Кафедра системного аналізу та інформаційних технологійhttps://ir.lib.vntu.edu.ua//handle/123456789/127832026-04-05T17:26:28Z2026-04-05T17:26:28ZЗастосування бібліотеки Darts для пошуку аномалій у часових рядах стану атмосферного повітряШмундяк, Д. О.Shmundiak, D.https://ir.lib.vntu.edu.ua//handle/123456789/510702026-04-01T12:36:54Z2026-01-01T00:00:00ZЗастосування бібліотеки Darts для пошуку аномалій у часових рядах стану атмосферного повітря
Шмундяк, Д. О.; Shmundiak, D.
This paper examines the application of the Darts library as a tool for anomaly detection in air quality time series. An overview of the library`s anomaly detection module and its core components is provided, enabling the construction of flexible pipelines for identifying anomalous values. The usability of Darts within the Python environment and its integration with other popular libraries are analyzed. The results obtained on PM2.5 monitoring data the EcoCity network indicate that the Darts library is effective for automated anomaly detection in data analysis tasks.; У роботі розглянуто застосування бібліотеки Darts як інструменту для пошуку аномалій у часових рядах якості атмосферного повітря. Здійснено огляд відповідного модуля бібліотеки та його основних компонентів, які дозволяють будувати гнучкі конвеєри для ідентифікації аномальних значень. Проаналізовано зручність використання Darts у середовищі Python, її інтеграцію з іншими популярними бібліотеками. Отримані результати на даних моніторингу PM2.5 мережі EcoCity свідчать про доцільність використання бібліотеки Darts для автоматизованого виявлення аномалій у задачах аналізу даних.
2026-01-01T00:00:00ZA computer vision as a tool for automated quality control in smart manufacturingSuprun, О.Korotin, D.Kravchenko, K.Goriachev, G.Tverdokhlib, А.Горячев, Г. В.https://ir.lib.vntu.edu.ua//handle/123456789/507502026-03-12T14:22:42Z2026-01-01T00:00:00ZA computer vision as a tool for automated quality control in smart manufacturing
Suprun, О.; Korotin, D.; Kravchenko, K.; Goriachev, G.; Tverdokhlib, А.; Горячев, Г. В.
Computer vision (CV) has emerged asone of the most significant enablers ofintelligent factoring system quality control,automated in the context of the AI revolution in the industrial setting today. In this research, we discuss how CV-based architecture can be applied to achieve real-time, adaptive,and scalable quality assurance. This is new research because it is anamalgamation–theevaluation of different mathematical modelsand artificial intelligence (AI). Deep learning, transfer learning, Bayesian networks, and edge computing are among the solutions, as are fog-cloud partnerships and their direct impact on manufacturing output, productivity, anddecision-making efficiency. The article provides comparative data on the performance of other CV frameworks in different industrial conditions by critically examiningthe new case studies. The practical implications are recommendations for adopting vision-driven systems to improveproduct consistency, increase human-machine interaction, and reduce operational downtime. In addition, the paper identifies shortcomings in computational resources, system compatibility, and information security that should be addressedin the next generation of smart factories.
2026-01-01T00:00:00ZМетод пошуку і аналізу Е-домішок та інших складників у продуктах харчування населенняБісікало, О. В.Сторчак, В. Г.Здітовецький, Ю. С.Горячев, Г. В.Bisikalo, O. V.Storchak, V. G.Zditovetskyi, Yu. S.Goryachev, G. V.https://ir.lib.vntu.edu.ua//handle/123456789/505252026-01-21T13:54:49Z2025-01-01T00:00:00ZМетод пошуку і аналізу Е-домішок та інших складників у продуктах харчування населення
Бісікало, О. В.; Сторчак, В. Г.; Здітовецький, Ю. С.; Горячев, Г. В.; Bisikalo, O. V.; Storchak, V. G.; Zditovetskyi, Yu. S.; Goryachev, G. V.
The research is dedicated to the development of a formal method and a
corresponding intelligent IT-system that allows consumers to automatically determine the
content of food additives (E-additives) and provide an assessment of potential health risks
based on EFSA and WHO data by photographing a product label. To implement the proposed
approach, a combination of Natural Language Processing (NLP) methods for label text
analysis, Computer Vision (CV) for ingredient recognition, and Machine Learning (ML) for
classifying their hazard based on EFSA and WHO data was used. The experimental results
showed that the system achieved an accuracy of 94% in recognizing E-additives on the test
dataset (10,000 images). It was found that 23% of the analyzed products contain additives with
potential allergenicity (for example, E320, E621). Furthermore, highly processed products
contain a relatively larger number of additives, which is fully consistent with the results of
previous studies in the field of food toxicology. The proposed method and the technological
means for its implementation are promising for mass monitoring of food quality and consumer
informing.; Дослідження присвячено розробленню формального методу та відповідної інтелектуальної ІТ-системи, що дозволяють споживачеві шляхом фотографування етикетки продукту автоматично визначити вміст харчових добавок (Е-домішок) та надати оцінку потенційних ризиків для здоров`я на основі даних EFSA та WHO. Для реалізації запропонованого підходу використано комбінацію методів обробки природної мови (NLP) для аналізу текстів етикеток, комп`ютерного зору (CV) для розпізнавання інгредієнтів та машинного навчання (ML) для класифікації їхньої небезпеки на основі даних EFSA та WHO. За результатами експериментальних досліджень показано, що система досягла точності 94% у розпізнаванні Е-домішок у тестовому наборі даних (10000 зображень). Виявлено, що 23% проаналізованих продуктів містять добавки з потенційною алергенністю (до прикладу, E320, E621). При цьому продукти з високим ступенем обробки мають відносно більшу кількість добавок, що повністю співвідноситься з результатами попередніх досліджень у сфері харчової токсикології Запропоновані метод і технологічні засоби його реалізації є перспективними для масового моніторингу якості продуктів харчування та інформування споживачів.
