Інші праці КІТС (ДМетІ)
Permanent URI for this collection
Browse
Browsing Інші праці КІТС (ДМетІ) by Subject "artificial intelligence"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item 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 ВолодимирівнаUKR: 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.Item 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 ВіталіївнаUKR: 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.Item 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 ВіталіївнаUKR: 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.Item 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 ВолодимирівнаUKR: 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.