http://repository.ukd.edu.ua/xmlui/handle/123456789/2031 2026-05-25T06:34:18Z 2026-05-25T06:34:18Z Demchyna, Mykola http://repository.ukd.edu.ua/xmlui/handle/123456789/2230 2026-05-23T00:00:33Z 2025-01-01T00:00:00Z

Analysis of integrated real-time decision support systems based on neural networks and low-structured data Demchyna, Mykola The study aimed to analyse and substantiate effective methods for analysing inefficiently structured data using neural networks to provide operational decision support in complex environments. The focus was on the use of artificial neural networks to analyse inefficiently structured data, such as sensor streams, to ensure efficiency, accuracy and adaptability in a dynamic environment. The research is aimed at creating innovative models and technologies that will improve the efficiency of management in complex situations, such as emergency response, process automation in critical industries and decision-making based on predictive analytics. The study investigated conceptual approaches to the development of integrated real-time decision support systems based on the analysis of poorly structured data using neural networks. The study proposed methods of adaptive learning that allow neural networks to process data efficiently in the face of constant changes. The research methodology included modelling a real-time architecture using a microservice approach and streaming data processing platforms such as Apache Kafka and Apache Flink. The study highlighted the role of neural networks in processing streaming data, in particular, convolutional networks for processing visual information, recurrent networks for sequence analysis, and transformers for multichannel analysis. Architectural solutions were developed that allow the processing of large amounts of data with minimal delays, ensuring the accuracy and adaptability of systems. The study presented approaches to the implementation of adaptive training of neural networks that minimise the risks of losing model relevance in a dynamic environment. The use of modern technologies, such as artificial neural networks, adaptive learning and integration with the Internet of Things, was used to create effective systems for rapid response to emergencies. The proposed methods help increase the efficiency of management in difficult conditions and create new prospects for innovation in various industries. Метою цієї роботи було дослідження та обґрунтування ефективних методів аналізу слабоструктурованих даних з використанням нейронних мереж для забезпечення оперативної підтримки прийняття рішень у складних середовищах. Основну увагу приділено використанню штучних нейронних мереж для аналізу слабоструктурованих даних, таких як сенсорні потоки, для забезпечення оперативності, точності та адаптивності в умовах динамічного середовища. Дослідження спрямоване на створення інноваційних моделей і технологій, які дозволять підвищити ефективність управління у складних ситуаціях, таких як реагування на надзвичайні події, автоматизація процесів у критичних галузях і прийняття рішень на основі прогнозної аналітики. У роботі досліджено концептуальні підходи до розробки інтегрованих систем підтримки прийняття рішень у реальному часі, які базуються на аналізі слабоструктурованих даних за допомогою нейронних мереж. Запропоновано методи адаптивного навчання, що дають змогу нейронним мережам ефективно обробляти дані в умовах постійних змін. Методологія дослідження включала моделювання архітектури реального часу з використанням мікросервісного підходу та платформ для потокової обробки даних, таких як Apache Kafka і Apache Flink. Висвітлено роль нейронних мереж у роботі з потоковими даними, зокрема згорткових мереж для обробки візуальної інформації, рекурентних мереж для аналізу послідовностей і трансформерів для багатоканального аналізу. Розроблено архітектурні рішення, які дозволяють обробляти великі обсяги даних із мінімальними затримками, забезпечуючи точність і адаптивність систем. Представлено підходи до реалізації адаптивного навчання нейронних мереж, що мінімізують ризики втрати релевантності моделі в динамічному середовищі. Використання сучасних технологій, таких як штучні нейронні мережі, адаптивне навчання та інтеграція з інтернетом речей, дозволяє створювати ефективні системи для оперативного реагування на надзвичайні події. Запропоновані методи сприяють підвищенню ефективності управління у складних умовах і відкривають нові перспективи для інновацій у різних галузях. Mykola Demchyna. Analysis of integrated real-time decision support systems based on neural networks and low-structured data = Аналіз інтегрованих систем підтримки прийняття рішень у реальному часі на основі нейронних мереж та слабоструктурованих даних // Information Technologies and Computer Engineering, 2025, 22(1), 20-25: table 2. ORCID: https://orcid.org/0009-0002-9161-4843

2025-01-01T00:00:00Z Demchyna, Mykola Styslo, Taras Vashchyshak, Serhii http://repository.ukd.edu.ua/xmlui/handle/123456789/2229 2026-05-23T00:00:29Z 2024-01-01T00:00:00Z

