JetIQhttps://ir.lib.vntu.edu.ua//handle/123456789/77782026-04-05T23:32:09Z2026-04-05T23:32:09ZВикористання локальних LLM-моделей для стандартизації та багатомовного перекладу технічних назв виробівСтаржинський, В.Бісікало, О. В.Bisikalo, О.https://ir.lib.vntu.edu.ua//handle/123456789/510872026-04-03T12:20:11Z2025-01-01T00:00:00ZВикористання локальних LLM-моделей для стандартизації та багатомовного перекладу технічних назв виробів
Старжинський, В.; Бісікало, О. В.; Bisikalo, О.
The paper considers an approach to automated standardization of technical names of hardware using local large language
models (LLM), which allows to significantly increase the accuracy of processing specialized data. The architecture of interaction of
python scripts with the local Lm studio server is described in detail, including the organization of api requests, the structure of input
and output data in JSON format, as well as the mechanisms for saving results in the sqlite database (items.db). The paper provides
examples of generating requests (prompts) containing raw product names, the expected standard format and product size, as well
as examples of checking the correctness of formats after generating results. It shows how the processing of a series of records from
the database is implemented, the quality control of the results obtained and the display of information about errors are implemented,
which allows to promptly correct both prompts and training data of the model.
The feasibility of switching to local solutions for processing technical data instead of using cloud services is substantiated.
This approach allows to significantly reduce financial costs for infrastructure, to increase data security and confidentiality, and to
ensure stable control over information processing workflows. It is shown that local inference of large language models can effectively
solve standardization problems in application systems, ensuring high accuracy of pattern recognition, correct compliance with
international standards (DIN, ISO, DSTU) and the possibility of integration into existing enterprise workflows without involving thirdparty services. In addition, the work demonstrates the practical implementation of multilingual translation of technical names, which
increases the versatility of the solution and facilitates interaction with international databases and documentation.; У роботі розглянуто підхід до автоматизованої стандартизації технічних назв метизів із використанням локальних великих мовних моделей (LLM), що дозволяє суттєво підвищити точність обробки спеціалізованих даних. Докладно описано архітектуру взаємодії Python-скриптів із локальним сервером Lm studio, включаючи організацію API-запитів, структуру вхідних і вихідних даних у форматі JSON, а також механізми збереження результатів у базі даних sqlite (items.db). У роботі наведено приклади формування запитів (prompt), що містять не точні найменування виробів, очікуваний формат стандарту та розмір виробу, а також приклади перевірки правильності форматів після генерації результатів. Показано, як реалізується обробка серії записів із бази даних, контроль якості отриманих результатів та відображення інформації про помилки, що дозволяє оперативно коригувати як промпти, так і навчальні дані моделі. Обґрунтовано доцільність переходу на локальні рішення для обробки технічних даних замість використання хмарних сервісів. Такий підхід дозволяє значно знизити фінансові витрати на інфраструктуру, підвищити безпеку та конфіденційність даних, а також забезпечити стабільний контроль над робочими процесами обробки інформації. Показано, що локальна інференція великих мовних моделей може ефективно вирішувати завдання стандартизації у прикладних системах, забезпечуючи високу точність розпізнавання шаблонів, коректне дотримання міжнародних стандартів (DIN, ISO, ДСТУ) та можливість інтеграції у існуючі робочі процеси підприємств без залучення сторонніх сервісів. Крім того, робота демонструє практичну реалізацію багатомовного перекладу технічних назв, що підвищує універсальність рішення та полегшує взаємодію з міжнародними базами даних і документацією.
2025-01-01T00:00:00ZВиявлення об`єктів дорожнього руху з камер відеоспостереженняРоманець, Р.Бісікало, В.Romanets, V.,Bisikalo, О.https://ir.lib.vntu.edu.ua//handle/123456789/510862026-04-03T12:09:20Z2025-01-01T00:00:00ZВиявлення об`єктів дорожнього руху з камер відеоспостереження
Романець, Р.; Бісікало, В.; Romanets, V.,; Bisikalo, О.
У статті досліджено задачу виявлення об’єктів дорожнього руху на основі даних із камер відеоспостереження.
Проведено аналіз методів виявлення об’єктів: від класичних підходів, що використовують вручну створені ознаки (SIFT,
HOG, LBP) і класифікатори SVM, до сучасних методів на основі одноетапних згорткових нейронних мереж YOLO та
трансформерів.
Метою дослідження є оптимізація архітектури нейронної мережі YOLOv8 для розпізнавання об’єктів
дорожнього руху, зокрема транспортних засобів, із камер відеоспостереження. Особливу увагу приділено забезпеченню
високої якості виявлення в складних умовах, таких як нічний час або низька якість зображень.
