Прикладні аспекти інформаційних технологій
https://aait.od.ua/index.php/journal
<table width="100%"> <tbody> <tr> <td style="width: 30%;" rowspan="5"><img style="width: 100%; padding: 0px 10px 0px 0px;" src="http://aait.od.ua/public/site/images/admin/aait-4-1-page-0001.jpg" alt="Павленко, Віталій" height="283" /></td> </tr> <tr> <td style="padding: 10px; width: 65%;">Міжнародний науковий журнал «Прикладні аспекти інформаційних технологій» «ПАІТ» – міжнародне академічне рецензоване видання <p><strong>УДК 004.9</strong></p> <p><strong>ISSN 2617-4316 (Print) <br />ISSN 2663-7723 (Online)</strong></p> <p><strong>Місія журналу:</strong> служіння світової академічній спільноті шляхом поширення нових ідей і результатів досліджень в області передових інформаційних технологій (ІТ) і їх прикладного застосування в різних областях науки і творчої діяльності людини</p> <p><strong>Девіз журналу:</strong> Розвиваючись самі, ми націлені на розвиток наукового і академіч-ного потенціалу наших авторів</p> </td> </tr> </tbody> </table> <table width="100%"> <tbody> <tr> <td> <p><strong>Представлення в системах реферування:</strong> видання відображається в реферативній базі даних Google Scholar, Academia.edu, ROAD, Національна бібліотека України імені В.І. Вернадського.</p> <p><strong>Читацька аудиторія:</strong> науковці, викладачі співробітники вищих навчальних закладів, аспіранти та студенти, ІТ фахівці-практики.</p> <p><strong>Періодичність виходу:</strong> 4 рази на рік (20 квiтня, 05 липня, 15 жовтня, 30 грудня)</p> <p><strong>Мова публікацій:</strong> англійська, українська</p> </td> </tr> </tbody> </table> <p><iframe style="background: transparent !important;" src="//rf.revolvermaps.com/w/2/a/a2.php?i=5psu2nw0rgn&m=1&s=178&c=ff0000&t=1" width="178" height="178" frameborder="0" scrolling="no"></iframe></p>Наука і технікаuk-UAПрикладні аспекти інформаційних технологій2617-4316Моделі машинного навчання для прогнозування статусу платежів на онлайн-платформі оренди авто
https://aait.od.ua/index.php/journal/article/view/268
<p><span style="font-weight: 400;">Показано, що деталізовані дані, які збираються на онлайн платформах є гетерогенними семантично неоднорідними та слабко структурованими. Тому є виправданим використання машинного навчання для їх агрегації, структуризації та аналізу. Як приклад для розробки моделей машинного розглянуто задачу прогнозування платіжної поведінки клієнтів онлайн платформи оренди авто. На основі дій користувачів цієї платформи автоматично формувалися вхідні данні. В подальшому дані агрегувалися та структуризувалися шляхом створення нових ознак, перетворення часових полів та видалення надлишкових атрибутів для підвищення якості моделей. Було розроблено п'ять класифікаційних моделей: метод опорних векторів (support vector machine), наївний байєсівський класифікатор, логістичну регресію та дві ансамблеві моделі (м'яке голосування та стекування). Результати показали, що логістична регресія та ансамблеві моделі (стекування) забезпечили найкращі показники точності та повноти, що робить їх найбільш надійними моделями для прогнозування своєчасних платежів. Ансамблеві моделі, особливо стекування, показали високу ефективність, поєднуючи переваги різних базових моделей. Метод опорних векторів, хоча і здатний враховувати складні взаємозв’язки між ознаками, продемонстрував найгіршу ефективність у розрізненні статусів платежів. Отримані результати дозволяють краще зрозуміти платіжну поведінку клієнтів та підкреслюють важливість правильного вибору класифікаційних моделей для оцінки фінансових ризиків. Подальші дослідження будуть спрямовані на оптимізацію продуктивності моделей шляхом розширеного вибору ознак, усунення дисбалансу класів та інтеграції додаткових джерел даних, таких як кредитна історія клієнтів. Використання цих моделей може значно покращити автоматизоване управління ризиками та підвищити ефективність прийняття рішень для компаній, що працюють з платіжними зобов’язаннями.</span></p>Олена Олександрівна Арсірій Ілля Олександрович Крантовський Олександр Володимирович Руденко Марія Геннадіївна Глава
