Том 7

Permanent URI for this collection

https://ekmair.ukma.edu.ua/handle/123456789/34743

Browse

Browsing Том 7 by Author "Пєчкурова, Олена"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Візуалізація когнітивних станів на основі Raspberry Pi для біологічного зворотного зв’язку в реальному часі за допомогою нейро-комп’ютерного інтерфейсу
    (2024) Волинець, Євген; Хмель, Світлана; Пєчкурова, Олена
    Нейрокомп’ютерний інтерфейс на основі ЕЕГ (Electroencephalography, електроенцефалографія) — це технологія, яка дає змогу встановлювати взаємодію між мозком людини і зовнішніми пристроями, такими як комп’ютери чи робототехніка. Основні принципи такого інтерфейсу: 1. Зчитування електричної активності мозку за допомогою електродів, розміщених на поверхні скальпа. Ці сигнали ЕЕГ відображають коливання потенціалів нейронів. 2. Оброблення та аналіз ЕЕГ-сигналів за допомогою алгоритмів машинного навчання, щоб визначити певні патерни, пов’язані з конкретними розумовими станами чи намірами користувача. 3. Переклад цих розпізнаних патернів у команди для управління зовнішніми пристроями, такими як комп’ютер, протези чи інтерфейси віртуальної реальності. Ключові переваги нейрокомп’ютерних інтерфейсів на основі ЕЕГ — це можливість безпосереднього керування пристроями за допомогою думок та намірів, не вдаючись до традиційних методів введення, наприклад клавіатури чи миші. Це відкриває нові перспективи для людей з обмеженими можливостями, а також для інноваційних застосувань у сферах нейрореабілітації, ігор, віртуальної реальності тощо. У статті описано дослідження можливостей використання ЕЕГ пристрою для збору та візуалізації інформації про когнітивний стан користувача пристрою. Дослідження проводили на електроенцефалографічному приладі Emotiv INSIGHT (5-канальна система електроенцефалографії (EEG) із напівсухими полімерними датчиками), та Raspberry Pi 4B. В рамках дослідження було розроблено прототип, що дає можливість візуалізовувати показники про емоційний і ментальний стан користувача за допомогою LED, що під’єднані до Raspberry Pi.
  • Thumbnail Image
    Item
    Оброблення природної мови за допомоги великих мовних моделей і методів машинного навчання
    (2024) Глибовець, Микола; Задохін, Дмитро; Дехтяр, Богдан-Ярема; Пєчкурова, Олена
    У статті представлено аналіз можливостей великих мовних моделей для вирішення задач NLP. Описано особливості архітектури Transformer, що є основою для сучасних моделей з оброблення природної мови. Розглянуто окремі компоненти архітектури, їхню роль і важливість для роботи з людською мовою. Проведено порівняльний аналіз Transformer та інших наявних моделей для завдання машинного перекладу. Проаналізовано фактори, що дали змогу створювати моделі з мільярдами параметрів — великі мовні моделі. Розглянуто сім’ю моделей Llama від Meta як приклад такої моделі. Особливу увагу було приділено моделям порівняно невеликого розміру, що можуть бути потужним і водночас доступним інструментом для оброблення природної мови. Наразі глибинне машинне навчання і згорткові нейронні мережі (CNN) посідають важливе місце у сфері оброблення природної мови (NLP). Тому в статті оцінено ефективність використання його алгоритмів, моделей і методів для вирішення основних задач на прикладі задачі розпізнавання іменованих сутностей (NER). Наведено методи глибинного навчання, які зробили революцію в NER, надавши можливість набагато краще розуміти контекст, фіксувати залежності на великих відстанях і ефективно використовувати великі обсяги даних. Проведено класифікацію моделей на основі трансформерів, що дають найкращі результати на цей момент. Зараз існує багато моделей, розроблених на основі трансформера. Описано результати порівняння двох із найпоширеніших моделей — BERT (гарні результати у широкому спектрі завдань NLP, зокрема відповіді на запитання, класифікація тексту, висновок природною мовою, передбачення лівого і правого контексту слова) і GPT-3 (великі успіхи, як-от мовне моделювання, генерування тексту й відповіді на запитання). Ці моделі проходять попереднє навчання на великих текстових наборах даних, щоб вивчити фундаментальні мовні уявлення. Обидві моделі активно використовують потенціал тонкого налаштування.