Юлія Кузнецова

Юлія Кузнецова

Auto-generated profile, based on publicly available information

Юлія Кузнецова

Національний аерокосмічний університет «Харківський авіаційний інститут

Research Focus & Metrics

Academic Career Length

8Years (2019-Present)

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

Representative Publications

View All Publications
19 January 2021
Verified
Book Chapter
Closed access
PDF file
YKYuliia Kuznetsova
Yuliia Kuznetsova
AKArtem Kolomytsev
Artem Kolomytsev
MSMaksym Somochkin
Maksym Somochkin
OVOleksandr Vdovitchenko
Oleksandr Vdovitchenko

1 January 2019 in Cherkasy University Bulletin: Pedagogical Sciences
Verified
Journal Article
Open access
PDF file
NIN.Ye. Zhukovsky National Aerospace University “Kharkiv Aviation Institute”
N.Ye. Zhukovsky National Aerospace University “Kharkiv Aviation Institute”
OKOlena Kirilenko
Olena Kirilenko
YKYuliiya Kuznetsova
Yuliiya Kuznetsova
OVOleksandr Vdovitchenko
Oleksandr Vdovitchenko
ЮКЮлія Анатоліївна Кузнецова
Юлія Анатоліївна Кузнецова
ПРОБЛЕМИ ПІДГОТОВКИ ВИКЛАДАЧІВ ВИШІВ ДО ВПРОВАДЖЕННЯ ДИСТАНЦІЙНОГО НАВЧАННЯ

23 September 2025 in INFORMATION TECHNOLOGY AND SOCIETY
Verified
Journal Article
Open access
PDF file
АМАртем Моісеєнко
Артем Моісеєнко
ЮКЮлія Кузнецова
Юлія Кузнецова
Стаття присвячена огляду поточного стану розвитку СУН та використання хмарних технологій у цій сфері. Проаналізовано глобальні тенденції росту ринку СУН і впровадження хмарних сервісів, зокрема прискорення цифрової трансформації освіти під впливом пандемії та воєнних умов. Визначено основні переваги використання хмарних обчислень в освітніх платформах, а також окреслено проблемні аспекти та виклики, що виникають при впровадженні СУН.Мета. Узагальнити сучасні підходи та рішення у галузі СУН та хмарних технологій, виявити актуальні проблеми їх впровадження й експлуатації, особливо у контексті оптимального розгортання сервісів СУН в хмарному середовищі.Методологія. Застосовано методи аналізу та синтезу наукових публікацій останніх років, статистичних даних ринку освітніх технологій і досвіду впровадження СУН в Україні та світі. Виконано порівняльний аналіз можливостей традиційних та хмарних СУН-рішень, а також контент-аналіз досліджень щодо продуктивності, безпеки та архітектури цих систем.Наукова новизна. Уточнено сучасний стан розвитку СУН з урахуванням хмарних трендів, систематизовано актуальні виклики (від відсутності уніфікованих методик оцінювання ефективності СУН до питань безпеки та оптимального використання ресурсів). Вперше виокремлено проблему оптимального розгортання сервісів СУН у хмарній інфраструктурі як одну з ключових для підвищення ефективності e-learning.Висновки. Сучасні СУН активно зростають за популярністю та функціональністю, інтегруючи хмарні сервіси для масштабованості й доступності. Водночас існують недоліки, зокрема труднощі з вибором і впровадженням оптимальної платформи, забезпеченням безпеки й продуктивності при зростанні навантаження. Аналіз показав, що для вирішення цих проблем перспективним є застосування математичних моделей оптимізації. Подальше дослідження буде спрямоване на розроблення ILP-моделі оптимального розгортання сервісів СУН у хмарному середовищі як інструменту для підвищення ефективності та надійності електронних навчальних систем.

10 December 2021 in Innovative technologies and scientific solutions for industries
Verified
Journal Article
Open access
PDF file
YKYuliia Kuznetsova
Yuliia Kuznetsova
MSMaksym Somochkin
Maksym Somochkin
Subject matter. Informatization of processes of counteraction to man-made emergencies. Goal. Improving the effectiveness of the process of information support for decision-making in overcoming the consequences of man-made emergencies, in terms of its intellectualization, by creating a concept of integration of various software tools within a single, homogeneous space of knowledge about strategic, tactical and operational actions in a wide range of accidents and disasters related to the operation of technical facilities. Tasks. Develop a formal statement of the problem of decision-making in an emergency situation and justify the methodology of its implementation based on the integration of knowledge tools with various analytical models that describe the processes of emergency. Consider the application of the proposed methodology on a scenario that reproduces the situation on the site after the leakage of a highly toxic substance. Methods. System analysis - in the development of a comprehensive process model for decision-making in an emergency; software engineering - when creating the architecture of an integrated intelligent decision support system in emergencies of man-made nature; physics of the processes of distribution of toxic chemicals in the atmosphere - in the development of a scenario of the situation at the site in an emergency situation at an industrial site. Results. The concept of creating an integrated intelligent decision support system for overcoming the consequences of man-made emergencies, in particular, the formal formulation of a typical problem of decision-making in emergencies is described, as well as the basic principles of its solution, and the formulation of the problem of modeling management processes associated with man-made emergencies is developed. Conclusions. The concept of creating an integrated information-analytical system to support decision-making in man-made emergencies is presented. Within the framework of this concept, formal models of decision-making in man-made emergencies and an approach to the integration of diverse software within a single, homogeneous knowledge space on comprehensive measures to overcome the consequences of emergencies related to accidents and disasters at technical facilities infrastructure. The scenario example of the organization of intellectual support of decisions at release into the atmosphere of a toxic chemical is considered.

