The object of the study is a computer vision system for quality control of the outgoing products of the mining industry. The subject of the study is semantic segmentation methods, deep neural networks, feature encoders, loss functions. The purpose of the work is to study modern methods of machine learning and architectures of deep neural networks for solving the problem of assessing the output of an open pit mine. The study included: consideration of approaches to image segmentation using neural networks, development and implementation of experiments to compare the effectiveness of different architectures of deep neural networks in the problem of assessing an open pit mine. The work demonstrates the effectiveness of the approach using the transformer architecture, and shows the possibilities of applying the model in further solving the problem. Practical application area: the proposed approach can be used to improve the markup of the original data set, as well as an independent assessment to help an expert determine the quality of the outgoing product. / Объект исследования – система компьютерного зрения для контроля качества выходящей продукции горнодобывающей промышленности. Предмет исследования являются методы семантической сегментации, глубокие нейронные сети, кодировщики признаков, функции потерь. Цель работы – исследование современных методов машинного обучения и архитектур глубоких нейронных сетей для решения задачи оценки выхода продукции с открытого карьера. В процессе исследования проводились: рассмотрение подходов сегментации изображений с помощью нейронных сетей, разработка и реализация экспериментов для сравнения эффективности разных архитектур глубоких нейронных сетей в задаче оценки открытого карьера. В работе продемонстрирована эффективность подхода с использованием архитектуры трансформер, показаны возможности применения модели в дальнейшем решении задачи. Область практического применения: предложенный подход может быть использован для улучшения разметки исходного набора данных, а также независимой оценки для помощи эксперту в определении качества выходящей продукции.

The purpose of the work is to conduct a comprehensive study of the solution of the QA task for low-resource languages using the example of the Kazakh and Uzbek languages, creating models and datasets in the corresponding languages, using machine translation of datasets from high-resource languages using special markers. The hypothesis of the importance of proximity of languages in choosing the source language for translation is also being investigated. QA models have been created that demonstrate better results for the Kazakh and Uzbek languages than all other publicly available models. / Цель работы состоит в том, чтобы провести комплексное исследование решения задачи QA для низкоресурсных языков в виде казахского и узбекского языка, создав модели и датасеты на соответствующих языках, при помощи машинного перевода датасетов на высокоресурсных языках с использованием специальных маркеров. Также исследуется гипотеза о важности близости языков при выборе языка источника для перевода. Созданы QA-модели, демонстрирующие лучшие результаты для казахского и узбекского языков, чем все другие публично доступные модели.

В выпускной квалификационной работе рассмотрены методы дообучения больших языковых моделей для решения специализированных задач. В качестве специализированной задачи был выбран мультиязычный перевод в сфере информационной безопасности. Для дообучения и оценки моделей был собран датасет из 1001 тройки параллельных предложений на русском, английском и испанском языках из документов компаний Trellix, IBM, Kaspersky и Dr. Web. В качестве моделей для дообучения были выбраны Mistral Instruct 7B и Llama Chat 7B. Дообучение моделей проводилось методами zero-shot, few-shot и PEFT ввиду ограничений исследования, заключающихся в использовании одного устройства с одной видеокартой объёмом 12-24 ГБ. Оценка качества переводов полученных моделей рассчитывалась на основе метрики BLEU. / The work is devoted to comparison of LLM-tuning methods for specific tasks. Multilingual translation in the domain of information security was chosen as a specific task. In order to tune and evaluate the models, a dataset of 1001 triples of parallel sentences in Russian, English and Spanish was collected from documentation of Trellix, IBM, Kaspersky and Dr. Web. The models that were used for tuning are Mistral Instruct 7B and Llama Chat 7B. As for the tuning technics, zero-shot, few-shot and PEFT were used due to the limitations grounded in usage of one device with one GPU of 12-24 GB. The translation capabilities of the resulting models were measured by the BLEU metric.

