Актуальность работы состоит в необходимости персонального онлайн обучения, включая высокое качество передачи знаний одновременно с автоматизацией и уменьшением затрат со стороны модераторов курса. Невозможность существующих систем обеспечить этим многих пользователей ведет к поиску новых подходов. Научная новизна основана на внедрении технологии интеллектуального чат бота с функциями обработки естественного языка в среду обучения и новом подходе к выполнению заданий, исключающем лимиты времени и количества попыток проверить ответ, а также декомпозиция сложных задач на шаги. Это позволит ученикам достичь правильный ответ самостоятельно, тем самым повышая вовлечение и мотивацию понять трудную тему. Работа содержит следующие стадии: литературный анализ, моделирование, проектирование, реализация, результаты и прогноз. Благодаря предложенному решению больше пользователей получат возможность внедрить приложение и распространить знания с улучшенной средой онлайн обучения. Студенты смогут иметь поддержку в течение всего образовательного процесса в любое время, а их прогресс будет обеспечен анализом данных и методами машинного обучения. / The relevance of the work is grounded by the necessity of the personalized online learning, including the high-quality education providing with better automation and less efforts from moderators` side. Inability of the current systems to open these opportunities for many users leads to the exploration of new approaches. The scientific novelty is based on the embedment of the intellectual chatbot technology with Natural Language Processing features into the learning environment and the new approach of the assignments` accomplishment, which inferences the elimination of the time and attempt limits as well as complex tasks on steps segmentation. It gives the possibility for learners to reach the correct answer in more independent way, thereby increasing the engagement and motivation to perceive the difficult topics. The work contains stages: Literature analysis, Modeling, Designing, Implementation, Results and Forecast. Due to the solution more users are able to employ the application and distribute the knowledge with improved eLearning environment. The students get the opportunity to have the support during the educational process any time and their progress is maintained by the data analysis and advanced technologies.

В диссертации были изучены особенности использования методов машинного обучения в сфере страхования. Рассмотрены возможности архитектурного подхода в разработке модели машинного обучения. Осуществлен анализ тенденций цифровой трансформации сферы страхования. Осуществлена оценка результативности использования машинного обучения в страховании. Построена полная модель архитектуры ПАО СК «Росгосстрах». Разработана аналитическая модель машинного обучения в сфере тарификации страховой компании. На основе процессного подхода детально рассмотрены все фазы проекта по внедрению модели машинного обучения в деятельность страховой компании. Разработана и реализована имитационная модель управления проектом разработки и внедрения модели машинного обучения в деятельность страховой компании на основе различных сценарием. / The dissertation studied the features of using machine learning methods in the field of insurance. The possibilities of the architectural approach in the development of a machine learning model are considered. The analysis of trends in the digital transformation of the insurance industry has been carried out. The effectiveness of the use of machine learning in insurance has been evaluated. A complete model of the architecture of PJSC IC Rosgosstrakh was built. An analytical model of machine learning in the field of tariffing of an insurance company has been developed. Based on the process approach, all phases of the project to introduce a machine learning model into the activities of an insurance company are considered in detail. A simulation model for project management for the development and implementation of a machine learning model in the activities of an insurance company has been developed and implemented based on various scenarios.

Цель работы – анализ средств для интерпретирования моделей машинного обучения и их практического применения для интерпретирования результатов моделей машинного обучения при анализе табличных данных. Объект исследования – средства для интерпретирования моделей машинного обучения. Методы исследования: теоретический анализ литературы по теме исследования, изучение документации библиотек машинного обучения, классификация исследуемых методов, экспериментальный включающий проведение исследовательского анализа данных, обучение моделей машинного обучения и применение интерпретирования, обобщение полученных данных и их сравнение. Результаты работы: подготовлен обзор и практическое руководство по интерпретации результатов машинного обучения для табличных данных. Выпускная квалификационная работа выполнена в текстовом редакторе Microsoft Word и представлена в твердой копии. / The purpose of the work is to analyze tools for interpreting machine learning models and their practical application for interpreting the results of machine learning models when analyzing tabular data. The object of study is tools for interpreting machine learning models. Research methods: theoretical analysis of literature on the research topic, study of documentation of machine learning libraries, classification of methods being studied, experimental, including conducting exploratory data analysis, training machine learning models and applying interpretation, summarizing the data obtained and comparison. their. Results of the work: a review and practical guidance on interpreting the results of machine learning of tabular data has been prepared. The final qualifying work was completed in the text editor Microsoft Word and presented on paper.