23 September 2025 in INFORMATION TECHNOLOGY AND SOCIETY
Verified
Journal Article
Open access
PDF file
АКАртем Коломицев
Артем Коломицев
ЮКЮлія Кузнєцова
Юлія Кузнєцова
Прийняття рішень на основі машинного навчання має важливе значення для ефективної роботи хмарних віртуальних електростанцій (ВЕС), що об'єднують сотні й тисячі розподілених енергоресурсів (РЕР). Однак ручне розгортання та підтримка моделей машинного навчання в масштабі призводить до затримок, неузгодженості та високих операційних витрат. У цій статті ми проаналізували шість широко розповсюджених фреймворків автоматизації розгортанні інфраструктури машинного навчання (MLOps) – Kubeflow, Apache Airflow, MLflow, Azure ML, AWS SageMaker і Google Vertex AI – за чотирма критеріями, критично важливими для середовищ ВЕС: впровадження в галузі, повнота набору функцій, сумісність з основними фреймворками машинного навчання і хмарними платформами, а також ліцензійні або фінансові обмеження. Спираючись на публічну документацію, активність репозиторіїв, тематичні дослідження та дослідження ринку, ми визначили компроміси між гнучкістю відкритого коду та зручністю керованого сервісу. Наш аналіз показує, що Apache Airflow пропонує найбільш зрілу та розширювану оркестровку конвеєрів для локальних та мультихмарних розгортань ВЕС, в той час як Kubeflow чудово працює в контекстах на базі Kubernetes. Керовані сервіси, такі як SageMaker та Azure ML, забезпечують швидшу окупність інвестицій для команд, яким не вистачає спеціалістів у галузі інфраструктури, але несуть більші витрати та прив'язку до певного постачальника. Нарешті, ми надаємо рекомендації щодо інтеграції безперервного навчання, оцінки та моніторингу в робочі процеси прогнозування ВЕС, демонструючи, як впровадження автоматизації розгортанні інфраструктури машинного навчання може покращити затримку прогнозування та швидкість реагування мережі. Мета статті: оцінити та порівняти провідні фреймворки автоматизації розгортанні інфраструктури машинного навчання – відкриті та керовані хмарні сервіси – за ключовими критеріями (впровадження, повнота функцій, інтероперабельність та вартість) та рекомендувати найбільш підходящі рішення для віртуальних електростанцій, розміщених у хмарі.Методологія. Ми обрали шість фреймворків автоматизації розгортанні інфраструктури машинного навчання на основі впровадження, функцій, сумісності та вартості; витягли дані з офіційних документів, репозиторіїв та ринкових звітів; оцінили кожен інструмент за нашими критеріями; і сформулювали рекомендації для хмарних ВЕС для конкретних доменів.Наукова новизна. У цій статті досліджується малодосліджена сфера перетину автоматизації розгортанні інфраструктури машинного навчання і віртуальних електростанцій (ВЕС), розглядаються конкретні проблеми застосування автоматизованих робочих процесів машинного навчання до великомасштабних хмарних систем ВЕС.Це перше порівняння інструментів автоматизації розгортанні інфраструктури машинного навчання, пристосованих до операційних і прогнозних потреб ВЕС, з урахуванням специфіки конкретної галузі. Висновки. У результаті дослідження доведено, методи автоматизації розгортанні інфраструктури машинного навчання можуть значно підвищити продуктивність і масштабованість віртуальних електростанцій. У цьому дослідженні визначено найбільш підходящі інструменти для використання ВЕС, зокрема Apache Airflow та Kubeflow як сильні варіанти з відкритим вихідним кодом, тоді як керовані сервіси можуть підійти...

23 September 2025 in INFORMATION TECHNOLOGY AND SOCIETY
Verified
Journal Article
Open access
PDF file
ДТДанило Трощий
Данило Трощий
ЮКЮлія Кузнецова
Юлія Кузнецова
Метою дослідження є системний аналіз рутинних повторюваних завдань, що виникають у процесі розроблення мобільних застосунків, а також визначення їхнього впливу на ефективність роботи розробницьких команд. Особлива увага приділяється виявленню підходів до зниження обсягу рутинних дій за рахунок автоматизації, стандартизації та повторного використання рішень. Методологія. У роботі застосовано комплексний підхід, що поєднує аналіз наукових публікацій, огляд галузевих звітів, а також систематизацію типових рутинних завдань на різних етапах життєвого циклу мобільного застосунку. Проведено порівняльний аналіз існуючих технічних рішень: інструментів автоматизованого тестування, генерації користувацького інтерфейсу, застосування практик DevOps і інтеграції віртуальних помічників.Наукова новизна. Запропоновано узагальнену класифікацію рутинних завдань мобільної розробки з урахуванням специфіки Android та iOS-платформ. Вперше комплексно проаналізовано прогалини у застосуванні сучасних інструментів автоматизації саме у мобільній сфері. Визначено, що більшість існуючих підходів не враховують особливості мобільних платформ або мають вузький технічний фокус. Висновки. Результати дослідження підтверджують актуальність необхідності уніфікації та автоматизації повторюваних завдань для підвищення ефективності мобільної розробки. Запропоновано перспективні напрями подальших досліджень, зокрема розроблення спеціалізованих інструментів, шаблонів та практик, адаптованих до викликів мобільної інженерії, що дозволить скоротити витрати часу та ресурсів, зменшити кількість помилок і прискорити вихід продукту на ринок.