Современные финансовые рынки представляют собой сложные, динамичные системы, в которых принятие своевременных и обоснованных решений напрямую влияет на эффективность инвестиционной и торговой стратегии. В условиях насыщения рынков огромными объёмами данных и ужесточения конкуренции между участниками особую значимость приобретают методы анализа и прогнозирования. Одной из ключевых задач в этой области является анализ временных рядов – последовательностей наблюдений, упорядоченных во времени, – с целью выявления и прогнозирования рыночных тенденций. Традиционные статистические подходы, такие как модели ARIMA или GARCH, несмотря на свою теоретическую обоснованность, зачастую оказываются недостаточными для адекватного описания нелинейных, нестационарных и шумовых характеристик финансовых данных. В связи с этим в последние годы все больше распространение получают методы машинного обучения (МО), демонстрирующие высокую гибкость в обработке сложных паттернов и способность адаптироваться к изменяющимся условиям рынка. От классических алгоритмов на основе деревьев решений до современных архитектур глубокого обучения – такие модели открывают новые горизонты в прогнозировании цен, оценке рисков и автоматизации торговых решений. ↳Читать далее

Правильность выбора материалов для конкретных инженерных и конструкторских задач приобрела первостепенную важность. От правильности выбора зависят ключевые показатели изделия: прочность, вес, износоустойчивость, безопасность и, конечно же, цена. Классические подходы к решению данной задачи основывались преимущественно на опыте и интуиции инженера, однако подобные подходы имели существенные недостатки: долгий цикл тестирования, отсутствие учета множества факторов одновременно и значительные материальные затраты. С развитием технологий машинного обучения появилась возможность кардинально изменить ситуацию. Теперь стало возможным быстро и эффективно обрабатывать огромные объемы данных, получать точные прогнозы и рекомендации по материалам, минимизируя человеческий фактор и увеличивая скорость выхода готовых изделий на рынок. Инструменты машинного обучения представляют собой совокупность специализированных алгоритмов и методов, предназначенных для автоматического извлечения полезных закономерностей из данных. Они позволяют выявить зависимости, провести классификацию и сделать прогнозы, значительно упрощая многие рутинные задачи, стоящие перед специалистами разных областей [1]. Среди основных инструментов машинного обучения выделяется линейная и логистическая регрессия, которая используется для выявления прямой зависимости ↳Читать далее

Введение После появления в 2018 году ChatGPT [1] большие языковые модели (LLM) перестали быть просто научным инструментом. С каждым годом растет количество пользователей и вариаций и новых версий LLM, а также способов их применения для достижения какого-либо полезного результата [2]. Большую часть времени LLM могли работать только с текстом и имели ограничения связанные механизмами их работы – зависимость от обучающей выборки, а также размера и способа работы со своим контекстным окном. Традиционным решением описанных выше проблем являлось увеличение размера модели – как количества параметров, так и контекстного окна. Однако такой подход приводит к значительному увеличению требований к количеству обучающих данных, ресурсам на обучение и инференс модели. С помощью изменений в архитектуре можно достичь сопоставимого результата [3], однако они все равно не до конца решают описанные выше проблемы. В результате начали возникать способы повышения эффективности решения задач LLM, основанные на предоставлении механизмов для взаимодействия с внешними источниками и инструментами, что позволяет ↳Читать далее

The cooling tower functions as a critical element in the circulating water supply circuit of thermal power and chemical industry facilities. Its energy efficiency has a direct impact on the efficiency of the main technological cycle. Existing maintenance strategies based on fixed time intervals or reactive troubleshooting demonstrate systemic inefficiency. This is manifested in the occurrence of excessive costs associated with untimely maintenance operations, or significant economic losses due to unplanned equipment downtime. An urgent engineering task is to develop tools for the transition to a predictive management model based on continuous monitoring and predictive analysis of the actual technical condition. For complex thermal engineering equipment, such as a cooling tower, the implementation of this approach requires the construction of its highly accurate dynamic model – a digital twin [1].  The purpose of this study is to describe the architectural principles, key mathematical models, and practical aspects of implementing a ↳Читать далее

Современные упаковочные линии, несмотря на внешнюю стандартизацию – роторные питатели, конвейеры, пневмопресс-формовщики, системы термосварки – в действительности представляют собой тонко настроенные механо-электронные комплексы, где даже доли секунды имеют значение. При скорости работы 6 000–12 000 упаковок в час каждая позиция сервопривода должна быть выверена с точностью до 0.1 мм, а давление в пневмосистеме – стабильно поддерживаться в пределах ±0.03 МПа. В таких условиях кратковременный провал напряжения продолжительностью менее двух секунд, который в быту может пройти незамеченным, на производстве запускает каскадную цепочку событий: сначала теряется питание ПЛК, затем – синхронизация между осями, падает давление в ресивере, и уже к моменту, когда оператор подходит к панели, оборудование оказывается в аварийной позиции – с зажатым продуктом, деформированным картоном или разорванным полимерным полотном. Именно этот разрыв между физическим инерционным торможением механизмов (1–2 с) и логическим восстановлением управления (часто 3–5 мин) и составляет основную причину брака, который в 80 % случаев технически предотвратим [1]. На ↳Читать далее

