Іван Шульга

Іван Шульга

Auto-generated profile, based on publicly available information

Іван Шульга

“Київський політехнічний інститут імені Ігоря Сікорського”, Україна

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
14 November 2025 in Grail of Science
Verified
Journal Article
Open access
PDF file
ОКОлексій Коломійцев
Олексій Коломійцев
ОЛОлексій Любченко
Олексій Любченко
ЮОЮрій Олійник
Юрій Олійник
ЮУЮрій Урсакій
Юрій Урсакій
ДХДмитро Храпач
Дмитро Храпач
ІШІван Шульга
Іван Шульга
В статті розглядаються особливості застосування інформаційних електричних сигналів як матеріальних носіїв даних в комп'ютерних мережах, основаних на використанні одномодового багаточастотного лазерного випромінювання з синхронізацією поздовжніх мод. Проведено аналіз детермінованих та випадкових сигналів. Розглянуто безперервні та дискретні у часі електричні сигнали для передачі даних (інформації). Приведені аналітичні вирази для розрахунку ємності каналу передачі даних без завад та із завадами. Запропоновано схему пристрою формування каналів передачі даних для комп'ютерних мереж. Розкрито принцип її роботи та здійснення модуляції несучих частот лазерного випромінювання з електричними інформаційними сигналами.

13 November 2026 in Grail of Science
Verified
Journal Article
Open access
ОКОлексій Володимирович Коломійцев
Олексій Володимирович Коломійцев
ІГІлля Сергійович Гарбуз
Ілля Сергійович Гарбуз
ВКВолодимир Олександрович Комаров
Володимир Олександрович Комаров
АКАльберт Миколайович Катунін
Альберт Миколайович Катунін
ОГОлег Феліксович Галицький
Олег Феліксович Галицький
ІШІван Сергійович Шульга
Іван Сергійович Шульга
В статті проведено аналіз особливостей розподілених хмарних систем обробки великих обсягів даних ринку праці. Розглянуто методи машинного навчання для аналізу текстів вакансій і резюме. Проведено систематизацію способів подання текстів, методів виділення навичок, графів навичок та методи зіставлення вакансій і резюме. Визначено, яких властивостей бракує відомим рішенням для двомовних даних українського ринку праці. Відмічено, що документи змішаномовні, а лексичний збіг охоплює лише частину тексту. Розглянуті методи порівняно за ознаками: які враховують подання, які дані потрібні для навчання, або нормалізуються навички до таксономії, або можливо обчислити вектори кандидатів заздалегідь, скільки обчислень потребує один документ. Лексичні подання TF-IDF і BM25 дешеві й точно враховують назви технологій, а багатомовні щільні енкодери враховують зміст, але потребують графічних процесорів і пам’яті. Навички виділяють розміткою фрагментів тексту, класифікацією за таксономією ESCO і великими мовними моделями; мовні моделі не потребують розмітки, але дорожчі і в розмітці фрагментів поки поступаються навченим моделям. Графи навичок будують за спільною появою навичок, переважно за накопиченим масивом даних. Методи зіставлення розвиваються від сіамських енкодерів до двовежових моделей, графових нейронних мереж і мовних моделей як ранжувальників. Графові моделі зіставлення спираються на історію взаємодій закритих платформ. Аудити фіксують упередженість ранжування за статтю і расою. Запропоновано правила вибору методів за наявними даними. Сформульовано невирішені проблемні питання для відкритих двомовних даних без історії взаємодій: вартість подань за великої кількості пар, зміни структури навичок під час криз, окремий внесок графа навичок у якість зіставлення, поєднання якості з часткою переглянутих кандидатів, оцінювання без даних про наймання.

1 May 2026 in Grail of Science
Verified
Journal Article
Open access
ОКОлексій Коломійцев
Олексій Коломійцев
MHMykhailo Hulevych
Mykhailo Hulevych
ВКВолодимир Комаров
Володимир Комаров
АКАльберт Катунін
Альберт Катунін
КСКостянтин Садовий
Костянтин Садовий
ІШІван Шульга
Іван Шульга
В статті представлено удосконалений жадібний алгоритм, у якому вибір дій тестового сценарію здійснюється з урахуванням їх майбутньої користі, яка визначена за очікуваним приростом гілкового покриття коду. За таким підходом усувається детермінованість класичного жадібного алгоритму, підвищується інформативність тестового сценарію та забезпечується збалансованість між збереженням гілкового покриття та стисненням тестового сценарію. Також, удосконалений алгоритм дельта-дебаггінг, який виконує групове видалення неунікальних дій тестового сценарію за внеском у гілкове покриття, що дозволяє суттєво знизити довжину тестового сценарію без втрати характеристик ефективності тестування. Розкрито сутність удосконалення обраних алгоритмів. Проведено оцінку ефективності удосконалених алгоритмів. Наведено графічний матеріал.