Цель исследования – на основе теоретического описания и практической реализации в других исследованиях, провести сравнительную оценку методов машинного обучения для выявления оптимального решения при анализе тональности текстов. Объектом исследования выступают тексты, публикуемые в средствах массовой информации. Научная новизна исследования состоит в совершенствовании существующих методов для выявления наиболее универсального решения. Практическая значимость исследования заключается в том, что полученные результаты исследования могут быть полезными для других ученых, занимающихся анализом тональности текстов в средствах массовой информации. В результате сравнительного исследования был найден наиболее эффективный и точный метод для решения задачи. Полученные результаты и выводы исследования могут служить основой для последующих исследований в этой области и применяться в практических разработках и приложениях, требующих анализа тональности текстов. / The purpose of the study is, based on the theoretical description and practical implementation in other studies, to conduct a comparative assessment of machine learning methods to identify the optimal solution when analyzing the sentiment of texts. The object of the study is texts published in the media. The scientific novelty of the research lies in the improvement of existing methods to identify the most universal solution. The practical significance of the study lies in the fact that the results obtained may be useful for other scientists involved in the analysis of the sentiment of texts in the media. As a result of a comparative study, the most effective and accurate method for solving the problem was found. The obtained results and conclusions of the study can serve as the basis for subsequent research in this area and be used in practical developments and applications that require sentiment analysis of texts.

Объектом исследования являются методы машинного обучения, позволяющие фильтровать данные, и методы разработки информационных платформ. Фильтрация данных подобного типа применяется в такой области, как поисковые системы, чтобы на основе запроса выдать пользователю релевантные результаты. Предмет исследования – разработка модели машинного обучения, фильтрующей текстовые данные, и информационной платформы для отображения отфильтрованных данных. Особенностями исследования являются открытая реализация полного проекта, то есть она доступна каждому, и возможность его модификации. Для обучения модели был использован самостоятельно составленный набор научных работ, информационная платформа была разработана с нуля. Итоговая модель LSTM, выбранная методом сравнения метрик, показала результат предсказания соответствия целевой тематике в 90%, что позволяет говорить о ее возможном внедрении в соответствующие Интернет-ресурсы, так как они гарантированно уменьшат объем научных работ, проверяемых вручную. / The object of the research is machine learning methods that allow filtering text data obtained from the information platform. Filtering of this type of data is used in such an area as search engines to give relevant results to the user based on a query. Within the framework of this dissertation, it was proposed to apply machine learning methods to filter a set of scientific papers based on their title and target label in the form of the subject of the work. The features of the study are the open implementation of the full project, that is, it is available to everyone, and the possibility of its modification. A self-compiled set of scientific papers was used to train the model, the information platform was developed from scratch. The final LSTM model, chosen by the method of comparing metrics, showed the result of predicting compliance with the target topic in 95%, which allows us to talk about its possible implementation in the relevant Internet resources, since they are guaranteed to reduce the volume of scientific papers checked manually.

В работе была произведена разработка модели машинного обучения на языке программирования Python, а также проведена ее валидация на этапах жизненного цикла. Целью создания модели машинного обучения является прогнозирование магнитных свойств нанокристаллических сплавов на основе железа по химическому составу и условиям обработки. Процесс валидации модели машинного обучения позволяет не только произвести контроль за соблюдением требований, предъявляемых при разработке и эксплуатации модели, к результатам, полученных с помощью моделирования, но и способствует внедрению модели в процесс производства. Процесс валидации включал в себя валидацию данных, в ходе которой были оценены типы, пропуски данных, соответствие цели исследования, распределения признаков и целевых характеристик, изучены корреляции признаков и целевых характеристик; валидацию алгоритмов, применяемых в модели: были проанализированы параметры алгоритмов с целью соблюдения требования о корректной обобщающей способности модели (отсутствие недо- и переобучения); оценку работы модели, благодаря которой был произведен анализ полученных результатов с помощью тестовых данных; верификацию результатов с помощью актуальных данных, полученных из статей, опубликованных с 2010 по 2022 год. В результате валидации модели было показано высокое качество разработанной модели, позволяющее получить оценки качества R2 0,65 и выше. / In this work machine learning model was developed by Python programming language, and also was validated at stages of model’s life cycle. The purpose of creating the machine learning model is to predict the magnetic properties of Fe-based nanocrystalline alloys by chemical composition and processing conditions. The validation of machine learning models allows not only to control the requirements for development and operation of the models, for the results obtained by modeling, but also contrib¬utes to the introduction of the model into production process. The validation process included: data validation: data types and omissions, compliance with the purpose of the study, dis¬tribution of features and target characteristics were evaluated, correlations of features and target characteristics were studied; flgorithms validation: the parameters of the algorithms were analyzed in order to comply with the requirement for the correct generalizing ability of the model (without under- and overfit¬ting); evaluation of the model work: the analysis of the obtained results was carried out using test data; verification of results using actual data obtained from articles published since 2010 to 2022. As a result of the model validation, the high quality of the developed model was shown, which makes it possible to obtain quality metric R2 0.65 and higher.

