Кафедра інформаційних технологій та комп'ютерної інженерії

У монографії наведено результати досліджень і розробок, що присвячені вирішенню науково-прикладної проблеми розвитку теорії створення та використання інтелектуальних інформаційних і комп’ютерних технологій аграрного призначення завдяки обґрунтуванню й реалізації методів, моделей і засобів комплексного детектування, агрегування, мережевого обміну, трансформації та інтерпретації даних й інформації щодо впливу ґрунтокліматичних параметрів на ефективність вирощування сільськогосподарських культур у мінливих агрокліматичних умовах. Монографія призначена для підготовки докторів філософії в галузях інформаційних технологій та електроніки, автоматизації й електронних комунікацій, а також буде корисною для практикуючих фахівців і наукових співробітників, які займаються проблемами розробки та використання сучасних інформаційних систем і комп’ютерних пристроїв.

Уміщені основні вимоги щодо методики написання, оформлення та захисту кваліфікаційної роботи здобувачами першого (бакалаврського) рівня вищої освіти, критерії оцінювання роботи, вимоги щодо перевірки роботи на рівень запозичень, у додатках подано приклади оформлення титульного аркуша пояснювальної записки, завдання на кваліфікаційну роботу, реферату, презентації. Методичні рекомендації орієнтовано на активізацію виконавчого етапу навчальної діяльності здобувачів та підготовку до атестації.

Методичні рекомендації призначені для надання допомоги здобувачам першого (бакалаврського) рівня вищої освіти спеціальності 126 Інформаційні системи та технології під час проходження передатестаційної практики, підготовки та захисту звіту. Подано основні вимоги щодо організації та проведення передатестаційної практики, змісту і структури звіту, його оформлення й захисту, критерії та порядок оцінювання. Методичні рекомендації орієнтовано на активізацію виконавчого етапу навчальної діяльності здобувачів при проходженні передатестаційної практики.

Надані теоретичні відомості та практичні завдання, а також рекомендації щодо їх виконання. Поданий перелік рекомендованих джерел. Орієнтовано на активізацію навчальної діяльності здобувачів ступеня бакалавра спеціальностей «Інформаційні системи та технології» та «Комп’ютерна інженерія», закріплення практичних навичок у засвоєнні дисципліни «Програмування».

Наведено програму курсової роботи з дисципліни «Програмування», а також методичні рекомендації щодо її організації та проведення. Розкриті компоненти, що сприяють формуванню професійних компетентностей, а також підкріпленню комплексу компетентністних характеристик здобувачів (знань, умінь/навичок, комунікацій, відповідальності і автономії) у процесі виконання курсової роботи. Методичні рекомендації містять загальні вимоги щодо складання звіту про виконання курсової роботи.

Нейронні мережі (НМ) різних архітектур вже давно використовуються для виконання різноманітних операцій із зображеннями. Існує широкий спектр різних підходів до побудови НМ: згорткові, генеративно-змагальні, залишкові та інші. Однак, як зазначають дослідники Nvidia функції втрат (loss function), яка відіграє ключову роль у навчанні НМ, не приділяють такої пильної уваги у контексті обробки зображень. У той же час дослідники наголошують, що використання перцептуально-орієнтованих loss function може значно підвищити результати навчання НМ. Тому є актуальною модифікація loss function для вирішення завдання підвищення різкості зображення. Метою роботи було визначення функції втрат НМ в задачі підвищення різкості зображення при врахуванні суб'єктивного сприйняття різкості. Об’єкт дослідження: розмиті зображення та функції втрат НМ. Предмет дослідження – методи оцінки різкості зображень.

Досвід роботи в контакт-центрі може стати вирішальним у залученні клієнта або збереженні відносин із ним, оскільки контакт-центри є важливою ланкою для зв’язку клієнтів з доброзичливими та компетентними агентами, які можуть допомогти вирішити питання, пов’язані з оплатою, доставкою, або ж підтримати клієнта при покупці. Нині компаніям важливо забезпечити максимальну ефективність своїх контакт-центрів і їхніх команд. Однак керування контакт-центром є витратним процесом, що вимагає значних ресурсів і технологічного забезпечення. Попри зростання популярності текстових каналів, голосове спілкування залишається основним способом взаємодії. Це підкреслює важливість для сучасних сервісних центрів мати інструменти для розпізнавання голосу та перетворення його в текст для аналізу з використанням мовної аналітики, що включає аналіз записаних розмов для отримання корисних даних. Використовуються такі методи, як обробка природної мови, аналіз настроїв, визначення ключових слів, контексту та емоційного тону, зокрема з використанням штучного інтелекту.

Застосування нейронних мереж у військовій сфері набуває все більшого значення, зокрема у системах розпізнавання об'єктів, аналізу супутникових знімків, прогнозуванні загроз тощо. Для ефективного навчання моделей необхідно мати якісний набір даних, що відображає специфіку військових об'єктів і ситуацій. Підготовка такого набору даних є складним процесом, що вимагає врахування технічних та аспектів безпеки. Процес підготовки набору даних складається з п’яти етапів: збір даних; анотація даних; попередня обробка даних; аугментація даних та розподіл на підмножини. Першим етапом є збору зображень, що мають відношення до військової техніки, яка повинна бути розпізнана моделлю. Системи збору інформації можуть включати супутникові зображення, фотографії, отримані за допомогою дронів, історичні зображення з військових архівів, а також дані, отримані в результаті симуляцій. Важливим аспектом цього етапу є забезпечення достовірності та репрезентативності даних, а також їхньої відповідності конкретній задачі розпізнавання.

У сучасному сільському господарстві важливим є точний моніторинг посівів, прогнозування врожайності та ефективне управління аграрними ресурсами. Формування локалізованих наборів даних для класифікації сільськогосподарських культур дозволяє враховувати специфічні кліматичні умов, ґрунтові характеристики та агротехнології, що сприяє оптимізації землекористування, зниженню витрат на добрива та засоби захисту рослин, а також підтримує екологічно стійке сільське господарство. Застосування таких даних підвищує точність алгоритмів машинного навчання, що є важливим для сучасних агротехнологій. Аналіз окремих супутникових знімків має низку обмежень. Наприклад, деякі сільськогосподарські культури на певних етапах вегетації мають схожі спектральні характеристики, що ускладнює їх розрізнення. Крім того, атмосферні умови та хмарність можуть спотворювати дані, що знижує якість аналізу. Вегетаційні цикли культур змінюються з часом, тому використання одного знімка не дозволяє повною мірою оцінити ці зміни.

За останні три роки штучний інтелект (ШІ) набув значного поширення,в таких галузях, як охорона здоров'я, фінанси та розваги. Однак цей приріст популярності призвів до значного попиту на енергію. Навчання великих моделей штучного інтелекту вимагає величезних обчислювальних потужностей, що призводить до збільшення споживання електроенергії. За прогнозами Міжнародного енергетичного комітету, до 2026 року попит на електроенергію для ШІ та центрів обробки даних подвоїться, причому енергетичний слід ШІ зростатиме швидше, ніж у звичайних пошукових систем.