Найти

Результаты поиска

• ИССЛЕДОВАНИЕ МЕТОДОВ ПОСТРОЕНИЯ КАУЗАЛЬНЫХ ГРАФОВЫХ МОДЕЛЕЙ ДЛЯ СЛОЖНЫХ СОЦИОГУМАНИТАРНЫХ СИСТЕМ

  И.И. Князев

  2024-05-28

  Аннотация ▼

  Сложные социогуманитарные системы - это разновидность систем, которые изучаются в
  социологии, антропологии, экономике, политологии, и других гуманитарных науках. Эти системы
  характеризуются сложностью взаимодействий между их составляющими элементами, которые
  могут быть как людьми (индивидами, группами), так и культурными, социальными, экономиче-
  скими и политическими аспектами. Например, общество как социогуманитарная система состо-
  ит из различных элементов, таких как люди, культура, институты, ценности и так далее.
  Они взаимодействуют между собой, образуя сложную сеть связей и влияний, которая определяет
  поведение и развитие общества. Чтобы лучше понять такие системы, используются различные
  подходы, включая системный анализ, социальную сетевую теорию, теорию сложности и другие
  методы. Эти подходы помогают выявить основные закономерности в функционировании слож-
  ных социогуманитарных систем и предсказать их развитие в будущем. В данной статье рас-
  сматриваются подходы к выявлению причинно-следственных связей, выделяются основные тре-
  бования к построению этих связей в контексте сложных социогуманитарных систем, имеющих
  дело, в основном, со слабоструктурированной информацией, часто в виде естественного языка и
  текстов. Были определены слабые и сильные стороны выявленных подходов, а также рассмотре-
  ны примеры использования современных методов построения графов на разных задачах: выявле-
  ние рисков в бизнесе, анализ социальных явлений, выявление наличия причинности в текстах. Ис-
  следование показало, что наиболее продуктивными являются методы машинного обучения, на-
  пример языковые модели для извлечения знаний из текста в совокупности с нейросетевыми тех-
  нологиями и графовым представлениями знаний. Они требуют уверенных знаний математики,
  статистики и программирования, как минимум на языке Python, имеющих самую внушительную
  инструментальную поддержку для решения задач машинного обучения. Также, выявление причин-
  ности основывается не только на корреляции, но и на других методах, таких как тест Грейнд-
  жера, используемый для анализа временных рядов.

• МОДИФИКАЦИЯ МЕТОДА FMEA ПРИ ПОМОЩИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

  Е.С. Подоплелова , И.И. Князев

  2024-01-05

  Аннотация ▼

  Оценка рисков – важная задача в любых сферах, начиная от производства, заканчи-
  вая медициной. Риски сопровождают проект, продукт или процесс на всей жизнедеятель-
  ности, с момента планирования до его полного прекращения. На каждом из них существу-
  ют свои подходы. К ним относится FMEA (Failure Mode and Effects Analysis) - анализ видов
  и последствий отказов. Предлагаемая модель основана на методе FMEA, базирующемся на
  оценке рисков по трем критериям: тяжесть последствий при реализации угрозы и слож-
  ность идентификации отказа, вероятность возникновения. Первые два критерия основаны
  на экспертной оценке, полученной в соответствии с методами искусственного интеллек-
  та. Авторами предложена модификация третьего критерия. В своей работе мы заменили
  экспертную оценку критерия «вероятность возникновения» моделью машинного обучения,
  способной спрогнозировать этот показатель на основе статистических данных. Провели
  первый этап исследования поставленной задачи на открытом датасете NASA о рабочих
  циклах двигателей до их отказа. Изначально, ставится задача прогнозирования оставше-
  гося количества циклов до отказа, затем мы произвели переход к задаче классификации,
  определяя, входит ли в зону риска оборудование, в зависимости от его потенциального
  остатка ресурса. Наилучший результат дал метод опорных векторов (SVM), точность
  классификации которого 80%. Целью работы является создание модели оценки рисков на
  основе методики FMEA, позволяющей повысить качество оценки, сократить субъектив-
  ность в принятии решений, делая прогноз на основе исторических данных, а не только
  субъективном опыте эксперта.