Міжнародна науково-технічна конференція «Інформаційні технології в металургії та машинобудуванні. ІТММ'25»

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/20338

ENG: Scientific and Technical International Conference «Information Technology in Metallurgy and Machine Engineering. ITMM'25», April 23-24, 2025

Browse

Now showing 1 - 2 of 2

Використання моделі на основи безпеки для захисту хмарних середовищ
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Бобренок, Вячеслав Віталійович; Гуда, Антон Ігорович
UKR: Стрімкий ріст популярності хмарних середовищ вимагає приділяти особливу увагу безпеці ресурсів та даних, розташованих у хмарі. Розглянута концепція довіри та її властивості, завдяки яким вона може бути використана для опису взаємодії компонентів у хмарних середовищах. Завдяки цьому моделі на її основі можуть бути застосовані для захисту цих середовищ. Розглянуті реалізації подібних моделей, а саме: TNA-SL, InterTrust, ODTMF, Fuzz Art та їх модифікації. Були визначені вимоги до них, відомі недоліки та переваги. Як результат, був зроблений висновок, що моделі на основі довіри можуть бути використані для захисту хмарних середовищ, проте вони потребують оптимізацій як часу виконання, так і масштабування для подальшого використання. Також було визначено, що варто звернути увагу на їх використання у об’єднаних хмарних середовищах.
Контекстно залежна адаптація відповідей генеративних LLM
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Березюк, Микита Олександрович; Гуда, Антон Ігорович
UKR: В умовах кризових ситуацій оперативність реагування набуває вирішального значення. Великі мовні моделі (LLM) здатні генерувати корисні рекомендації, однак їх стандартна поведінка часто не враховує специфічний контекст надзвичайних подій. У цій доповіді пропонується Adaptive Injectable Realignment Model (Adaptive IRM) як підхід для досягнення контекстно залежної генерації відповідей. Adaptive IRM – це невеликий нейронний модуль, який інтегрується у прямий прохід LLM та ін’єктує контекстні сигнали для корекції внутрішніх представлень моделі без зміни її основних ваг. Наша розробка орієнтована на кризовий контекст, з використанням N нейронів (у нашому випадку N = 4), які відповідають за стихійні лиха (землетрус, повінь, пожежу та ураган). Вихідні сигнали Adaptive IRM, які додаються на різних шарах трансформера, модифікує механізми уваги з метою підсилення інформації, релевантної конкретному контексту. У доповіді окреслено архітектуру IRM, описано запропоновані розширення, а також подано план використання датасету HumAID для навчання Adaptive IRM. Експериментальні результати поки відсутні; натомість, обговорено концепцію, мотивацію та перспективи впровадження запропонованої системи.