Статті
Постійне посилання колекціїhttps://dspace.nuft.edu.ua/handle/123456789/7522
Переглянути
4 результатів
Результати пошуку
Документ Data Mining у адаптивному менеджменті готельно-ресторанного бізнесу(2024) Лявинець, Георгій Михайлович; Губеня, В'ячеслав Олександрович; Люлька, Олександр Миколайович; Ткачук, Юрій МихайловичУ статті досліджено роль Data Mining у адаптивному менеджменті готельно-ресторанного бізнесу. Обґрунтовано актуальність системного застосування Data Mining для підвищення ефективності та стійкості підприємств в умовах мінливого ринку та криз. Визначено ключові напрями застосування, переваги та потенційні проблеми впровадження Data Mining. Представлено чотири кейси ефективного використання Data Mining у галузі.Документ Perspectives of using artificial intelligence elements in bread baking(2023) Makhynko, Valeriy; Makhynko, Liudmyla; Kozyr, OleksandrEnterprises of bread baking sector produce traditional everyday products and, at the same time, this sector remains one of the most conservative ones. There are always new types of raw materials and additives on the market, but new recipes are developed traditionally based on the results of test baking. However, a technologically justified solution is not always optimal regarding nutritional value. The purpose of this work is consideration of the possibilities and prospects of using elements of artificial intelligence (AI) in bread baking based on examples from other sectors of the food industry and study the AI’s ability to analyze and evaluate (categorise) existing recipes of bread products. The initial stage of AI use is machine learning (ML), but today there are no unified electronic databases that can be used to fulfil the task. We took approved collections of recipes as the basis for filling such databases. In addition, technologically acceptable variations of the main recipe components and their mutual substitution were carried out. The base was analyzed using Microsoft Azure Machine Learning service and Google Cloud Machine Learning Engine. Normalised database with 5,000 variants of recipes of bakery products that can be manufactured in conditions of both large industrial companies and small bakeries were created. The ML showed that the system effectively determines the main components of recipes and can independently, with high accuracy, classify recipes entered by the user into categories “bread” or “enriched bread”. The work showed the possibility and viability of using AI elements in the baking industry. The database can be used to design new bakery products with specified recipe composition and (after improvement) to model applications with specified chemical composition or biological value. Хлібопекарська галузь, випускаючи продукти традиційного повсякденного вживання, водночас є однією з найбільш консервативних. На ринку постійно з’являються нові види сировини та добавок, але розроблення нових рецептур відбувається традиційним способом за результатами пробних випікань. При цьому технологічно виправдане рішення не завжди є оптимальним з позиції харчової цінності (і навпаки). Метою роботи є розгляд можливостей та перспектив використання елементів штучного інтелекту (ШІ) в хлібопеченні на прикладі інших галузей харчової промисловості, вивчення спроможності ШІ до аналізу та оцінювання (категоризації) вже існуючих рецептур хлібних виробів. Початковим етапом використання ШІ є проведення машинного навчання (МН), але на сьогодні відсутні уніфіковані електронні бази даних, що можуть бути використані для вирішення поставленого завдання. За основу для їх наповнення нами було взято затверджені збірники рецептур. Додатково провели технологічно допустиме варіювання основних рецептурних компонентів та їх взаємозаміну. Аналіз створеної бази здійснювали за допомогою Microsoft Azure Machine Learning та Google Cloud Machine Learning Engine. Створено електронну нормалізовану базу з близько 5 тис. варіантів рецептур хлібобулочних виробів, що можуть виготовлятися в умовах як великих промислових підприємств, так і пекарень. Результати МН показали, що система ефективно визначає основні компоненти рецептури, а також здатна самостійно з високою точністю класифікувати введені користувачем рецептури за категоріями «хліб» чи «здобні вироби». Показано можливість і перспективність використання елементів ШІ у хлібопекарській галузі. Створена база може бути використана для проєктування нових хлібобулочних виробів із заданим рецептурним складом, а також (після доопрацювання) — для моделювання виробів, що матимуть заданий хімічний склад чи біологічну цінність.