Авторське право (c) 2025
2025-04-042025-04-048113–2313–2310.15276/aait.08.2025.1Розробка комбінованої моделі аналізу газових сумішей з використанням методів машинного навчання
https://aait.od.ua/index.php/journal/article/view/269
<p><span style="font-weight: 400;">Аналіз газових сумішей є важливим завданням у спектроскопії, екологічному моніторингу, промисловому контролі та наукових дослідженнях. Точне визначення концентрацій компонентів у складних газових середовищах потребує вдосконалених підходів, що поєднують фізичне моделювання та методи штучного інтелекту. Використання нейронних мереж у спектральному аналізі дозволяє підвищити точність та стійкість розрахунків за змінних умов експерименту, що вказує на актуальність роботи. </span><strong>Метою дослідження</strong><span style="font-weight: 400;"> є розробка комбінованої моделі аналізу спектрального світлового потоку, яка поєднує фізичне моделювання спектрального поглинання газів із методами машинного навчання. Це забезпечує підвищену точність визначення концентрації компонентів у багатокомпонентних газових сумішах та дозволяє адаптивно коригувати параметри аналізу залежно від умов вимірювання. Запропоновано інтегровану методику, що включає моделювання спектрального світлового потоку на основі гаусових та лоренцівських профілів поглинання, використання рівнянь Бугера-Ламберта-Бера для визначення концентрації газів, а також навчання нейронної мережі для прогнозування світлового потоку. Для оцінки продуктивності розробленої моделі проведено серію чисельних експериментів з варіюванням параметрів мережі та оптимізацією конфігурації. </span><strong>Отримані результати</strong><span style="font-weight: 400;"> підтвердили високу ефективність моделі, що відображено у високому значенні коефіцієнта детермінації та низьких значеннях середньоквадратичної помилки. Проведено тестування моделі при зміні концентрацій газів та довжини оптичного шляху, що підтвердило її стабільність і здатність до адаптації. Дослідження показало, що оптимальна конфігурація нейромережі включає три приховані шари з оптимальною кількістю нейронів, що забезпечує баланс між точністю та ефективністю. Використано випрямлену лінійну активаційну функцію для стабільної збіжності, а для оптимізації ваг – адаптивний метод стохастичного градієнтного спуску, що покращує продуктивність. </span><strong>Запропонована методика</strong><span style="font-weight: 400;"> поєднання фізичного моделювання та машинного навчання забезпечує високу точність аналізу газових сумішей та стійкість до варіацій зовнішніх умов. </span><strong>Наукова новизна</strong><span style="font-weight: 400;"> дослідження полягає у застосуванні комбінованого підходу, що дозволяє адаптувати модель до широкого діапазону спектральних характеристик. Практична значущість роботи полягає у можливості застосування розробленої методики для промислового контролю, екологічного моніторингу та лабораторних досліджень, забезпечуючи надійний інструмент для аналізу складних газових сумішей.</span></p>Юрій Юрійович Білак
Авторське право (c) 2025
2025-04-042025-04-048124–3724–3710.15276/aait.08.2025.2Використання комплекснозначних нейронних мереж для визначення повітряних суден
https://aait.od.ua/index.php/journal/article/view/270