2025-01-01T00:00:00ZПояснюваний штучний інтелект у підтримці управлінських рішень для великих системіз вимірюваним впливом на KPI підприємстваГорячев, Г. В.Goryachev, G. V.https://ir.lib.vntu.edu.ua//handle/123456789/504912026-01-19T19:05:35Z2025-01-01T00:00:00ZПояснюваний штучний інтелект у підтримці управлінських рішень для великих системіз вимірюваним впливом на KPI підприємства
Горячев, Г. В.; Goryachev, G. V.
The article is devoted to researching the possibility of using explanatory artificial intelligence
(hereinafter referred to as EAI) to optimize management decisions in large systems, determining
the impact of such decisions on the key performance indicators (hereinafter referred to as KPIs)
of an enterprise, and developing recommendations for the implementation of EAI technologies in
order to increase the transparency, reasonableness, and effectiveness of management. The study
uses theoretical methods (analysis, synthesis, abstraction, induction, deduction) and empirical
methods (description) to examine current trends in the implementation of EA. Approaches
to the use of AI, in particular machine learning, deep learning, and generative models, were
analyzed. Successful examples of AI implementation can be seen in companies such as Netflix,
Google, Amazon, Apple, and Grammarly. The use of AI in management reduces costs, increases
productivity, and ensures speed of decision-making. At the same time, the implementation of such
technologies is accompanied by a number of challenges, including significant financial costs,
possible conflicts with existing infrastructure, increased staff qualification requirements, and risks related to data security. Key KPIs for analyzing management decisions that ensure transparency
and accountability are identified. The KPI classification includes financial, operational, customer,
and innovation indicators. KPI measurement methods, such as the balanced scorecard (BSC) and
OKR framework, provide a comprehensive picture of the company’s activities. It is recommended
to develop a strategy for implementing PSI, involve employees in changes, and create crossfunctional teams. Staff adaptation can be ensured through continuous training programs. The study
confirms the significant potential of PSI in supporting management decisions for large enterprises.
Process optimization through the implementation of PSI can significantly impact a company’s KPIs,
increasing the overall efficiency of the organization. The recommendations can serve as a basis for
the successful implementation of PSI in the management practices of large systems.; Статтю присвячено дослідженню можливості застосування пояснювального штуч-ного інтелекту (далі – ПШІ) для оптимізації управлінських рішень у великих системах, визначенню впливу таких рішень на основні показники ефективності (далі – KPI) підпри-ємства та розробленню рекомендацій щодо впровадження технологій ПШІ з метою підви-щення прозорості, обґрунтованості й результативності управління. У процесі дослідження застосовано теоретичні методи (аналіз, синтез, абстрагування, індукція, дедукція) та емпіричні методи (опис) для вивчення сучасних тенденцій впровадження ПШІ. Проаналі-зовано підходи до використання ПШІ, зокрема технології машинного навчання, глибинного навчання, генеративних моделей. Успішні приклади впровадження ПШІ спостерігаються в компаніях, таких як Netflix, Google, Amazon, Apple та Grammarly. Використання ПШІ в управлінні знижує витрати, підвищує продуктивність і забезпечує швидкість прийняття рішень. Водночас упровадження таких технологій супроводжується низкою викликів, до яких належать значні фінансові витрати, можливі конфлікти з наявною інфраструкту-рою, підвищені вимоги до кваліфікації персоналу та ризики, пов`язані із забезпеченням без-пеки даних. Визначено основні KPI для аналізу управлінських рішень, що забезпечують про-зорість і відповідальність. Класифікація KPI включає фінансові, операційні, клієнтські та інноваційні показники. Методи вимірювання KPI, такі як система збалансованих показників (BSC) та OKR-фреймворк, дозволяють отримати всебічну картину діяльності компанії.. Рекомендується розробити стратегію впровадження ПШІ, залучати співробітників до змін і створювати міжфункціональні команди. Адаптація персоналу може бути забезпе-чена через програми безперервного навчання. Дослідження підтверджує значний потен-ціал ПШІ в підтримці управлінських рішень для великих підприємств. Оптимізація проце-сів через впровадження ПШІ може суттєво вплинути на KPI підприємства, підвищуючи загальну ефективність організації. Рекомендації можуть стати основою для успішного впровадження ПШІ в управлінські практики великих систем.
2025-01-01T00:00:00Z