Разработка вопросно-ответной системы (QA), обрабатывающей климатическую информацию, опирается на использование разнородных климатических данных в различных форматах (текстовые, числовые, графические, видео, аудио, географические и данные мониторинга). Обязательным элементом вопросно-ответной системы должен являться инструмент, позволяющий обрабатывать и анализировать подобные данные.
Процессы поиска и извлечения данных выступают центральной частью рассматриваемой системы, поскольку от них во многом зависит качество сгенерированного ответа. Точный способ извлечения данных имеет решающее значение для выходных данных системы QA, а также для проблем принятия решений, так как существуют ситуации, в которых LLM генерирует ответы, соответствующие контексту, но фактически являющиеся неверными и не соответствующими входным данным. Использование правильных метрик и алгоритмов для некоторых типов данных и неправильных для других может привести к превышению допустимого порога нерелевантных данных, что, в свою очередь, может снизить качество ответов. Дополненная поисковая генерация (Retrievalaugmented Generation, RAG) также может использоваться для оптимизации входных данных для этой задачи.
В работе рассматриваются различные алгоритмы извлечения данных и ранжирования документов, а также возможность использования ансамблей агентов LLM при разработке вопросно-ответной системы, обрабатывающей климатическую информацию.

Статья посвящена вопросам цифровизации лекционной формы работы в вузе. Показано, что ряд проблем, связанных с современными социальными и личностными трансформациями, ведет к снижению эффективности классической лекции. Предлагается новый подход к лекционному процессу, основанный на применении в учебном процессе мультимедиалекций с интеллектуальным педагогическим агентом. Показано, что применение таких лекций может способствовать повышению эффективности учебных занятий. Для практической проверки эффекта применения подхода осуществляется проектирование и реализация системы обучения, обеспечивающей создание и применение мультимедиалекций. Приводятся сведения об инфологической модели, положенной в основу системы, и ее облачной архитектуре. Описывается работа демонстрационного прототипа проигрывателя мультимедиалекций, включая функциональность педагогического агента. Делается вывод о возможности построения проигрывателя, включая функциональность педагогического агента, работающего на компьютерных устройствах бытового уровня. Приводятся планы дальнейших исследований.

В работе рассматривается применение технологии нейронных сетей для поддержки принятия решений в учебном процессе вуза с использованием когнитивной модели обучения. Разработано программное решение, цифровой профиль обучающегося на базе электронного портфолио студентов с привлечением алгоритмов искусственного интеллекта, современных веб-технологий, а также когнитивных моделей обучения. Обучение нейронной сети проводилось на подготовленных данных студентов, которые были получены с использованием специально разработанного психодиагностического комплекса. Использование цифрового профиля позволяет студентам отслеживать свой процесс обучения на основе рекомендаций, предлагаемых нейронной сетью, принимать оптимальные решения, строить персонализированные образовательные траектории, а также корректировать образовательные траектории обучения.

Статья посвящена анализу роли и эффективности нейросетевых алгоритмов в задачах автоматического реферирования и суммаризации текстов, которые являются ключевыми в области обработки естественного языка (NLP). Основная цель автоматического реферирования — извлечение и генерация важнейшей информации из текстов для обеспечения быстрого доступа к основному содержанию без необходимости читать весь документ. В статье рассматриваются основные проблемы, с которыми сталкиваются разработчики при реализации алгоритмов реферирования, включая понимание контекста, иронии, сохранение связности текста, адаптацию к разным языкам и стилям. Особое внимание уделяется нейросетевым моделям, таким как Transformer, BERT и GPT, которые благодаря своей способности обучаться на больших объемах данных показали выдающуюся эффективность в автоматическом реферировании текстов. Статья также освещает вклад ведущих ученых в области глубокого обучения и анализирует методы, лежащие в основе современных алгоритмов NLP, подчеркивая значимость непрерывного технологического прогресса в улучшении качества реферирования и доступности информации. Статья будет интересна широкому кругу читателей, включая исследователей в области искусственного интеллекта и NLP, разработчиков программного обеспечения, занимающихся автоматизацией обработки текстов, а также специалистов в областях, где требуется быстрая обработка и анализ больших объемов текстовой информации, таких как юридическая практика, медицинская диагностика и научные исследования. Кроме того, материал статьи будет полезен преподавателям и студентам, изучающим технологии обработки данных и искусственного интеллекта, предоставляя им актуальные примеры применения теоретических знаний в практических проектах.

В статье рассматривается выбор оптимальной нейросетевой модели YOLOv8 (YOLOv8s, YOLOv8l, YOLOv8x, YOLOv8m, YOLOv8n) с использованием метода анализа иерархий, который позволяет структурировать и систематизировать сложные решения, основанные на многокритериальных оценках. Основное внимание уделяется выявлению и сравнительному анализу наиболее значимых критериев для оценки эффективности нейросетевых моделей, таких как время обучения, а также метрики Precision, Recall и F1-score. Эти метрики играют ключевую роль в задачах компьютерного зрения, особенно когда речь идет о детекции объектов. При проведении исследования построены матрицы попарных сравнений, которые позволяют не только визуально представить относительную важность каждого из выбранных параметров, но и количественно оценить их влияние на общую эффективность модели. Процесс формирования матриц попарных сравнений включает в себя мнение экспертов в области машинного обучения и компьютерного зрения, что обеспечивает высокую степень надежности полученных результатов. После обработки данных и выполнения расчетов, включающих взвешивание каждого критерия, выведены приоритеты для альтернативных моделей YOLOv8. В результате расчетов выявлено, что нейросетевая модель YOLOv8n обладает максимальным приоритетом среди всех оцененных альтернатив. Это подчеркивает ее превосходство по сравнению с другими модификациями данной модели.