<p><span style="font-weight: 400;">У статті представлено підхід до розпізнавання літальних апаратів за допомогою комплекснозначних нейронних мереж. Метою цього дослідження є визначення ефективності комплекснозначних нейронних мереж порівняно з традиційними підходами до розпізнавання. Дослідження зосереджено на ідентифікації повітряних суден за допомогою фазових і амплітудних характеристик радіолокаційних сигналів, які є важливими для авіаційної безпеки та моніторингу повітряного простору. Метод дослідження включає теоретичний аналіз, моделювання та експериментальну перевірку. У статті обговорюються особливості архітектури штучних нейронних мереж, які використовують комплексні числа для обробки сигналів. Такий підхід дозволяє включати фазову інформацію, що значно підвищує точність аналізу радіолокаційних даних. Результати підтверджують, що комплекснозначні нейронні мережі перевершують традиційні моделі за точністю розпізнавання. Зокрема, включення фазової складової забезпечує підвищення точності до восьми з половиною відсотків. Крім того, комплекснозначні нейронні мережі демонструють високу стійкість до шумових перешкод, зберігаючи точність класифікації до дев’яноста двох і трьох десятих відсотка навіть при рівні шуму в тридцять відсотків. Незважаючи на ці переваги, основним обмеженням комплекснозначних нейронних мереж є їхня вища обчислювальна складність порівняно з реальнозначними моделями. Це вимагає значних ресурсів для навчання та впровадження, що може бути критичним фактором для додатків, де швидкість обробки сигналу в реальному часі є важливою. Дослідження також досліджує можливості оптимізації для штучних нейронних мереж шляхом розробки гібридних підходів, які поєднують сильні сторони різних типів мереж і шляхом спрощення архітектур без шкоди для точності. Отримані дані свідчать про те, що штучні нейронні мережі є ефективним інструментом для класифікації літальних апаратів, особливо у складних сигнальних середовищах та умовах із шумовими перешкодами. Ці мережі мають значний потенціал для широкого використання як у військових, так і в цивільних системах моніторингу повітряного простору, забезпечуючи підвищену точність і надійність у задачах розпізнавання. Результати, отримані в цьому дослідженні, відкривають нові можливості для вдосконалення технологій авіаційної безпеки та автоматизації систем розпізнавання літаків.</span></p>Сергій Олександрович Коржов Валентин Семенович Єсілевський
Авторське право (c) 2025
2025-04-042025-04-048138–4738–4710.15276/aait.08.2025.3Гібридне виявлення нечітких текстів-дублікатів: косинусна подібність та трансформери
https://aait.od.ua/index.php/journal/article/view/271
<p><span style="font-weight: 400;">Cтаття розглядає проблему виявлення текстів, які мають однаковий зміст, але відрізняються лексикою та побудовою. Такі «нечіткі дублікати» дедалі частіше зустрічаються в контенті, створеному користувачами, медійних статтях та академічних матеріалах. Традиційні методи на основі TF-IDF із косинусною подібністю дозволяють швидко обробляти дані, проте часто оминають глибші семантичні нюанси, особливо в мовах із вільним порядком слів та складною морфологією (наприклад, слов’янські мови, такі як українська чи болгарська, та аглютинативні мови, як угорська). Повністю нейронні рішення (наприклад, трансформери) зазвичай забезпечують вищу точність, але можуть працювати повільно та вимагати значних обчислювальних ресурсів. Щоб вирішити ці проблеми, ми пропонуємо гібридний підхід, який інтегрує спрощений нейронний компонент із класичною косинусною подібністю. Робочий процес включає нормалізацію варіантів тексту (виправлення орфографічних помилок та форм словозмін), перетворення їх на семантичні вектори за допомогою полегшеної моделі трансформера, а потім застосування динамічного механізму порогів, налаштованого під конкретний жанр тексту (наприклад, новинні матеріали проти публікацій у соціальних мережах). Експерименти на наборах даних українською мовою свідчать, що запропонований метод більш ефективно збалансовує точність та швидкість порівняно з повністю нейронним пайплайном. Запропонований підхід є новаторським завдяки поєднанню доменоспецифічної попередньої обробки та