Детальная информация

Artificial intelligence and machine learning technologies are among the most promising in the field of computer science. They make it possible to obtain solutions to problems that until recently were the exclusive prerogative of humans. However, when solving practical problems, it is necessary to implement machine learning models taking into account the restrictions on available resources. Such resources can be both computational and temporary (i.e. the problem must be solved in a certain time and using certain hardware, most often it is about various mobile platforms), and informational, when it comes to small, censored, incomplete or noisy data. The paper examines machine learning methods used to solve practical problems in application areas, such as comparing the shape of three-dimensional objects and intellectualizing resource dispatching, within the framework of the concept of "Supercomputer for AI and AI for a Supercomputer". In the field of solving problems with limited data volume, a method is proposed that allows training a multilayer neural network using an ultra-small training sample to solve the problem of quantitatively assessing the proximity of the shape of arbitrary three-dimensional objects. In the field of applying machine learning models with limited resources, a method has been developed that ensures asynchronous operation of the machine learning model and the executable process, which allows for the effective use of machine learning methods under constraints.

Технологии искусственного интеллекта и машинного обучения являются одними из самых перспективных в области компьютерных наук. Они позволяют получить решение задач, которые до недавнего времени были исключительно прерогативой человека. Однако при решении практических задач приходится реализовывать модели машинного обучения с учетом ограничений на доступные ресурсы, при этом, ресурсы могут быть как вычислительные и временные (т. е. задача должна быть решена за определенное время и с использованием определенного аппаратного обеспечения, чаще всего речь идет о различных мобильных платформах), так и информационные, когда речь идет о малых, цензурированных, неполных или зашумленных данных. В работе рассматриваются методы машинного обучения, используемые для решения практических задач в прикладных областях, таких как сравнение формы трехмерных объектов и интеллектуализация диспетчеризации ресурсов, в рамках концепции "Суперкомпьютер для ИИ и ИИ для суперкомпьютера". В области решения задач при наличии ограничений на объем данных предложен метод, который позволяет осуществить обучение многослойной нейронной сети с использованием сверхмалой обучающей выборки, для решения задачи количественной оценки близости формы произвольных трехмерных объектов. В области применения моделей машинного обучения при наличии ограничений на используемые ресурсы разработан метод, обеспечивающий асинхронную работу модели машинного обучения и исполняемого процесса, что позволяет эффективно использовать методы машинного обучения в условиях ограничений.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 17, № 3: Тематический сборник "Решение прикладных задач методами искусственного интеллекта", 2024. — 1 файл (12,6 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j24-421.pdf>.