Ural Federal University
Institutional repository of Ural Federal University named after the first President of Russia B.N.YeltsinNot a member yet
133564 research outputs found
Sort by
Study of deep learning methods for biomarker analysis in retinal optical coherence tomography images for differential diagnosis of eye diseases
No full textВ работе рассматривается автоматизация дифференциальной диагностики офтальмологических заболеваний на основе ОКТ-изображений. Новизна заключается в комплексном подходе, объединяющем ViT и LLM для автоматической генерации диагнозов. Цель — создание системы, выявляющей 8 биомаркеров и генерирующей три диагноза (точность Top-3 94%). Для достижения цели ViT используется для анализа ОКТ и мультиклассовой классификации биомаркеров, а LLM — для формирования диагнозов на основе выявленных маркеров. Этот подход обеспечивает высокую точность дифференциальной диагностики, адаптирован к ограниченным данным и открывает перспективы для улучшения офтальмологической помощи.The work considers the automation of differential diagnosis of ophthalmic diseases based on OCT images. The novelty lies in a comprehensive approach combining ViT and LLM for automatic generation of diagnoses. The goal is to create a system that identifies 8 biomarkers and generates three diagnoses (Top-3 accuracy 94%). To achieve the goal, ViT is used for OCT analysis and multi-class classification of biomarkers, and LLM is used for forming diagnoses based on the identified markers. This approach provides high accuracy of differential diagnosis, is adapted to limited data, and opens prospects for improving ophthalmic care
Analysis and development of an automatic eeg processing system using machine learning methods
No full textВ работе рассматривается применение методов машинного обучения для автоматической обработки электроэнцефалограмм (ЭЭГ) позволяет значительно повысить точность и эффективность диагностики неврологических состояний по сравнению с традиционными методами анализа для улучшения качества медицинской помощи и снижения нагрузки на медицинский персонал. Цель работы – разработка и внедрение системы автоматической обработки электроэнцефалограмм (ЭЭГ) с использованием методов машинного обучения. Поставлены следующие задачи: 1) провести анализ литературы и выбрать инструментарий для проведения исследования; 2) провести анализ известных наборов данных и собрать собственный набор данных; 3) проверить модели для решения задачи классификации; 4) провести сравнительный анализ разработанных моделей и выбрать наиболее точную и эффективную модель для дальнейшего использования.The paper discusses the use of machine learning methods for automatic processing of electroencephalograms (EEG) to significantly improve the accuracy and efficiency of diagnosing neurological conditions compared to traditional analysis methods to improve the quality of medical care and reduce the burden on medical personnel. The purpose of the work is to develop and implement a system for automatic processing of electroencephalograms (EEG) using machine learning methods. The following tasks are set: 1) to analyze the literature and select tools for the study; 2) to analyze known data sets and collect our own data set; 3) to test models for solving the classification problem; 4) to conduct a comparative analysis of the developed models and select the most accurate and effective model for further use
Development of sales forecasting models for digital ecosystems and marketplaces
No full textЦель работы – анализ моделей машинного обучения, направленных на прогнозирование продаж в цифровых экосистемах и маркетплейсах, разработка гибридного подхода. Объектом исследования является рассмотрение методов прогнозирования продаж в рамках работы отечественного маркетплейса - Золотое Яблоко. Рассматриваются модели машинного обучения, позволяющие строить краткосрочные прогнозы выручки, на основе которых бизнес принимает стратегические решения в ведении бизнеса. Рассмотрены модели – CatBoost, Linear-Regression, Linear Regression-CatBoost, LSTM ,CNN-LSTM. Оценена точность предсказания применяемых моделей ML.The aim of the work is to analyze machine learning models aimed at sales forecasting in digital ecosystems and marketplaces and to develop a hybrid approach. The object of the study is to consider methods of sales forecasting within the work of the domestic marketplace - Golden Apple. Machine learning models are considered, which allow to build short-term revenue forecasts, on the basis of which the business makes strategic decisions in the conduct of business. CatBoost, Linear-Regression, Linear Regression-CatBoost, LSTM, CNN-LSTM models are considered. The prediction accuracy of the applied ML models is estimated
Predicting the performance of development teams based on the analysis of infrastructure, service, business and product metrics using machine learning towards retailing
