В статті представлено результати аналізу даних показників якості електроенергії в умовах цифровізації енергосистем. Встановлено, що цифровізація енергосистем зумовлює формування великих, різнорідних та подієво насичених масивів даних про показники якості електроенергії, що вимагає великої архітектури зберігання, індексації та потокової обробки, а також формалізованого контролю якості отриманих даних. Розкрито необхідність у поєднанні основних стандартних індикаторів з методами навчання без вчителя, самонавчанням та інтерпретованими моделями, здатними працювати за неповної розмітки, витримувати дрейф режимів та надавати пояснювані висновки для інженерного застосування.
В статті розкрито удосконалений метод планування траєкторій польоту безпілотного літального апарату (БпЛА) з проактивним уникненням зіткнень з перешкодами у міський забудові, який здійснює прогнозоване виявлення небезпеки за допомогою ML-моделі. Метод інтегрує концепцію динамічних коридорів D2-C2 з модулем штучного інтелекту, що дозволяє завчасно та автоматично виявляти потенційні зіткнення БпЛА як з перешкодою, так і з іншим БпЛА. Модель апроксимує функцію, яка відображає залежність між часовими рядами параметрів руху декілька БпЛА і бінарним результатом – зіткнення (ні).
У статті представлено удосконалений метод глибинного навчання для автоматизованого виявлення типових шаблонів у PQ-даних показників якості електроенергії. Метод поєднує глибинний автоенкодер для автоматичного виділення ознак із великих масивів вимірювань та подальшу кластеризацію отриманих ознак для групування схожих добових варіацій показників якості електроенергії. Він працює у режимі навчання без вчителя (не потребує розмічених даних) та здатний виявляти приховані закономірності і типові профілі змін показників напруги або струму. Розкрито архітектуру методу, етапи попередньої обробки даних та нормалізації. Доведено особливості навчання автоенкодера, алгоритму кластеризації ознак, а також підходів до інтерпретації отриманих результатів.
В статті запропоновано адаптивну математичну модель графа маршрутизації запитів у сайдкар-компонентах як систему математичних співвідношень, яка описує залежності між об'єктами (вершинами) та їх зв'язки (ребра) за допомогою множин, рівнянь, функцій тощо. Вона дозволяє аналізувати, моделювати та розв'язувати задачі, які стосуються складних систем, де є об'єкти та зв'язки між ними. Модель представляє маршрутизацію у вигляді графа з вершинами, які відповідають маршрутам (сервісам) та ребрами – зв’язками із динамічними вагами. Вона підтримує масштабованість систем, інтегруючи алгоритми пошуку найкоротших шляхів та можливість врахування затримок, навантаження та ізоляції між тенантами. Запропоновано механізм динамічного оновлення контейнера маршрутів у сайдкар-компоненті за допомогою системи повідомлень Kafka, що дозволяє автоматично адаптувати маршрутизацію без зупинки системи. Розкрито його сутність.
В роботі розглянуто особливості застосування військових наземних роботизованих комплексів зі штучним інтелектом. Таке застосування має особливості у підвищенні ефективності ведення бойових дій (військових операцій) та безпеки особового складу підрозділів, виконуючи поставлені завдання у небезпечних умовах, покращуючи розвідку, логістичне і інженерне забезпечення, а також вогневе ураження. Застосування штучного інтелекту у наземні роботизовані комплекси розширює можливості систем автономного руху та розпізнавання цілей противника, що дозволяє зменшити залежність від оператора в умовах роботи засобів радіоелектронної боротьби. Наведено приклади військових наземних роботизованих комплексів провідних країн світу та виробництва України.
розглянуто моделі оптимального розміщення даних в білінгових OLTP-системах на основі рангового підходу до рішення задачі цілочисельного лінійного програмування з булевими змінними.