https://ir.lib.vntu.edu.ua//handle/123456789/12783 2026-03-06T23:36:16Z 2026-03-06T23:36:16Z Бісікало, 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/123456789/50525 2026-01-21T13:54:49Z 2025-01-01T00:00:00Z

Метод 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.

2025-01-01T00:00:00Z Горячев, Г. В. Goryachev, G. V. https://ir.lib.vntu.edu.ua//handle/123456789/50491 2026-01-19T19:05:35Z 2025-01-01T00:00:00Z

Пояснюваний 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 Yuriev, S. Rodinkovа, V. Mokin, V. Varchuk, I. Sharikadze, О. Marushko, Yu. Halushko, B. Kurchenko, A. Мокін, В. Б. Варчук, І. В. https://ir.lib.vntu.edu.ua//handle/123456789/50178 2025-12-31T11:05:12Z 2023-01-01T00:00:00Z

Molecular sensitization pattern to house dust mites is formed the frst years of life and includes group 1, 2, Der p 23, Der p 5, Der p 7 and Der p 21 allergens Yuriev, S.; Rodinkovа, V.; Mokin, V.; Varchuk, I.; Sharikadze, О.; Marushko, Yu.; Halushko, B.; Kurchenko, A.; Мокін, В. Б.; Варчук, І. В. Background As the process and nature of developing sensitivity to house dust mites (HDMs) remain not fully studied, our goal was to establish the pattern, nature and timeframe of house dust mite (HDM) sensitization development in patients in Ukraine as well as the period when treatment of such patients would be most effective. Methods The data of the multiplex allergy test Alex2 was collected from 20,033 patients. To determine age specifics of sensitization, descriptive statistics were used. Bayesian Network analysis was used to build probabilistic patterns of individual sensitization. Results Patients from Ukraine were most often sensitized to HDM allergens of group 1 (Der p 1, Der f 1) and group 2 (Der p 2, Der f 2) as well as to Der p 23 (55%). A considerable sensitivity to Der p 5, Der p 7 and Der p 21 allergens was also observed. The overall nature of sensitization to HDM allergens among the population of Ukraine is formed within the first year of life. By this time, there is a pronounced sensitization to HDM allergens of groups 1 and 2 as well as to Der p 23. Significance of sensitization to Der p 5, Der p 7 and Der p 21 allergens grows starting from the age of 3–6. Bayesian Network data analysis indicated the leading role of sensitization to Der p 1 and Der f 2. While developing the sensitivity to group 5 allergens, the leading role may belong to Der p 21 allergen. Conclusion The results obtained indicate the importance of determining the sensitization profile using the multicomponent approach. A more detailed study of the optimal age for AIT prescription is required as the pattern of sensitization to HDMs is formed during the first year of life.

2023-01-01T00:00:00Z Лосенко, А. В. Козачко, О. М. Варчук, І. В. Losenko, A. V. Kozachko, O. M. Varchuk, I. V. https://ir.lib.vntu.edu.ua//handle/123456789/50177 2025-12-31T11:13:30Z 2024-01-01T00:00:00Z

Нейромережевий ансамбль для прогнозування часових рядів на основі Prophet та LSTM Лосенко, А. В.; Козачко, О. М.; Варчук, І. В.; Losenko, A. V.; Kozachko, O. M.; Varchuk, I. V. У статті розглядається застосування моделей машинного навчання для оптимізації прогнозування часових рядів, що є актуальним завданням у багатьох галузях, включаючи охорону здоров'я. Особлива увага приділяється використанню моделі Prophet у поєднанні з ансамблевими методами, такими як моделі машинного навчання на основі нейронних мереж, зокрема LSTM, GRU, а також інших рекурентних нейронних мереж, для створення високоточного прогнозування кількості хворих на COVID-19 в Україні протягом 2020 – 2022 років. Прогнозування часових рядів є важливим інструментом для аналізу та моделювання тенденцій, які мають складну природу залежностей. Наприклад, у сфері охорони здоров'я прогнозування кількості хворих дозволяє заздалегідь оцінити навантаження на систему охорони здоров'я та планувати відповідні ресурси. У цьому контексті використання моделей, які здатні враховувати як короткострокові, так і довгострокові тренди, є критично важливим. Prophet, відомий своєю здатністю точно моделювати сезонні компоненти, доповнюється потужністю LSTM для обробки нелінійних залежностей, що забезпечує значне покращення точності прогнозів. Додатково у статті розглядається можливість використання гібридних підходів, які комбінують результати традиційних методів і моделей глибокого навчання. Такий підхід дозволяє враховувати складні закономірності у часових рядах, які не завжди можуть бути повністю враховані однією моделлю. Гібридні підходи забезпечують багаторівневий аналіз даних, де статистичні методи, такі як Prophet, моделюють основні тренди та сезонність, тоді як глибокі нейронні мережі, наприклад LSTM, обробляють нелінійні та короткострокові залежності. Результати дослідження можуть бути використані для аналізу інших часових рядів, що робить запропонований підхід універсальним та перспективним для подальшого розвитку.

2024-01-01T00:00:00Z