No full textВ работе рассматриваются существующие решения для оценки эффективности работы команд разработки и инфраструктуры в ритейл-проектах, а также их интеграция с экономическими показателями. Анализируются методологии (Agile, DevOps, Data-Driven), инструменты (Jira, Prometheus, Grafana) и математические методы (регрессионный анализ, машинное обучение), применяемые для мониторинга и оптимизации процессов. Особое внимание уделяется выявлению пробелов в современных подходах, таких как отсутствие комплексного анализа данных, прогнозирования и учета экономических факторов. Новизна исследования заключается в разработке программного решения, объединяющего метрики разработки, инфраструктуры и экономики в единую систему. Предлагаемый подход включает не только сбор и визуализацию данных, но и их прогнозную аналитику, а также генерацию рекомендаций для команд и руководства. Это позволяет преодолеть ограничения существующих инструментов, обеспечивая более обоснованное принятие решений в условиях динамичного ритейл-сегмента. Цель работы — создание программного продукта для комплексной оценки эффективности команд разработки и инфраструктуры с учетом экономических показателей. Решение направлено на повышение производительности, снижение рисков и оптимизацию бизнес-процессов за счет интеграции данных, их анализа и автоматизированной выдачи рекомендаций. Для реализации цели исследования были выполнены следующие задачи: Проведен анализ методологий (Agile, DevOps, Data-Driven) и инструментов (Jira, Prometheus, Tableau) для выявления их сильных и слабых сторон. Разработано техническое задание, включающее функциональные требования (интеграция данных, прогнозирование, рекомендации) и архитектуру решения (слои данных, аналитики, визуализации). Исследованы математические методы (регрессионный анализ, временные ряды, машинное обучение) для обработки и прогнозирования данных. Определены технологии реализации (Python, Django, React, PostgreSQL, InfluxDB, Scikit-learn), обеспечивающие масштабируемость и удобство использования. В результате предложено решение, которое не только объединяет разрозненные данные, но и предоставляет прогнозы и рекомендации, что делает его ценным инструментом для ритейл-компаний. Перспективы работы включают тестирование на реальных данных, расширение функциональности и внедрение более сложных методов анализа, таких как глубокое обучение.The paper reviews existing solutions for assessing the performance of development and infrastructure teams in retail projects, as well as their integration with economic indicators. It analyzes methodologies (Agile, DevOps, Data-Driven), tools (Jira, Prometheus, Grafana) and mathematical methods (regression analysis, machine learning) used to monitor and optimize processes. Special attention is paid to identifying gaps in current approaches, such as the lack of comprehensive data analysis, forecasting and consideration of economic factors. The novelty of the research lies in the development of a software solution that integrates development, infrastructure and economic metrics into a single system. The proposed approach includes not only data collection and visualization, but also its predictive analytics and generation of recommendations for teams and management. This overcomes the limitations of existing tools, providing more informed decision making in a dynamic retail segment. The goal of the work is to create a software product for comprehensive performance evaluation of development and infrastructure teams, taking into account economic indicators. The solution aims to increase productivity, reduce risks and optimize business processes through data integration, analysis and automated issuance of recommendations. To realize the research objective, the following tasks were performed: Analyzed methodologies (Agile, DevOps, Data-Driven) and tools (Jira, Prometheus, Tableau) to identify their strengths and weaknesses. Developed a statement of work including functional requirements (data integration, prediction, recommendations) and solution architecture (data layers, analytics, visualizations). Mathematical methods (regression analysis, time series, machine learning) for data processing and forecasting are investigated. Implementation technologies (Python, Django, React, PostgreSQL, InfluxDB, Scikit-learn) that ensure scalability and usability were identified. The result is a solution that not only integrates disparate data but also provides forecasts and recommendations, making it a valuable tool for retail companies. Prospects for the work include testing on real data, expanding functionality, and introducing more sophisticated analytics such as deep learning. Translated with DeepL.com (free version)
The use of blm to robotize a contact center for housing and communal services management companies when registering incoming requests from residents
No full textГипотеза исследования: Применение специализированной нейросетевой модели, основанной на методах BLM для роботизации первичной обработки входящих обращений в контакт-центрах управляющих компаний в сфере ЖКХ, позволит достичь точности и скорости классификации, сравнимых с работой живого оператора, что в свою очередь приведет к значительному снижению операционных затрат и повышению качества обслуживания клиентов. Объект исследования: Процессы работы оператора контакт-центра для управляющих компаний в сфере ЖКХ по регистрации входящих обращений жителей. Предмет исследования: Возможность применения BLM для роботизации контакт-центра в сфере ЖКХ с целью распознавания причин обращений жителей, их классификации и регистрации. Цель работы: Проектирование и анализ обучения нейросети, способной распознавать и классифицировать причины обращений с точностью, сравнимой с показателями живого оператора. Методы исследования: - Методы системного анализа позволяют структурировать и формализовать исследуемую систему, выявлять её компоненты и взаимосвязи, а также моделировать динамику процессов. - Методы анализа данных и алгоритмы машинного обучения применяются для обработки больших объемов данных, выявления