Програмне забезпечення системи класифікацій об’єктів на основі штучних нейронних мереж

Abstract

Актуальність дослідження. Стрімка інформатизація суспільства й поява інноваційних технологій постійно розширюють горизонти комп’ютерної обробки даних. Серед новітніх підходів особливу роль посідає інтелектуальна аналітика, що ґрунтується на методах штучного інтелекту й дає змогу виявляти приховані закономірності у великих масивах інформації. Ядром сучасних систем ШІ виступають штучні нейронні мережі – математичні конструкції (та їх програмні або апаратні реалізації), спроєктовані за аналогією з роботою біологічних нейронів. По суті це сукупність простих елементів-процесорів, пов’язаних між собою й здатних спільно розв’язувати складні задачі. З погляду обчислювальної техніки нейромережі забезпечують ефективний паралелізм, а з позиції штучного інтелекту вони репрезентують коннективістський підхід – спробу змоделювати природний інтелект за допомогою алгоритмів. Фундамент теорії закладено працями В. Маккалока, Ф. Розенблатта, Б. Уідроу, М. Мінскі, Т. Кохонена, С. Муроги, В. Вапніка, Д. Хопфілда, Дж. Гінтона та інших учених. Вагомий внесок зробили й українські дослідники: М. Амосов, О. Івахненко, Є. Бодянський, Н. та І. Айзенберги, Р. Ткаченко, Л. Тимченко, О. Михальов, В. Литвиненко, Ф. Гече, П. Тимощук, Ю. Романишин. Попри стрімкий прогрес глибинних мереж, ніша прикладних систем класифікації об’єктів для малопотужних пристроїв залишається недостатньо опрацьованою. Готові хмарні сервіси показують високу точність, але залежать від стабільного каналу зв’язку, збільшують латентність і створюють ризики витоку даних. Навпаки, легковагові edge-моделі працюють автономно, проте часто поступаються «великим» моделям за семантичною гнучкістю й у складних сценах дають неприйнятно високу похибку. Таким чином постає проблема: як побудувати систему, що водночас забезпечує низьку затримку, прийнятну точність і зберігає приватність, не виходячи за межі ресурсів Raspberry Pi-класу? Мета та завдання дослідження. Метою даної роботи є дослідження та розробка системи класифікацій об’єктів на основі штучних нейронних мереж на малопотужних пристроях. Для досягнення поставленої мети у роботі необхідно виконати низку завдань: 1. Зробити теоретичний аналіз основи системи класифікацій об’єктів на основі штучних нейронних мереж. 2. Розробити гібридну систему класифікації об’єктів за допомогою штучних нейронних мереж. 3. Забезпечити швидкодію та точність класифікації об’єктів при використанні штучних нейронних мереж. 4. Дослідити реалізацію гібридної системи класифікації об’єктів за допомогою штучних нейронних мереж. Об’єкт дослідження. Системи класифікації об’єктів, що базуються на штучних нейронних мережах. Предмет дослідження. Процес проєктування та розгортання гібридної (edge + cloud) системи класифікації, у якій локальна INT8-модель і хмарна LLM взаємодіють через єдиний програмний інтерфейс. Методи дослідження. Аналіз і синтез наукових джерел, логіко-аналітичні методи, методи моделювання, комп’ютерні експерименти, конструювання та проєктування. Практична значущість. Практична значущість роботи полягає в тому, що запропонований гібридний підхід до проєктування систем класифікації об’єктів на базі штучних нейронних мереж може безпосередньо застосовуватися для швидкого розгортання подібних рішень у відеоспостереженні, промисловій інспекції, «розумному» агромоніторингу та інших IoT-сценаріях, де потрібна мінімальна затримка й гарантована приватність даних. Структура бакалаврської кваліфікаційної роботи. Кваліфікаційна робота має загальноприйняту для таких робіт структуру і складається із вступу, п’яти розділів, загальних висновків та списку використаної літератури, що включає 36 найменувань. Результати дослідження конкретизовано у 2 таблицях та 5 рисунках. Загальний обсяг роботи складає 57 сторінок.