полегшених нейронних вбудовувань для виявлення нечітких дублікатів у тексті, що дозволяє досягти приблизно на десять-дванадцять відсотків вищої точності виявлення порівняно з відомими рішеннями при збереженні більш швидкого часу обробки, ніж повна модель BERT. Попередні тести в редакційному середовищі та при перевірці на плагіат показали, що система більш надійно ідентифікує перефразований контент порівняно з чисто статистичними методами, тим самим знижуючи навантаження на ручну перевірку. Загалом, гібридний дизайн пропонує практичний компроміс між продуктивністю виявлення та обчислювальними вимогами, що є особливо корисним для застосувань із обмеженими ресурсами в мовах із багатою морфологією, таких як українська або інші слов’янські мови. Подальші дослідження будуть спрямовані на розширення морфологічного охоплення з метою подальшого підвищення надійності.</span></p>Тетяна Миколаївна Заболотня Назарій Вікторович Козинець
Авторське право (c) 2025
2025-04-042025-04-048148–6148–6110.15276/aait.08.2025.4Управління тепловим режимом комплексу термоелектричних охолоджуючих пристроїв
https://aait.od.ua/index.php/journal/article/view/272
<p><span style="font-weight: 400;">У роботі представлено результати досліджень можливості керування комплексом термоелектричних охолоджувальних пристроїв з їхнім паралельним електричним з'єднанням у нерівномірному температурному полі. Така постановка задачі створення систем забезпечення теплових режимів радіоелектронної апаратури актуальна для бортових інформаційних систем, до яких висуваються жорсткі вимоги щодо надійності та масогабаритних характеристик. Дослідження виконано для найуживанішого температурного діапазону від 295К до 250К у діапазоні потужностей розсіювання від 0.5 Вт до 15 Вт для різних значень живильної напруги. Розроблено модель виконавчого органу системи забезпечення теплових режимів на основі комплексу термоелектричних охолоджувачів з паралельним електричним з'єднанням для керування тепловим режимом низки термозалежних елементів радіоелектронної апаратури з різною потужністю розсіювання в нерівномірному температурному полі для різних живильних напруг і геометрії гілок термоелементів. Проведено порівняльний аналіз основних параметрів, показників надійності та динамічності функціонування комплексу термоелектричних охолоджувачів для різних напруг живлення, різних температурних рівнів охолодження з відповідним тепловим навантаженням. Показано можливість вибору оптимальної напруги живлення з урахуванням обмежень за величиною робочого струму, масовими, енергетичними, динамічними та характеристиками надійності комплексу термоелектричних охолоджувачів. Аналіз результатів досліджень показав можливість вибору номіналу живильних напруг з урахуванням обмежень за масогабаритними, енергетичними, динамічними та характеристиками надійності для різної геометрії гілок термоелементів.</span></p>Володимир Петрович Зайков Володимир Іванович Мещеряков Андрiй Сергiйович Устенко
Авторське право (c) 2025
2025-04-042025-04-048162–7462–7410.15276/aait.08.2025.5Інтеграція фізіологічних факторів у математичну модель стану людського ока
https://aait.od.ua/index.php/journal/article/view/273
<p><span style="font-weight: 400;">Математичні моделі людського ока слугують адаптивним інструментом для аналізу та прогнозування офтальмологічних параметрів з урахуванням їх взаємозв'язків та індивідуальних особливостей пацієнта. Їх застосування в офтальмології підвищує якість діагностики, моніторингу та лікування, що в кінцевому підсумку покращує якість життя пацієнтів. В основі розробленої моделі стану очей лежить математична функція, яка інтегрує фізіологічні параметри ока, кожному з яких присвоєно ваговий коефіцієнт для визначення його впливу на загальний показник стану. Модель враховує складні нелінійні взаємодії між параметрами, що дозволяє більш точно