АНАЛІЗ СУЧАСНИХ ДОСЯГНЕНЬ У ГАЛУЗІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ, МАШИННОГО НАВЧАННЯ ТА ОБЧИСЛЮВАЛЬНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.32689/maup.it.2022.2.9Ключові слова:
штучна нейронна мережа, машинне навчання, обчислювальний інтелект, досягнення, наука, розробка, галузьАнотація
Мета – здійснити аналіз сучасних досягнень у галузі штучних нейронних мереж, машинного навчання та обчислювального інтелекту. Методологія: структуризація сучасних досягнень у галузі штучних нейронних мереж, машинного навчання та обчислювального інтелекту; аналіз динаміки наукових публікацій за темою дослідження. Наукова новизна. У статті вперше структуровано аналіз сучасних досягнень у галузі штучних нейронних мереж, машинного навчання та обчислювального інтелекту. Наголошено, що штучна нейронна мережа являє собою один зі способів реалізації штучного обчислювального інтелекту, у межах становлення якого є велика сфера – машинне навчання, яке є його основою. Здійснено структуризацію положення штучних нейронних мереж, машинного навчання та обчислювального інтелекту. Охарактеризовано сфери застосування розробок у галузі штучних нейронних мереж, машинного навчання та обчислювального інтелекту: у медичній сфері розроблено дієвий алгоритм машинного навчання, метою якого є оцінка ступеня ризику серцево-судинних захворювань пацієнтів; у фінансовій сфері машинне навчання дозволяє виявити потенційні випадки шахрайства у різних сферах життя; електронна комерція запроваджує основні механізми машинного навчання як методологію передбачення впливу акцій на обсяг продажу товарів; як природну мову для створення чат-ботів, які б допомогли клієнтам отримати необхідну інформацію про продукти компанії; транспортна інфраструктура впроваджує концепт, що спирається на нейронні мережі, в яких штучний інтелект відповідає за розпізнавання навколишніх об’єктів, таких як сторонній автомобіль, пішохід, перешкода на шляху тощо; промисловість застосовує штучні нейронні мережі з метою розробки синтетичних молекул, регулювання складу та параметрів металу у разі його виплавки, те ж стосується і робіт з виплавки скла та виробів, що у своєму складі мають комплекс компонентів. У табличній формі представлено сучасні досягнення в галузі штучних нейронних мереж, машинного навчання та обчислювального інтелекту за 2020–2021 роки. Висновки. У роботі здійснено аналіз сучасних досягнень у галузі штучних нейронних мереж, машинного навчання та обчислювального інтелекту, в основі чого лежить перцептрон як кібернетична модель сприйняття інформації мозком.
Посилання
Хома Ю. В., Бенч А. Я. Порівняльний аналіз спеціалізованих програмних та апаратних засобів для алгоритмів глибокого навчання. Комп’ютерні системи і мережі. 2019. Т. 1. № 1. С. 97–102.
Дєнєжніков C. С. Трансгуманістичні перспективи розвитку штучного інтелекту. Філософія науки: традиції та інновації. 2018. № 1 (17). С. 118–127.
Методи машинного навчання у задачах системного аналізу і прийняття рішень / М. Угрюмов та ін. Методи машинного навчання у багатокритеріальних задачах надійного оптимального проєктування та інтелектуальної діагностики систем (ROD & IDS) в умовах невизначеності. Харків : Харківський національний університет імені В. М. Каразіна, 2019. 195 с.
Сеніва К. Р. Способи використання нейронних мереж та машинного навчання в комп’ютерних іграх. Вісник Хмельницького національного університету. Хмельницький, 2021. № 2 (295). С. 97–99. DOI: 10.31891/2307-5732-2021-295-2-97-100
Artificial intelligence. Machine learning / О. В. Григоров та ін. Vehicle and Electronics. Innovative Technologies. 2019, Vol. 15, p. 17. URL: http://veit.khadi.kharkov.ua/article/view/169289 (дата звернення: 17.04.2022).
Amer M. E. M. Modularity in artificial neural networks : Doctoral dissertation, University of Nottingham. 2021. URL: https://www.researchgate.net/publication/353702457_Modularity_in_artificial_neural_networks (дата звернення: 17.04.2022).
Padma K. R., Don K. R. Artificial Neural Network Applications in Analysis of Forensic Science. Cyber Security and Digital Forensics. 2022. P. 59–72. DOI: 10.1002/9781119795667.ch3
Quantum computing models for artificial neural networks / S. Mangini et al. EPL (Europhysics Letters). 2021. Vol. 134, No. 1. P. 10002. URL: https://doi.org/10.1209/0295-5075/134/10002 (дата звернення: 17.04.2022).
Olvera J. D. D. R., Gómez-Vargas I., & Vázquez J. A. Observational cosmology with Artificial Neural Networks. 2021. arXiv preprint arXiv:2112.12645. URL: https://www.researchgate.net/publication/357301768_Observational_cosmology_with_Artificial_Neural_Networks (дата звернення: 17.04.2022).