Документ Iterative methodology of bankruptcy forecast of logistic companies in emerging markets, taking into account global/regional crisis(2020) Hrashchenko, Iryna; Krasnyuk, Maxim; Krasniuk, SvitlanaTaking into account the globalized, regional, sectoral and pre-crisis specific of the above mentioned task of FA, it is relevant to critically analyze the main methods (and practice of their use) of financial analysis in order to to develop an complex iterative script methodology of FA for LC on emergent markets in pre-crisis or crisis conditions. Summarizing the comprehensive analysis of existing and used methods of FA for LC, and given the author's practical industry experience, it can be confidently stated that no existing algorithm of FA can not give an adequate forecast of the financial status of LC applicable at all stages of the LC life cycle and all phases of a possible crisis in emerging markets. In this article, the important and urgent task is solved: the development of a step-by-step iterative integrated methodology of financial analysis and forecasting the bankruptcy of a logistics company on emergent markets in pre-crisis and crisis conditions, applicable at all stages of the LC life cycle and all phases of a possible crisis.Документ Застосування алгоритмів машинного навчання в імовірнісно-статистичних моделях для прогнозування та розрахунку процесів озонування(2019) Захаров, Володимир Володимирович; Устінов, Олександр А.; Змієвський, Юрій Григорович; Мирончук, Валерій ГригоровичУ статті представлено розроблену авторами ймовірнісно-статистичну модель для розрахунку та прогнозування ефективності процесів озонування із застосуванням технології «машинного навчання». Модель реалізовано у вигляді програмного забезпечення. В основі розрахункового алгоритму лежить теорема Баєса. Код програми написано на мовах Python 2.6.8 та Bash. Запропоновано чотири класи, які відповідають певному відсотку розчиненого озону в рідкій фазі, оскільки цей показник — один з головних параметрів при визначенні ефективності процесу озонування. Принцип формування навчальної вибірки полягає у створенні набору подій, у яких сукупність значень обраних параметрів відповідає певному класу. Після проведення статистичного аналізу розподілів імовірностей різних параметрів за класами з’ясовано, що на процес озонування найбільше впливають концентрація озону в озоно-газовій суміші і температура. У результаті проведеного дослідження побудовано ймовірнісно-статистичну модель із застосуванням технології «машинного навчання» та проведено апробацію моделі для процесу озонування. Модель дає змогу визначити ефективність процесу озонування залежно від заданих значень темпе - ратури та концентрації озону в озоно-газовій суміші. У межах значень температури 0... 35°С та початкової концентрації озону 20.240 г/м3 точність прогнозу становить 91%. Також у програмі реалізовано функцію «машинного навчання» на принципі «Supervised Learning» додатковим модулем, який після визначення користувачем розчиненого озону видає запит на підтвердження правильності отриманих результатів. Якщо користувач підтверджує правильність класифікації, то задана подія вноситься до навчальної вибірки як достовірна. Представлена модель може бути адаптована для моделювання широкого класу задач, пов ’язаних з баромембранними процесами. The paper presents the probabilistic and statistical model developed by the authors for calculating and predicting the efficiency of ozonation processes using the technology of “machine learning”. The model is implemented as a software. The basis of the calculation algorithm is Bayes’ theorem. The program code is written in Python 2.6.8 and Bash. There were proposed 4 classes that correspond to a certain percentage of dissolved ozone in the liquid phase, since this index is one of the main parameters in determining the effectiveness of the ozonation process. The principle of forming a training sample is to create a set of events in which the set of values of the selected parameters correspond to a certain class. As a result of the statistical analysis of the probability distribution of various parameters in classes, it was found that ozone concentration in the ozone-gas mixture and temperature are most affected by the ozonation process. The more events are present in the training sample, the more precisely the classification takes place. The result of the work is a probabilistic-statistical model using the technology of “machine learning” (expert system) and testing of this model for the ozonation process. The model allows to determine the efficiency of the ozonation process depending on the given values of temperature and ozone concentration in the ozone-gas mixture. Within the limits of the temperature 0...35°С and the initial concentration of ozone 20...240 g/m3, the accuracy of the forecast is 91%. Also, the program has implemented the function of machine learning on the principle of “Supervised Learning”. It is implemented by an additional module, which, after the determination of the user of dissolved ozone, asks for confirmation of the correctness of the results. If the user confirms the correctness of the classification, then the given event is entered into the training sample. The presented model can be adapted to simulate a wide range of tasks related to barometric processes.