відображати фізіологічні процеси. Для оптимізації вагових коефіцієнтів використовується метод L-BFGS-B - ітераційний алгоритм, який ефективно мінімізує функцію втрат і забезпечує високу точність адаптації моделі до індивідуальних даних пацієнта. Ця модель має кілька переваг: вона дозволяє проводити ранню діагностику таких захворювань, як глаукома, катаракта і макулодистрофія, розробляти плани лікування на основі індивідуальних параметрів пацієнта, а також полегшує моніторинг захворювання і прогнозування прогресування для своєчасного коригування терапії. Крім того, модель може бути інтегрована з сучасними технологіями, включаючи системи віртуальної та доповненої реальності, а також штучний інтелект для автоматизованої діагностики. Таким чином, запропонована математична модель слугує універсальним інструментом для аналізу стану очей та розробки інноваційних діагностичних і терапевтичних технологій. Враховуючи взаємозалежності параметрів та їх вплив на фізіологічний стан ока, вона надає офтальмологам потужний інструмент для покращення діагностики, прогнозування та моніторингу захворювань у сфері охорони зору.</span></p>Володимир Вікторович Вичужанін Олексій Володимирович Вичужанін Ольга Володимирівна Гузун Олег Сергійович Задорожний
Авторське право (c) 2025
2025-04-042025-04-048175–8775–8710.15276/aait.08.2025.6Використання великих мовних моделей в аграрній промисловості
https://aait.od.ua/index.php/journal/article/view/274
<p><span style="font-weight: 400;">Сучасні технології штучного інтелекту (ІІ) та великі мовні моделі (LLMs, Large Language Models) активно впроваджуються в різні галузі промисловості, у тому числі і в аграрний сектор, сприяючи автоматизації моніторингу, підвищенню продуктивності та сталого розвитку. У цій статті проведено аналіз LLMs. Показано їх переваги для аналізу даних, прогнозування змін та оптимізації виробничих процесів, особливо при їх інтеграції з комп'ютерним зором та технологіями обробки відеоданих. Відзначено перспективи застосування в агросекторі (у птахівництві, тваринництві та ін.) Розроблена система використовує мультимодальні LLMs для аналізу поведінки курей на основі відеопотоків, що дозволяє виявляти аномалії в їхній активності, передбачати можливі проблеми зі здоров'ям та автоматично генерувати рекомендації для фермерів. Дослідження підтверджує, що впровадження LLMs у сільське господарство забезпечує: автоматизований моніторинг тварин та сільськогосподарських культур, покращення точності прогнозів урожайності та стану ґрунту, зниження залежності від людського фактору, підтримку прийняття рішень у режимі реального часу. Порівняльний аналіз різних моделей LLMs, GPT-4, Flamingo та LLaVA демонструє їх потенціал у обробці відео та мультимодальному аналізі даних. Представлені результати підтверджують, що використання LLMs у поєднанні з технологіями машинного навчання та комп'ютерного зору відкриває нові перспективи для точного землеробства та автоматизованого контролю за здоров'ям тварин, роблячи сільськогосподарське виробництво більш технологічним, економічним та екологічним.</span></p>Світлана Григорівна Антощук Тетяна Василівна Кунуп Володимир Іванович Литвиненко Олексій Володимирович Данчук
Авторське право (c) 2025
2025-04-042025-04-048188–10188–10110.15276/aait.08.2025.7Дослідження ефективності моделей нейронних мереж для побудови класифікатора офтальмологічних патологій
https://aait.od.ua/index.php/journal/article/view/275
