Тема выпускной квалификационной работы: «Исследование возможностей по взаимодействию с моделью нейронной сети, размещенной в базе данных». Данная работа посвящена способам совместного использования искусственных нейронных сетей и баз данных. Автором был произведен обзор существующих решений и подходов в сфере взаимодействия с нейронными сетями, на основе которого представлена характеристика рассмотренных средств. Целью работы является получение реализации системы хранения искусственной нейронной сети в базе данных на сервере. В предложенной автором системе модель нейронной сети и данные для обучения полностью хранятся в базе данных PostgreSQL. На основе возможностей СУБД был реализован способ взаимодействия пользователя с моделью с помощью хранимых процедур на языке pl/python. Данная методика позволяет клиенту использовать только оболочку или API для взаимодействия с базой данных и не размещать на локальном устройстве средства для работы с нейронными сетями. Полученная реализация была протестирована на основе классификации изображений в сверточной нейронной сети и классификации текстурных признаков Харалика в нейронной сети прямого распространения. Тестирования и сравнение с аналогичной реализацией локального взаимодействия с нейронной сетью удовлетворили сформированным требованиям по размещению и производительности нейронной сети и занимаемой ей памятью.

The subject of the graduate qualification work is «Research of the opportunities for interaction with the model of the neural network placed in database». This work is devoted to ways of sharing artificial neural networks and databases. The author made a review of existing solutions and approaches in the field of interaction with neural networks, based on which the characteristics of the considered tools are presented. The goal of the work is to obtain an implementation of an artificial neural network storage system in a database on server. In the system suggested by author, the neural network model and training data are completely stored in the PostgreSQL database. Based on capabilities of the DBMS, a way for user interaction with the model using stored procedures in pl/python language was implemented. This technique allows the client to use only an IDE or API to interact with the database and not install tools for working with neural network on the local device. The final implementation was tested based on image classification in a convolutional neural network and classification of Haralick Texture features in feed-forward neural network. Testing and comparison with a similar implementation of local interaction with a neural network satisfied the formed requirements for the placement and performance of the neural network and the memory it occupies.