В рамках данной работы было проведено исследование существующих типов вопросно-ответных систем и методов анализа текста. Был проведен анализ существующих вопросно-ответных систем. Приведена обобщённая схема работы вопросно-ответных систем и для каждого типа систем приведена детальная схема работы. Описаны и исследованы методы выбора кандидатов ответа и методы их оценки. Также в работе описаны возможные критерии оценки работы таких систем. В ходе исследования был разработан рабочий прототип вопросно-ответной системы, основанный на системе BERT для русского языка. Используемая модель RuBERT была предобучена и протестирована на стандартных задачах SQuAD. В ходе работы модель была протестирована и оценена в разработанном рабочем прототипе и показала высокие результаты по предложенным критериям оценки. / Within the framework of this work, a study was made of the existing types of question-answer systems and text analysis methods. An analysis of the existing question-answer systems was carried out. A generalized scheme of operation of question-answer systems is given, and a detailed scheme of operation is given for each type of system. Methods for selecting response candidates and methods for their evaluation are described and investigated. The paper also describes possible criteria for evaluating the operation of such systems. In the course of the study, a working prototype of a question-answer system based on the BERT system for the Russian language was developed. The RuBERT model used was pre-trained and tested on standard SQuAD problems. During the work, the model was tested and evaluated in the developed working prototype and showed high results according to the proposed evaluation criteria.

Цель работы – разработка модели машинного обучения для автоматического сопоставления описаний продуктов, представленных в текстовом виде с внутренними кодами компании. Объект исследования – бизнес-процесс сопоставления описаний продуктов с внутренними кодами компании. Методы исследования: предварительная обработка данных, анализ данных, выбор и обучение модели машинного обучения, оценка производительности модели. Результаты работы: разработана и обучена модель машинного обучения на основе алгоритма CatBoost для автоматического сопоставления описаний продуктов с внутренними кодами компании. Модель показала высокую точность и полноту при тестировании. Созданная модель машинного обучения внедрена в продуктивное использование компании АО «Сони Электроникс» и позволяет сокращать ресурсы аналитиков в существенном объеме. Выпускная квалификационная работа выполнена в текстовом редакторе Microsoft Word и представлена в электронном и печатном виде. / The goal of the work is to develop a machine learning model for automatically comparing product descriptions presented in text form with the company’s internal codes. The object of study is the business process of comparing product descriptions with internal company codes. Research methods: data preprocessing, data analysis, selection and training of a machine learning model, evaluation of model performance. Results of the work: a machine learning model based on the CatBoost algorithm was developed and trained to automatically compare product descriptions with internal company codes. The model showed high accuracy and completeness during testing. The created machine learning model has been put into productive use by Sony Electronics JSC and makes it possible to reduce analyst resources to a significant extent. The final qualifying work was completed in the text editor Microsoft Word and presented in electronic and printed form.

