ЭФФЕКТИВНОСТЬ АЛГОРИТМОВ ИИ ПРИ ОБРАБОТКЕ ПОТОКОВ ДАННЫХ В РЕАЛЬНОМ ВРЕМЕНИ
Ключевые слова:
Искусственный интеллект (ИИ), Системы реального времени, потоки данных, Машинное обучение, Глубокие нейронные сети, Обучение с подкреплением, интеграция датчиков, Алгоритмы принятия решений, Анализ эффективностиАннотация
В этой статье анализируется эффективность алгоритмов искусственного интеллекта (ИИ) в обработке потоков данных в реальном времени. Цель исследования — определить эффективность различных подходов ИИ, машинного обучения, глубоких нейронных сетей и алгоритмов дополненного обучения в обработке потоков данных в реальном времени. В статье рассматриваются особенности потоков данных, сбора данных с датчиков, фильтрации шума и процессов принятия решений. Алгоритмы ИИ в реальном времени позволяют анализировать потоки данных, увеличивать скорость отклика системы и эффективно использовать ресурсы. Результаты исследования дают практические рекомендации по промышленным роботам, автономным транспортным средствам и умным производственным системам
Библиографические ссылки
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press.
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Chen, T., Li, M., & Smola, A. J. (2015). Big data and AI for autonomous systems: Methods and applications. Journal of Robotics and Autonomous Systems, 70, 1–12. https://doi.org/10.1016/j.robot.2015.03.001
Camacho, E. F., & Bordons, C. (2013). Model predictive control (2nd ed.). Springer.
Paden, B., Čáp, M., Yong, S. Z., Yershov, D., & Frazzoli, E. (2016). A survey of motion planning and control techniques for self-driving urban vehicles. IEEE Transactions on Intelligent Vehicles, 1(1), 33–55.
Thrun, S., Burgard, W., & Fox, D. (2021). Probabilistic robotics (2nd ed.). MIT Press.
Levine, S., Finn, C., Darrell, T., & Abbeel, P. (2016). End-to-end training of deep visuomotor policies. Journal of Machine Learning Research, 17(39), 1–40.
Gao, F., & Wang, J. (2018). Sensor fusion techniques for autonomous robots: A review. Robotics and Autonomous Systems, 107, 11–23. https://doi.org/10.1016/j.robot.2018.02.003
Bifet, A., & Gavaldà, R. (2007). Learning from time-changing data with adaptive windowing. Proceedings of the 2007 SIAM International Conference on Data Mining, 443–448.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Отабек Эргашев, Исломжон Исмоилов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