Для оцінки ефективності запропонованого підходу створено набір даних із 1400 зображень, отриманих із
відкритих джерел. Зображення охоплюють різні часи доби, несприятливі погодні умови та низьку якість, що відображає
реальні сценарії роботи камер відеоспостереження.
Для оптимізації архітектури YOLOv8-nano запропоновано замінити окремі блоки C2f модулем C3Ghost у
поєднанні з блоком уваги CBAM. Це забезпечило баланс між якістю виявлення та обчислювальною складністю моделі. У
результаті оптимізації кількість параметрів зменшено на 26%, а обчислювальна складність (GFLOPS) — на 10%. При
цьому якість виявлення залишилася порівнянною з базовою моделлю: за показником mAP@0.50:0.95 знизилася незначно —
з 0.531 до 0.525.
Результати дослідження підтверджують перспективність використання модифікованої архітектури YOLOv8-
nano для задач відеоспостереження в інтелектуальних транспортних системах.; The article investigates the problem of detecting traffic objects based on data video surveillance cameras. The analysis of object detection methods is carried out: classical approaches using manually created features (SIFT, HOG, LBP) and SVM classifiers, to modern methods based on single-stage convolutional neural networks YOLO and transformers. The aim of the study is to optimize the architecture of the YOLOv8 neural network for recognizing traffic objects, specifically vehicles, video surveillance cameras. The vehicle class includes cars, buses, and trucks. Particular attention is paid to ensuring high detection quality in difficult conditions, such as night time, adverse weather conditions like rain, fog, or snow, and low image quality. To achieve this, various modifications to the network architecture were explored to balance detection accuracy and computational efficiency, making the model suitable for real-time applications. To evaluate the effectiveness of the proposed approach, a dataset of 1400 images obtained open sources was created. The images cover different times of day, including dawn, dusk, and nighttime, as well as adverse weather conditions and low-quality images, reflecting real-world scenarios encountered by video surveillance cameras. The dataset was annotated to identify the vehicle class, encompassing cars, buses, and trucks, ensuring robust evaluation under challenging conditions. To optimize the YOLOv8-nano architecture, it was proposed to replace individual C2f blocks with the C3Ghost module in combination with the CBAM attention block. This modification provided a balance between detection quality and computational complexity. As a result of the optimization, the number of parameters was reduced by 26%, and the computational complexity (GFLOPS) was reduced by 10%. At the same time, the detection quality remained comparable to the base model: the average accuracy (mAP@0.50:0.95) decreased slightly 0.531 to 0.525. The results of the study confirm the promising use of the modified YOLOv8-nano architecture for video surveillance tasks in intelligent transport systems. The proposed approach can be applied in traffic monitoring systems, autonomous vehicle navigation, and other domains requiring fast and accurate video data processing in real time. Future work may focus on further refining the model to handle additional vehicle classes, such as motorcycles and bicycles, to enhance its applicability in diverse scenarios. Additionally, integrating the model into embedded systems for widespread deployment and exploring optimizations for specific camera types or extreme conditions could further improve performance.
2025-01-01T00:00:00ZАналіз ройових методів керування безпілотними літальними апаратамиПроценко, М.Маслій, Р. В.Maslii, R.https://ir.lib.vntu.edu.ua//handle/123456789/510852026-04-03T11:50:06Z2025-01-01T00:00:00ZАналіз ройових методів керування безпілотними літальними апаратами
Проценко, М.; Маслій, Р. В.; Maslii, R.;
This study presents a comprehensive analysis and comparison of swarm intelligence algorithms for controlling unmanned aerial vehicle
(UAV) swarms in dynamic environments. The research focuses on Particle Swarm Optimization, Ant Colony Optimization, and Artificial Bee Colony
algorithms, examining their operational principles, advantages, limitations, and practical applications. To ensure an objective evaluation, a set of
performance criteria was established, including convergence speed, flexibility, robustness to environmental changes, computational complexity, and
energy efficiency. The results highlight the most suitable algorithms for tasks such as search, reconnaissance, mapping, and cooperative cargo
delivery. Furthermore, promising directions for future research are identified, particularly the development of hybrid approaches that combine the
strengths of different methods and the adaptation of swarm algorithms to uncertain and rapidly changing conditions. The practical significance of
the study lies in providing a foundation for the development of more autonomous and efficient UAV swarm control systems applicable in agriculture,
search and rescue, environmental monitoring, and infrastructure inspection. The findings may serve as a methodological basis for further integration
of swarm-based approaches into practical UAV control systems.; У роботі здійснено комплексне дослідження та порівняння ройових алгоритмів керування безпілотними літальними апаратами (БПЛА) у динамічному середовищі. Проаналізовано методи Particle Swarm Optimization, Ant Colony Optimization та Artificial Bee Colony з точки зору принципів роботи, переваг, обмежень і практичних сфер застосування. Для об`єктивної оцінки ефективності розроблено набір критеріїв, що охоплюють швидкість збіжності, гнучкість, робастність, обчислювальну складність та енергоефективність. Отримані результати дозволили визначити найбільш придатні алгоритми для розв`язання завдань пошуку, розвідки, картографування та кооперативної доставки вантажів. Додатково окреслено перспективні напрями розвитку, зокрема створення гібридних алгоритмів і вдосконалення методів адаптації до умов невизначеності. Практична цінність роботи полягає у формуванні підґрунтя для розробки більш автономних і ефективних систем керування роєм БПЛА, що можуть знайти застосування в сільському господарстві, пошуково-рятувальних операціях, моніторингу довкілля та інспекції інфраструктури. Отримані висновки можуть бути використані як методологічна основа для подальшої інтеграції ройових підходів у практичні системи керування автономними БПЛА.
