Збірники наукових праць ЦНТУ

Permanent URI for this communityhttps://dspace.kntu.kr.ua/handle/123456789/1

Browse

Has files: YesSubject: search.filters.subject.intelligent systems

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Інноваційні рішення в складській логістиці
    (ЦНТУ, 2024) Аулін, В. В.; Тищенко, С. Ю.; Гриньків, А. В.; Aulin V.; Tyshchenko, S.; Hrynkiv, A.
    В статті розглядаються сучасні тенденції в складській логістиці, такі як автоматизація, цифровізація, омніканальність, екологічна сталість та зростання електронної комерції. Основні проблеми галузі включають високі витрати на автоматизацію, недостатню кваліфікацію персоналу для роботи з інноваційними технологіями, складнощі адаптації до глобальних змін у ланцюгах постачання та необхідність дотримання екологічних стандартів. Проведено аналіз останніх досліджень щодо використання інтелектуальних систем, великих даних, штучного інтелекту та Інтернету речейдля оптимізації складських операцій. Розроблено заходи інноваційного підходу для підвищення ефективності управління складськими процесами та конкурентоспроможності складських підприємств і комплексів. Запропоновано підходи для оцінки впливу новітніх технологій на управління складською логістикою та досягнення сталого розвитку складського господарства. The article discusses current trends in warehouse logistics, such as automation, digitalization, omnichannel, environmental sustainability, and the growth of e-commerce. The main challenges of the industry include high automation costs, insufficient staff qualifications to work with innovative technologies, difficulties in adapting to global changes in supply chains, and the need to comply with environmental standards. The article analyzes the latest research on the use of intelligent systems, big data, artificial intelligence (AI) and the Internet of Things (IoT) to optimize warehouse operations.
  • Thumbnail Image
    Item
    Математична модель рекомендаційної системи з врахуванням емоційного забарвлення коментарів у якості контексту
    (ЦНТУ, 2018) Шингалов, Д. В.; Мелешко, Є. В.; Минайленко, Р. М.; Резніченко, В. А.; Мелешко, Е. В.; Минайленко, Р. Н.; Резниченко, В. А.; Shyngalov, D.; Meleshko, Ye.; Mynaylenko, R.; Reznichenko, V.
    У статті пропонується математична модель рекомендаційної системи, у якій у якості контексту використовується аналіз емоційного забарвлення коментарів стосовно об’єктів рекомендацій. При відсутності явного зворотного зв’язку аналіз контексту значно підвищує точність рекомендацій та якість прогнозування вподобань користувачів. В статье предлагается математическая модель рекомендательной системы, в которой в качестве контекста используется анализ эмоциональной окраски комментариев относительно объектов рекомендаций. При отсутствии явной обратной связи анализ контекста значительно повышает точность рекомендаций и качество прогнозирования предпочтений пользователей. The article proposes the mathematical model of a recommendation system, in which a sentiment-analysis of comments related to a objects of recommendations is used as the context. An attempt is made to draw the mathematical model based on matrix calculations for the further creation of a context-oriented advisory system. In addition, an analysis of the feasibility of using the factorization model method to contextual filtration is used. The paper investigates the structure of the recommendation system, in which the analysis of the emotional color of the comments to the objects of the recommendation is taken into account as a context. In the absence of explicit feedback, context analysis greatly improves the accuracy of the recommendations and the quality of prediction of user benefits. An attempt is also to deduce a mathematical model describing the work of such a recommendation system. Row down algorithms and the use of factoring machines for data processing are considered in data conditions without explicit response. Further practical application of hybrid joint filtration is considered as a solution to the practical implementation of the system of recommendations. Rating models have huge potential for solving common filtration tasks, as well as for other subject areas in which there are interactions between objects of different types. Also, the proposed method allows you to change the structure of the model by changing the spaces of the space. The advantage of adding attributes can be applied to real data when modeling user preferences based on the analysis of the comment text. Applying an analysis of the emotional color of the text of comments by social network users on recommended objects can greatly improve the quality of prediction recommendations, and the transition to affine transformations and matrix calculations simplifies the machine complexity of calculations and increases their speed.