закономерностей и построения предсказательных моделей на основе исторических обращений. - Методы обработки естественного языка (NLP) обеспечивают автоматический анализ текстовых данных, включая токенизацию, морфологический и синтаксический анализ, а также семантическое моделирование. - Модели нейросетевого анализа для автоматической классификации и обработки запросов основаны на архитектурах глубокого обучения, что позволяет с высокой точностью извлекать ключевые признаки из текста. - Теория принятия решений и экспертных систем используется для разработки логики маршрутизации обращений и определения приоритетов их обработки, что повышает общую эффективность системы. Научная новизна: Впервые предлагается модель автоматизированного оператора контакт-центра ЖКХ, способного анализировать обращения клиентов, распознавать причину обращения. Исследование направлено на адаптацию существующих NLP- и ML-методов для полного замещения операторов в операционных задачах клиентского сервиса и технической поддержки. Практическая значимость: Разработанная система позволит снизить нагрузку на контакт-центр, автоматизировать процесс обработки обращений жителей и снизить издержки на оплату труда сотрудников контакт-центра, при увеличении количества клиентов (масштабировании).The hypothesis of the study: The use of a specialized neural network model based on BLM methods for robotizing the primary processing of incoming calls in the contact centers of management companies in the housing and communal services sector will achieve classification accuracy and speed comparable to the work of a live operator, which in turn will lead to a significant reduction in operating costs and an improvement in the quality of customer service. The object of the study is the work processes of the contact center operator for housing and communal services management companies to register incoming requests from residents. The subject of the study is the possibility of using BLM to robotize a contact center in the housing and communal services sector in order to recognize the reasons for residents' complaints, classify them and register them. The purpose of the work: Designing and analyzing the training of a neural network capable of recognizing and classifying the causes of requests with an accuracy comparable to that of a live operator. Research methods: - Methods of system analysis allow structuring and formalizing the system under study, identifying its components and interrelations, as well as modeling the dynamics of processes. - Data analysis methods and machine learning algorithms are used to process large amounts of data, identify patterns, and build predictive models based on historical data. - Natural language processing (NLP) methods provide automatic analysis of text data, including tokenization, morphological and syntactic analysis, as well as semantic modeling. - Neural network analysis models for automatic classification and query processing are based on deep learning architectures, which allows you to extract key features from text with high accuracy. - The theory of decision-making and expert systems is used to develop a logic for routing requests and prioritizing their processing, which increases the overall efficiency of the system. Scientific novelty: For the first time, a model of an automated operator of a housing and communal services contact center is proposed, capable of analyzing customer requests and recognizing the reason for the request. The research is aimed at adapting existing NLP and ML methods to completely replace operators in the operational tasks of customer service and technical support. Practical significance: The developed system will reduce the load on the contact center, automate the process of processing residents' requests and reduce the cost of paying the staff of the contact center, while increasing the number of customers (scaling)
Segmentation of road lines in satellite images
No full textThe study addresses the problem of automatic road line segmentation on satellite images using deep learning methods. The novelty of the research lies in the application and adaptation of modern segmentation architectures, including SegFormer, to the task of extracting road infrastructure under diverse landscapes and image resolutions. The objective is to develop a model for road line segmentation on satellite images with the highest possible quality in terms of the IoU metric. To achieve this goal, existing approaches were analyzed, training datasets based on SpaceNet and Massachusetts were prepared, models were trained, and a comparative analysis was conducted using IoU, Accuracy, and APLS metrics.В работе рассматривается задача автоматической сегментации линий дорог на спутниковых изображениях с использованием методов глубокого обучения. Новизна исследования заключается в применении и адаптации современных архитектур сегментации, включая SegFormer, к задаче выделения дорожной инфраструктуры в условиях разнообразного ландшафта и разрешения снимков. разработка модели для сегментации линий дорог на спутниковых изображениях с достижением максимально возможного качества по метрике IoU. Для достижения цели были проанализированы существующие подходы, подготовлены обучающие выборки на основе датасетов SpaceNet и Massachusetts, проведено обучение моделей и сравнительный анализ по метрикам IoU, Accuracy и APLS
A study of the possibilities of using modern recurrent approaches in time series