2025-01-01T00:00:00ZІнформаційна технологія вибору оптимального інструментального середовища для веб-розробкиДенисюк, В. О.Сторожук, А. С.Denysiuk, V.Storozhuk, A.https://ir.lib.vntu.edu.ua//handle/123456789/510832026-04-03T11:28:32Z2026-01-01T00:00:00ZІнформаційна технологія вибору оптимального інструментального середовища для веб-розробки
Денисюк, В. О.; Сторожук, А. С.; Denysiuk, V.; Storozhuk, A.
The paper addresses a scientific and practical problem of selecting
an optimal web development tool environment under conditions of rapid
technological evolution and increasing complexity of software projects. Modern web
engineering is characterized by continuous emergence of new programming
languages, frameworks, content management systems, containerization tools, cloud
platforms, and automation technologies. The wide variety of available alternatives
significantly complicates the decision-making process and increases the risk of
subjective, fragmented, or non-reproducible technology stack selection.
The study substantiates the necessity of a knowledge-oriented approach for
formalizing the domain of web development. The aim of the research is to develop
an information technology for selecting an optimal tool environment based on an
ontological knowledge base and a recommendation-based decision-support mechanism. The research methodology includes system analysis, ontological modeling,
logical inference, and multi-criteria optimization methods.
An ontological domain model is developed to formally represent project types,
functional and non-functional requirements, constraints, tool properties, compatibility relations, and contextual factors. A recommendation method is proposed that
integrates logical filtering of feasible alternatives according to hard constraints with
subsequent multi-criteria ranking based on weighted evaluation criteria. The
architecture of the proposed recommendation intelligent system includes a knowledge base, an inference engine, a ranking module, and an explanation
component ensuring transparency and interpretability of decisions.
A model scenario demonstrates that the proposed approach ensures
reproducibility of tool selection, reduces decision-making time, and improves the
justification and consistency of technological choices. The scientific novelty lies in
integrating ontology-based knowledge representation with quantitative multi-criteria
evaluation within a unified decision-support information technology framework for
web development tool environment selection.; У статті розглянуто науково-практичну проблему вибору оптимального інструментального середовища для веб-розробки в умовах швидкої еволюції технологічних екосистем та зростання складності програмних проєктів. Показано, що сучасна веб-інженерія характеризується високою динамічністю розвитку, появою нових мов програмування, фреймворків, систем керування вмістом, засобів контейнеризації, хмарних платформ та інструментів автоматизації. Значна кількість альтернатив ускладнює процес прийняття технологічних рішень і підвищує ризик суб`єктивного або фрагментарного формування технологічного стеку. Обґрунтовано доцільність використання знання-орієнтованого підходу до формалізації предметної області веб-розробки. Метою роботи є розроблення інформаційної технології вибору оптимального інструментального середовища на основі онтологічної бази знань і рекомендаційного механізму підтримки прийняття рішень. У дослідженні використано методи системного аналізу, онтологічного моделювання, логічного виводу та багатокритеріальної оптимізації. Розроблено онтологічну модель предметної області, яка формалізує типи веб-проєктів, функціональні та нефункціональні вимоги, ресурсні обмеження, характеристики інструментів і взаємозв`язки між ними. Запропоновано метод формування рекомендацій, що включає логічний відбір допустимих альтернатив за пороговими вимогами та їх подальше багатокритеріальне ранжування з використанням вагових коефіцієнтів. Представлено архітектуру рекомендаційної інтелектуальної системи з модулем пояснення отриманих результатів
2026-01-01T00:00:00Z