Магистерская диссертация посвящена разработке программного обеспечения интеллектуальной системы анализа температуры холодильников системы охлаждения доменной печи. В ходе работы рассмотрены основные этапы реализации программного модуля: анализ предметной области, функциональное моделирование, проектирование и программная реализация web-приложения. Разработанная система предоставляет пользователю возможность отображения данных о температуре в графическом и табличном виде, а также проведение анализа и прогнозирования температуры тела холодильника в доменной печи. Она позволяет оперативно мониторить и контролировать температурные показатели, что является важным фактором для обеспечения эффективности и надежности работы печи. Научная новизна полученных в работе результатов заключается в разработке методов эффективной организации, ведения процесса разработки и сопровождения специализированного информационного, алгоритмического и программного обеспечения, включая базу данных доменного цеха и пользовательское приложение системы интеллектуального анализа температуры холодильников системы охлаждения доменной печи: использование гибкой методологии разработки (Agile, SCRUM) и таск-трекера Microsoft Azure DevOps для ведения проекта, взаимодействия с заказчиком во время разработки, отслеживания ошибок, визуального отображения задач и мониторинга процесса их выполнения; функциональное моделирование процессов и подсистем для реализации web-приложения подготовки технического отчета доменного цеха на основе методологии IDEF0 и средства реализации Ramus Educational; использование методики коллективного владения программным кодом на основе сервиса (удаленного репозитория) GitHub; применение методов машинного обучения для реализации алгоритма прогнозирования температуры холодильников системы охлаждения доменной печи. Практическая значимость результатов заключается в том, что разработанное программное обеспечение позволит: программное обеспечение позволит сэкономить время на получение, хранение, обработку данных, что положительно скажется на эффективности работы доменного производства, поможет снизить риск возникновения аварийных ситуаций и неплановых остановок доменных печей; специалистам отдела сопровождения информационных систем снизить трудозатраты на сопровождение, совершенствование и развитие системы с учетом пожеланий пользователей. Результаты работы могут быть использованы также в учебном процессе для обучения бакалавров и магистрантов по направлению «Информационные системы и технологии». Результаты работы представлены и обсуждены на международных и всероссийских конференциях: X, XI Всероссийских научно-практических конференциях студентов, аспирантов и молодых учёных «Теплотехника и информатика в образовании, науке и производстве» (ТИМ’2022, ТИМ’2023) с международным участием (г. Екатеринбург, УрФУ, 2022, 2023); Всероссийской научно-практической конференции (с международным участием) «Системы автоматизации (в образовании, науке и производстве)» AS’2022 (г. Новокузнецк, СибГИУ, 2022); международной научно-технической конференции «Состояние и перспективы развития электро и теплотехнологии» XXII Бенардосовские чтения (г. Иваново, ИГЭУ, 2023). / The master's thesis is devoted to the development of software for an intelligent system for analyzing the temperature of refrigerators in the blast furnace cooling system. In the course of the work, the main stages of the implementation of the software module were considered: domain analysis, functional modeling, design and software implementation of a web application. The developed system provides the user with the ability to display temperature data in graphical and tabular form, as well as to analyze and predict the body temperature of the refrigerator in the blast furnace. It allows you to quickly monitor and control temperature indicators, which is an important factor for ensuring the efficiency and reliability of the furnace. The scientific novelty of the results obtained in the work lies in the development of methods for the effective organization, management of the development process and maintenance of specialized information, algorithmic and software, including the database of the blast furnace shop and the user application of the system for intelligent temperature analysis of the refrigerators of the blast furnace cooling system: − use of flexible development methodology (Agile, SCRUM) and the Microsoft Azure DevOps task tracker for project management, interaction with the customer during development, tracking errors, visual display of tasks and monitoring the progress of their implementation; − functional modeling of processes and subsystems for the implementation of a web application for preparing a technical report for a blast furnace shop based on the IDEF0 methodology and the Ramus Educational implementation tool; − use of the methodology of collective ownership of program code based on the service (remote repository) GitHub; − application of machine learning methods to implement an algorithm for predicting the temperature of refrigerators in the blast furnace cooling system. The practical significance of the results lies in the fact that the developed software will allow: − the software will save time for receiving, storing, processing data, which will have a positive impact on the efficiency of blast-furnace production, help reduce the risk of emergencies and unscheduled shutdowns of blast furnaces; - specialists of the information systems maintenance department to reduce labor costs for maintenance, improvement and development of the system, taking into account the wishes of users. The results of the work can also be used in the educational process for training bachelors and masters in the direction of "Information Systems and Technologies". The results of the work are presented and discussed at international and all-Russian conferences: X, XI All-Russian scientific and practical conferences of students, graduate students and young scientists "Heat engineering and informatics in education, science and production" (TIM'2022, TIM'2023) with international participation (Ekaterinburg, UrFU, 2022, 2023); All-Russian scientific and practical conference (with international participation) "Automation systems (in education, science and production)" AS'2022 (Novokuznetsk, SibGIU, 2022); International Scientific and Technical Conference "Status and Prospects for the Development of Electrical and Thermal Technologies" XXII Benardos Readings (Ivanovo, ISPU, 2023).

Объект исследования – кибер-физические системы, подверженные различным инцидентам, отказам и сбоям в своей работе. Цель работы – разработка модели машинного обучения для определения корневых причин сбоев в производственной системе, а также исследование возможности использования машинного обучения для определения причин будущих сбоев. Методы исследования: сбор, анализ и синтез данных, сравнение, обобщение, классификация, аналогия, эксперимент, измерение, описание. Результаты работы: разработана и обучена модель машинного обучения для анализа корневых причин инцидентов производственной установки методом классификации на выбранном наборе «сырых» данных небольшого объема с последующей проверкой качества ее работы на тестовых данных. Область применения – обучение модели корневым причинам инцидентов (отказов, сбоев) производственных систем на имеющихся данных с последующим оперативным обнаружением причин аномальной работы систем в тандеме с работой алгоритма по автоматическому обнаружению и прогнозированию аномалий. / The object of research is cyber-physical systems that are susceptible to various incidents, failures and malfunctions in their operation. The goal of the work is to develop a machine learning model to determine the root causes of failures in a production system, as well as to explore the possibility of using machine learning to determine the causes of future failures. Research methods: collection, analysis and synthesis of data, comparison, generalization, classification, analogy, experiment, measurement, description. Results of the work: a machine learning model was developed and trained to analyze the root causes of incidents in a production facility using the classification method on a selected set of small-volume “raw” data, followed by checking the quality of its work on test data. Scope of application: training a model for the root causes of incidents (failures, failures) of production systems using available data, followed by prompt detection of the causes of abnormal operation of systems in tandem with the work of the algorithm for automatic detection and prediction of anomalies.