Прудкий Александр Сергеевич

в статье рассматривается вопрос решения задачи instance-сегментации фруктов и овощей для малого АПК. Предложен лёгкий гибрид: UNet для семантики + водораздел для разделения экземпляров без тяжёлого регрессора Mask R-CNN. Собран датасет (651 изображение), обучена модель, проведено сравнение с Mask R-CNN – новый метод лучше при малых данных и слабом GPU. Подход точно выделяет и измеряет объекты, снижает требования к ресурсам и упрощает разметку, что делает его удобным для прикладных систем контроля качества.

в статье исследуются экономические эффекты внедрения цифровых технологий и искусственного интеллекта на рост выручки, рентабельность продаж и производительность труда. С использованием модели градиентного бустинга LightGBM выполнено прогнозирование ключевых показателей, определены наиболее значимые цифровые факторы и установлены отраслевые особенности воздействия ИИ.

статья исследует современные подходы к адаптивному машинному обучению в условиях реального времени, акцентируя внимание на проблеме отклонения концептов в потоковых данных. Рассматриваются основные методы обнаружения и коррекции отклонения данных, позволяющие моделям сохранять точность при работе с нестационарными информационными потоками. Анализируются алгоритмы онлайн-обучения, адаптивные пороговые механизмы и техники инкрементального обновления моделей. Обсуждаются перспективы внедрения этих методов в системы мониторинга, прогнозирования и автоматизации, а также вызовы, связанные с вычислит...

обосновывается переход от статических моделей прогнозирования энергопотребления к адаптивным системам потокового машинного обучения с детекцией концептуального дрейфа. Показано, что инкрементальные ансамбли снижают ошибку прогнозирования на 22–34%, обнаруживают смену режимов в среднем за 12,3 наблюдения и обновляются менее чем за 2 мс, что обеспечивает готовность технологии к внедрению на периферийных контроллерах и формирует устойчивый экономический эффект за счёт сглаживания пиковых нагрузок.

в статье рассмотрен метод структурно-функционального проектирования интеллектуальных систем промышленного интернета вещей, основанный на поэтапной декомпозиции объекта и рациональном распределении вычислительных ресурсов между Edge и Cloud уровнями. Пятислойная архитектурная модель интегрирует сенсоры, коммуникации, распределённые узлы, ML-модули и прикладные сервисы; критерий L = αT + βC_r формализует баланс отклика и ресурсоёмкости. Обосновано значение метода для экономики цифровизации: масштабируемость, модульность, ресурсная эффективность как условия устойчивого развития.