The modern centralized heat supply system of the Russian Federation is faced with the need to ensure reliable and uninterrupted operation of hot water boilers, which are the basis of heat generating capacities. The operation of boilers under conditions of high load, variable climatic conditions and often outdated equipment leads to various types of failures, resulting in economic losses and a decrease in the quality of heat supply to consumers. Traditional maintenance methods based on time-based routine maintenance or actual equipment failures do not effectively prevent sudden breakdowns and optimize equipment life. In this regard, the transition to a predictive maintenance strategy based on predicting the condition of equipment using modern digital technologies is becoming particularly relevant. Machine learning is a powerful tool for implementing such a strategy, allowing you to analyze large amounts of sensor data and identify hidden patterns that precede equipment failures [1]. Hot water boilers are ↳Читать далее

Введение В условиях глобальной цифровизации и перехода к Индустрии 4.0 (Industry 4.0), инженерное проектирование стало фундаментом производственной цепочки. Однако традиционные академические циклы подготовки (4 — 6 лет) вступают в противоречие с динамикой технологического обновления, которая в секторе высокотехнологичного производства составляет 1.5 — 2 года. Возникает феномен «навыкового голода», где дефицит специалистов в области CAD/CAM/CAE становится системным ограничением для экономического роста. В данной работе рассматривается методология ускоренной подготовки инженеров-проектировщиков как инструмент повышения операционной эффективности бизнеса и государства. Теоретическая база: Экономика времени и человеческого капитала Согласно концепции LFS (Labor Force Specialization), ценность специалиста определяется не только глубиной знаний, но и временем его вступления в продуктивный цикл. Авторская методика базируется на модели «Сжатого обучения» (Compressed Learning Model). Она предполагает декомпозицию сложных инженерных задач на паттерны и использование алгоритмов когнитивного моделирования, что позволяет сократить когнитивную нагрузку при освоении сложного ПО для 3D-дизайна. Математическое обоснование экономической эффективности Докажем, что ускорение обучения (Time-to-Market для специалиста) создает ↳Читать далее

В 2025 году розничная торговля переживает период радикальных перемен. Из-за эволюции привычек потребителей, жесткой конкуренции в e-commerce и нестабильности логистических цепочек искусственный интеллект превращается из опции в обязательный фактор для удержания лидерства на рынке. Тенденции подтверждают это: по оценкам ассоциации, российский рынок Big Data и ИИ достигнет 520 млрд рублей к концу 2025 года с ежегодным приростом в 20%. Такой подъем обеспечивают государственная поддержка, курс на импортозамещение и расширение облачных платформ, которые закладывают фундамент для широкого распространения технологий. Долгосрочная динамика роста мирового рынка, как показывает прогноз (рисунок 1), подтверждает устойчивость и масштаб этого тренда, который российский рынок в полной мере повторяет и даже усиливает за счет внутренних факторов. [1] Рисунок 1.  Прогноз роста рынка Big Dataи ИИ, основанный на выручке с 2025 до 2035 г.г. (в млн. долларов) Анализ показывает, что рынок не просто растет, а ускоряется, переходя от линейного роста к экспоненциальному в период активного внедрения. Поскольку цифровизация позволяет усилить конкурентное преимущество, укрепить ↳Читать далее

Современные тенденции цифровизации промышленности всё чаще включают в себя не только автоматизацию, но и интеллектуализацию процессов – переход от реактивного управления к предиктивному. В целлюлозно-бумажной промышленности, где качество продукции определяется совокупностью сотен параметров: от температуры в варочном котле до натяжения полотна на каландре, потенциал искусственного интеллекта особенно высок. Однако внедрение ИИ-решений сталкивается с объективными ограничениями: высокая инерционность технологических цепочек, жёсткие требования к надёжности, а также необходимость интеграции с устаревшей автоматикой, часто эксплуатируемой более 15-20 лет. В таких условиях наиболее перспективным оказывается не облачный ИИ, а локальный, встраиваемый интеллект – алгоритмы, выполняемые непосредственно на уровне ПЛК или встраиваемого исполнителя, без зависимости от внешних серверов. Ключевое преимущество такого подхода – совместимость с существующей инфраструктурой. Большинство предприятий ЦБП уже используют модульные системы ввода-вывода (например, ОВЕН MK110/MV110), датчики давления (Danfoss MBS 3000), температуры (Pt100) и натяжения (ОВЕН ПДН-500), а также SCADA-системы (в том числе SCADA+). Эти компоненты генерируют потоки данных, достаточные для построения простых, ↳Читать далее

Modern trends in the development of the IT industry are directly related to the need for enterprises to adapt to the changing conditions of the digital environment. Technological innovations such as artificial intelligence and blockchain are becoming critical factors for ensuring business competitiveness and efficiency. Therefore, research on the impact of these technologies on various aspects of enterprises’ activities and the development of strategies for their integration into the practice of business entities are becoming particularly relevant. According to a number of researchers, it is artificial intelligence and cloud technologies that determine the vector of development of the modern digital economy [1]. Their implementation allows companies to adapt to rapidly changing market conditions and remain competitive [2]. Artificial intelligence (AI) is the ability of a computer to process huge amounts of information and find patterns in them. AI works by mimicking human thinking. The learning process allows AI to analyze, ↳Читать далее