GoldenRAM AI Platform for Monitoring Mining Activities Using Earth Observation Data
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Kavats, Olena O.; Sergieieva, Kateryna L.; Matselyukh, T. B.
ENG: This paper analyzes the potential of Earth remote sensing data and artificial intelligence for monitoring mining sites. The study investigates the remote assessment of the value of the deposit using multispectral imagery, time-series data, and digital elevation models. Particular attention is paid to the GoldenRAM platform, which ensures synergy between satellite data, GIS, and machine learning for automated change detection. The core innovation of this study lies in the implementation of the Artificial Intelligence Knowledge Processors (AIKP) approach, which serves as a modular foundation for a fundamental system development architecture. This methodology enables seamless integration of AI-assisted development and advanced geospatial analytics, producing a reliable framework for cross-domain monitoring. Integrating these technologies facilitates continuous remote monitoring, dynamic quarry assessment, and verification of extraction volumes. The proposed approach is highly relevant for monitoring areas with limited physical access and can be adapted for environmental analysis systems in industrial regions of Ukraine.
Development of a Method for Using Graphical Diagrams for Queries to Large Language Models
(International Scientific Unity, Lisbon, Portugal, 2025) Dmytriieva, Iryna S.; Yushkovskyi, Pavlo
ENG: This paper is devoted to the development of an innovative method that combines the visual structure of graphic diagrams with the power of large language models (LLMs). Based on experiments with GPT-4, Claude 3, and Gemini 1.5 Pro, it has been demonstrated that the use of formalized diagrams as queries increases the coherence and accuracy of responses by 16–25% compared to traditional text instructions. The proposed approach opens up new opportunities for structured human-artificial intelligence interaction in education, science, and analytics.
Дослідження впливу обробки первинних даних на результати навчання нейромережі для розпізнання супутникових зображень
(Український державний університет науки і технологій, ІВК «Системні технології», 2022) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Правильна підготовка матеріалів для навчання нейронної мережі є одним з ключових етапів, від якого безпосередньо залежать усі подальші результати. Дослідження передбачає два випробування, перше з необробленими даними, а друге — зі спеціально підготовленими для навчання. Навчання нейронної мережі використовує дані для трьох різних класів, води, дерев і поля, результати тестів та інформацію про потенційні недоліки, надані після кожного тесту, а також рекомендації щодо покращення результатів. Результати проаналізовано та зроблено висновок, що вдосконалення первинних матеріалів для навчання нейронної мережі розпізнаванню супутникових зображень безпосередньо впливає на результат у кращий бік, а саме на 27,6% у разі використання підготовлених даних, у цьому дослідженні вони можуть відрізнятися залежно від умови.
Дослідження методів уніфікації та попередньої обробки експериментальних даних для підвищення якості інтеграції в ШІ-моделі компенсації ексцентриситету валків
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Потап, Михайло Олегович; Гнатушенко, Вікторія Володимирівна; Селівьорстова, Тетяна Віталіївна
UKR: У роботі розглянуто питання уніфікації та попередньої обробки експериментальних даних для їх ефективного використання в ШІ-моделях компенсації ексцентриситету валків у процесах листової прокатки. Обґрунтовано, що якість функціонування інтелектуальних моделей значною мірою залежить від узгодженості, повноти та інформативності вхідних даних. Проаналізовано підходи до синхронізації часових рядів, очищення даних, фільтрації шумів, нормалізації та формування ознак. Показано, що застосування процедур уніфікації та попередньої обробки сприяє підвищенню якості інтеграції даних у ШІ-моделі та створює передумови для більш точної компенсації ексцентриситету валків.
Дослідження особливостей застосування штучного інтелекту в інженерії програмного забезпечення
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Гуда, Антон Ігорович; Булавка, О. С.; Довидовський, Е. О.; Селівьорстова, Тетяна Віталіївна
UKR: Проведений аналіз трансформаційного впливу штучного інтелекту на сферу розробки програмного забезпечення, демонструючи, як інструменти на основі ШІ оптимізують робочі процеси та підвищують продуктивність. Від автоматизації створення документації за допомогою таких інструментів, як Rewind.ai і Mutable.ai до перекладу коду на людську мову для легшого розуміння за допомогою Figstack, ШІ революціонізує практику розробки. Ці інновації підкреслюють ключову роль штучного інтелекту в зміні процесів розробки програмного забезпечення, покращенні якості коду та сприянні ефективній командній роботі в дедалі динамічнішому середовищі.
Застосування штучного інтелекту для розв'язання інженерних задач. Переваги та виклики
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Красношапка, Никита Сергійович; Малієнко, Станіслав Євгенович; Гуда, Антон Ігорович; Селівьорстова, Тетяна Віталіївна
UKR: Штучний інтелект (ШІ) стає невід'ємною частиною сучасної інженерії, обіцяючи трансформувати способи проектування, виробництва та управління системами. Його застосування варіюється від автоматизації процесів до оптимізації виробничих циклів, підвищуючи ефективність та надійність. Проте, незважаючи на переваги, існують виклики, такі як інтеграція ШІ в етап проектування, вимоги до безпеки та конфіденційності даних. Особливо в індустрії EPC, де кожен проект має унікальні вимоги, а високі стандарти безпеки ускладнюють впровадження ШІ. Також необхідність у кваліфікованих фахівцях та ефективних механізмах збору даних створюють додаткові перешкоди. Успішне впровадження ШІ вимагає інтеграції досвіду компаній, стратегічного підходу та підтримки вищого керівництва.
Стратегії визначення оптимальної кількості вхідних даних для розпізнавання об’єктів на супутникових зображеннях
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Розпізнавання супутникових зображень є життєво важливим застосуванням комп’ютерного зору з численними потенційними варіантами використання в таких сферах, як боротьба зі стихійними лихами, землекористування та міське планування. Це дослідження спрямоване на визначення оптимальної кількості вхідних даних, необхідних для навчання нейронної мережі для розпізнавання супутникових зображень. З цією метою проводиться серія суворих експериментів, щоб дослідити вплив кількості вхідних даних на кілька показників продуктивності, включаючи точність, конвергенцію та узагальнення моделі. Висновки показують, що збільшення кількості вхідних даних загалом покращує продуктивність моделі до точки насичення, після якої подальше збільшення не призводить до значних покращень і навіть може призвести до переобладнання. Дослідження пропонує кілька стратегій для визначення цієї точки насичення та пом’якшення наслідків переобладнання. Результати, отримані в результаті цього дослідження, можуть допомогти в розробці більш ефективних моделей розпізнавання супутникових зображень.