<p><span style="font-weight: 400;">Це дослідження представляє розробку та оцінку системи на основі машинного навчання для класифікації офтальмологічних захворювань за допомогою фундусних зображень. Набір даних складається з зображень, що поділяються на чотири основні класи: катаракта, діабетична ретинопатія, глаукома та здорова око. Для забезпечення точності та надійності моделей дані пройшли етапи попередньої обробки, включаючи виявлення викидів, нормалізацію, балансування та поділ на тренувальні та тестові набори. Для класифікації захворювань було використано три моделі глибокого навчання: VGG16, VGG19 та EfficientNet. Експериментальні результати показали високу точність передбачень у різних категоріях захворювань, причому EfficientNet досяг найвищих результатів (до 96,94% для діабетичної ретинопатії). Система дозволяє користувачам завантажувати зображення ока, вибирати модель та отримувати діагностичні прогнози з вказаним рівнем точності. Моделі були ретельно протестовані за допомогою фреймворку Python unittest, що підтвердило їхню стабільність і надійність. Результати підкреслюють потенціал машинного навчання для покращення діагностики офтальмологічних захворювань, скорочення часу діагностики та підвищення ефективності прийняття медичних рішень. Інтеграція цих моделей у медичну практику може значно покращити якість медичних послуг та допомогти лікарям надавати більш ефективні та точні діагнози.</span></p>Дмитро Ілліч Угрин Артем Олегович Карачевцев Віктор Андрійович Ілін Юрій Олександрович Галін Катерина Сергіївна Шкідіна
Авторське право (c) 2025
2025-04-042025-04-0481102–112102–11210.15276/aait.08.2025.8GL-моделі для аналізу багатопроцесорних систем, стійких до однієї та двох відмов
https://aait.od.ua/index.php/journal/article/view/276
<p><span style="font-weight: 400;">Роботу присвячено проблемі побудови GL-моделей поведінки в потоці відмов небазових відмовостійких багатопроцесорних систем. Розглядаються системи, які є стікими до будь-якої однієї відмови, а за певної умови – до будь-яких двох відмов своїх процесорів. При цьому передбачається, що такій умові відповідає деякий булевий вираз, що залежить від станів процесорів системи. Для побудови моделей таких систем застосовується запропонований раніше спосіб, який базується на комбінуванні виразів реберних функцій допоміжних базових GL-моделей, що відповідають 1- та 2-відмовостійким системам. Розглядається два альтернативних способи побудови допоміжних моделей </span><em><span style="font-weight: 400;">K</span></em><span style="font-weight: 400;">(2, </span><em><span style="font-weight: 400;">n</span></em><span style="font-weight: 400;">). Показано, що отримані GL-моделі базуються на однакових циклічних графах, і відрізняються лише виразами своїх реберних функцій. Виконано аналіз складності виразів реберних функцій отриманих моделей, для випадків використання допоміжних GL-моделей кожного типу. Отримано формули для оцінки складності цих виразів (кількості елементарних логічних операцій) в залежності від кількості процесорів в системі, зокрема, для випадків, коли ця кількість є ступенем двійки. Також, для випадку використання однієї з допоміжних моделей, виявлено можливість додаткового спрощення виразів деяких із реберних функцій. Визначено, в яких випадках, а саме, для якої кількості процесорів системи, доцільно використовувати допоміжні моделі того чи іншого типу. Проведені експерименти підтверджують, що побудовані розглянутим способом GL-моделі адекватно відображають поведінку системи. Наведено приклади, що демонструють застосування розглянутого способу побудови небазових GL-моделей та підтверджують коректність оцінки складності виразів їх реберних функцій при використанні допоміжних моделей різних типів. Показано також, що в деяких випадках існує можливість додаткового спрощення виразів реберних функцій GL-моделей, що будуються, зокрема за рахунок зміни порядку ребер у допоміжних моделях. Проте, в рамках даної статті цю можливість не досліджено в загальному випадку.</span></p>Віталій Олексійович Романкевич Костянтин В’ячеславович Морозов Олексій Михайлович Романкевич Данііл Володимирович Галицький Антон Володимирович Журба
Авторське право (c) 2025
2025-04-042025-04-0481113–128113–12810.15276/aait.08.2025.9