No full textThe study addresses the task of precipitation forecasting based on time series using a hybrid neural network architecture that combines LSTM and attention mechanisms. The novelty of the research lies in adapting this model to synthetic weather data and subsequently comparing its performance with baseline architectures. The objective of the work is to evaluate the effectiveness of the hybrid approach in comparison with the standalone use of LSTM. To achieve this goal, methods of neural network modeling, backtesting, and accuracy metric evaluation (MSE, MAE, MAPE) were applied.В работе рассматривается задача прогнозирования осадков на основе временных рядов с использованием гибридной нейросетевой архитектуры, объединяющей LSTM и механизм внимания. Новизна исследования заключается в адаптации такой модели к синтетическим погодным данным с последующим сравнением её качества с базовыми архитектурами. Цель работы – оценить эффективность гибридного подхода по сравнению с отдельным использованием LSTM. Для реализации цели были применены методы нейросетевого моделирования, backtesting и оценка метрик точности (MSE, MAE, MAPE)
Building a multimodal name recommender system
No full textThe paper considers an approach to creating a multimodal naming recommendation system. The novelty of the research lies in the use of machine learning methods and models in the task of selecting relevant names. The purpose of the work is to develop a name selection service for a child, which includes the functionality of evaluating the harmony of a name with a surname and patronymic, taking into account the meaning of the name, personal preferences and the ability to exclude undesirable names. To achieve the research goal, the following tasks were performed: a data set was synthetically created, a survey was conducted to obtain the target variable - the euphony rating, signs were identified, various machine learning models were trained, and integration into the name selection service was implemented.В работе рассматривается подход к созданию мультимодальной системы рекомендации имен. Новизна исследования заключается в использовании методов и моделей машинного обучения в задаче выбора релевантных имен. Цель работы - разработка сервиса подбора имени ребенку, включающего в себя функционал оценки благозвучия имени с фамилией и отчеством, учета значения имени, личных предпочтений и возможностью исключить нежелательные имена. Для реализации цели исследования были выполнены задачи: синтетически создан набор данных, проведен опрос для получения целевой переменной - рейтинга благозвучия, определены признаки, обучены разные модели машинного обучения, реализована интеграция в сервис выбора имен
Automated Generation of User Profiles Using Open-Source Intelligence Techniques
No full textThe paper considers the development and research of a method for identifying users of the VKontakte social network based on a text description of the target audience. The novelty lies in the approach to the semantic comparison of query embedding with vector representations of user interests (from subscriptions), taking into account demographic attributes. The goal is to develop a prototype system for searching relevant users in a database for a complex query. The following methods were used: text embedding (SBERT), dimensionality reduction (UMAP), clustering (K-Means), cosine similarity, filtering.В работе рассматривается разработка и исследование метода идентификации пользователей соцсети ВКонтакте по текстовому описанию целевой аудитории. Новизна заключается в подходе к семантическому сопоставлению эмбеддинга запроса с векторными представлениями интересов пользователей (из подписок), с учетом демографических атрибутов. Цель – разработка прототипа системы поиска релевантных пользователей в базе данных по комплексному запросу. Использованы методы: эмбеддинги текста (SBERT), понижение размерности (UMAP), кластеризация (K-Means), поиск по косиносному сходству, фильтрация
Data normalization tool for normative and reference information using large language model
No full textСовременные большие языковые модели способны эффективно выявлять семантическую близость между записями нормативно-справочной информации и объединять дубликаты. Предложены методы и алгоритмы для повышения точности и скорости нормализации данных. В работе представлен инструмент, который на основе векторизации с графовым поиском и последующей проверкой через LLM повышает точность выявления дубликатов. Эксперименты на реальных данных показали рост точности нахождения дубликатов. Результаты подтверждают перспективность применения LLM для автоматизации задач очистки и унификации НСИ.Modern large language models can effectively identify semantic similarity between records of reference information and combine duplicates. Methods and algorithms for determining the accuracy and normalization of data speed are proposed. The paper presents a tool that, based on vectorization with graph search and ensuring verification through LLM, increases the accuracy of duplicate detection. Experiments on changing data with increasing accuracy of duplicate detection. The results confirm the prospects of using LLM for automating the tasks of cleaning and unifying master data
Data sources:
Access Repository Dashboard
Do you manage Institutional repository of Ural Federal University named after the first President of Russia B.N.Yeltsin? Access insider analytics, issue reports and manage access to outputs from your repository in the CORE Repository Dashboard!