Выпускная квалификационная работа на тему «Разработка прототипа системы управления в сфере логистики и транспорта, основанной на технологии обработки данных с использованием ML» посвящена разработке и созданию прототипа системы онлайн-бронирования отправлений сборных грузов с встроенной технологией независимого прогнозирования сроков доставки, основанной на использовании комплексной модели машинного обучения. Цель работы – повышение уровня обоснованности принимаемых управленческих решений в сфере логистики за счет разработки системы управления, основанной на принципах оптимизации стоимости и времени доставки и базирующейся на комплексе моделей анализа данных и машинного обучения. Работа состоит из четырех основных разделов: 1. Теоретические основы разработки прототипа системы управления в сфере логистики и транспорта, основанной на технологии обработки данных с использованием ML. В этом разделе проводится теоретический анализ методов и моделей, классификация алгоритмов ML для решения задач в сфере логистики и транспорта, а также рассматриваются преимущества и специфика внедрения перспективной модели машинного обучения в информационное приложение. 2. Разработка модели машинного обучения системы управления в сфере логистики и транспорта. В рамках данного раздела осуществляется формализация основных математических и аналитических зависимостей для имплементируемой в систему управления в сфере транспорта и логистики модели машинного обучения. 3. Тестирование алгоритма машинного обучения. В этом разделе описывается эксперимент по использованию модели машинного обучения, оценивается его эффективность по сравнению с базовыми моделями и рассматриваются условия и ограничения применения данного алгоритма. 4. Разработка прототипа системы управления в сфере логистики и транспорта, основанной технологии обработки данных с использованием ML и экономическая оценка реализации проекта. В этом разделе приводится описание и процесс создания прототипа системы, его архитектура, стек, основные планируемые функции и характеристики, а также экономическая оценка реализации проекта. Научная новизна работы состоит в решении актуальной задачи предсказания времени доставки грузов на основе исторической информации о сроке доставке заказов применительно к сервисам онлайн-бронирования логистических услуг. При этом актуальность работы также обусловлена предложением нового подхода при предсказании сроков доставки, разработанного и адаптированного к современным условиям управления в сфере логистики и транспорта. В результате исследования было осуществлено прототипирование решения, позволяющего существенно сократить ресурсные затраты экономических агентов на логистические процессы и в целом качественно повысить уровень таких бизнес-процессов. / The final qualification work titled "Development of a prototype management system in the field of logistics and transport based on data processing technology using ML" is dedicated to the development and creation of a prototype system for online booking of consolidated cargo shipments with an integrated independent delivery time forecasting technology based on a comprehensive machine learning model. The aim of the work is to improve the justification level of managerial decisions in logistics by developing a management system based on the principles of cost and delivery time optimization, utilizing a complex of data analysis and machine learning models. The work consists of four main sections: 1. Theoretical foundations for the development of a prototype management system in the field of logistics and transport based on data processing technology using ML. This section conducts a theoretical analysis of methods and models, classification of ML algorithms for solving problems in logistics and transport, and discusses the advantages and specifics of implementing a promising ML model. 2. Development of a machine learning model for the management system in the field of logistics and transport. This section formalizes the main mathematical and analytical dependencies for the machine learning model implemented in the transport and logistics management system. 3. Testing the machine learning algorithm. This section describes the experiment on using the ML model, evaluates its efficiency compared to basic models, and discusses the conditions of applying this algorithm. 4. Development of a prototype management system in the field of logistics and transport based on data processing technology using ML and economic evaluation of the project implementation. This section provides a description and process of creating the system prototype, its architecture, stack, main planned functions and characteristics, as well as an economic evaluation of the project implementation. Scientific novelty of the work lies in solving the urgent problem of predicting cargo delivery times based on historical information about order delivery times in relation to online booking services for logistics services. The relevance of the work is also due to the proposal of a new approach to predicting delivery times, developed and adapted to modern management conditions in the field of logistics and transport. As a result of the research, a prototype solution was developed that significantly reduces resource costs for economic agents in logistic processes and generally qualitatively improves the level of such processes.