Optimisation of intelligent system algorithms for poorly structured data analysis Demchyna, Mykola; Styslo, Taras; Vashchyshak, Serhii Integration of heterogeneous types of medical data using modern deep learning methods can improve the accuracy and efficiency of diagnosing complex diseases, such as cardiovascular diseases, which is relevant for personalised medicine and reducing the risk of medical errors. The study aimed to present the development of a decision support system for improving the diagnosis of cardiovascular diseases by integrating heterogeneous types of medical data. To create the knowledge base, data from real clinical scenarios were used, which underwent the stages of cleaning, standardisation, and semantic analysis using specialised medical dictionaries. The system demonstrated high efficiency due to its ability to integrate text, image and signal data into a single analysis process. The efficiency was evaluated by such metrics as accuracy, completeness, F1-score, and predictive values of positive and negative results. The introduction of transformers ensured a 15% increase in diagnostic accuracy compared to traditional methods, and the use of a hybrid computing approach reduced model training time by 30% and enabled the processing of up to 1 TB of data per day. Additionally, the integration of heterogeneous types of medical data into the system has improved the personalisation of diagnostics, accounting for individual patient characteristics such as medical history, genetic factors, or comorbidities. Transformer attention mechanisms improved resistance to noise and data gaps, which ensures reliable results even with incomplete or inaccurate information. Optimisation of the models reduced delays in data processing, which is critical for prompt clinical decision-making. In addition, transformers have proven their ability to dynamically scale to process new types of data without losing efficiency, opening opportunities for further expansion of the system’s functionality. The system has also increased the productivity of clinical specialists by automating routine tasks, allowing doctors to focus on more complex aspects of treatment. Інтеграція різнорідних типів медичних даних із використанням сучасних методів глибокого навчання дозволяє підвищити точність та ефективність діагностики складних захворювань, таких як серцево-судинні, що має вирішальне значення для персоналізованої медицини та зниження ризику медичних помилок. Метою роботи було представити розробку системи підтримки прийняття рішень, спрямованої на покращення діагностики серцево-судинних захворювань шляхом інтеграції різнорідних типів медичних даних. Для створення бази знань були використані дані реальних клінічних сценаріїв, що пройшли етапи очистки, стандартизації та семантичного аналізу за допомогою спеціалізованих медичних словників. Система продемонструвала високу ефективність завдяки здатності інтегрувати текстові, зображувальні та сигнальні дані в єдиний процес аналізу. Ефективність оцінювалася за такими метриками, як точність, повнота, F1-score, а також прогностичні значення позитивних і негативних результатів. Впровадження трансформерів забезпечило підвищення точності діагностики на 15 % порівняно з традиційними методами, а використання гібридного підходу до обчислень дозволило скоротити час навчання моделей на 30 % і обробляти до 1 ТБ даних на добу. Додатково, інтеграція різнорідних типів медичних даних у системі дала змогу покращити персоналізацію діагностики, враховуючи індивідуальні особливості пацієнтів, такі як анамнез, генетичні фактори чи супутні захворювання. Завдяки механізмам уваги трансформерів система демонструє стійкість до шуму та пропусків у даних, що забезпечує надійність результатів навіть за умови неповної або неточної інформації. Оптимізація моделей сприяла зменшенню затримок в обробці даних, що є критично важливим для оперативного прийняття клінічних рішень. Крім того, трансформери довели свою здатність динамічно масштабуватися для обробки нових типів даних без втрати ефективності, відкриваючи можливості для подальшого розширення функціоналу системи. Система також підвищила продуктивність клінічних фахівців завдяки автоматизації рутинних завдань, що дозволило лікарям зосередитися на складніших аспектах лікування. Mykola Demchyna, Taras Styslo, Serhii Vashchyshak Optimisation of intelligent system algorithms for poorly structured data analysis = Оптимізація алгоритмів інтелектуальних систем для аналізу слабоструктурованих даних // Вісник Черкаського державного технологічного університету. 2024. Т. 29, № 4. С. 21-31: table 2. ORCID: https://orcid.org/0009-0002-9161-4843

2024-01-01T00:00:00Z Стисло, Тарас Романович Стисло, Оксана Василівна Демчина, Микола Миколайович Білоус, Василь Васильович http://repository.ukd.edu.ua/xmlui/handle/123456789/2228 2026-05-23T00:00:31Z 2024-01-01T00:00:00Z

Архітектура та методологія інтеграційного фреймворку для розробки програмного забезпечення на основі концепції Viewpoints Стисло, Тарас Романович; Стисло, Оксана Василівна; Демчина, Микола Миколайович; Білоус, Василь Васильович В роботі представлено структуру ViewPoints для розподіленої багатонапрямленої розробки програмного забезпечення, наведено структурні елементи фреймворку, ViewPoints і шаблони ViewPoint, представлено можливості підтримки ViewPoint-Oriented Software Engineering (VOSE), а також представлено розробку методів у структурі ViewPoints і досліджено як метод розробляється та створюється розробниками і подається як інженерний процес, що впливає на спосіб використання методу. In this work, the issue of managing the complexity of the division of problems and integrated, systematic software development is considered. The paper describes the complexity of software development as a "many viewpoint problem" and sets the limits within which the problem can be solved. Attempts to reconcile the desired separation of concerns provided by the framework with the integration required for systematic software development are also considered. This alignment is achieved by using multiple perspectives during development, which ensures integration of the methods by which these perspectives are developed. The paper presents the ViewPoints framework for distributed multi-directional software development, detailing the structural elements of the framework, ViewPoints, and ViewPoint templates. It demonstrates the capabilities of supporting ViewPoint-Oriented Software Engineering (VOSE) and introduces the development of methods within the ViewPoints structure. The study explores how a method is developed and constructed by developers, presenting it as an engineering process that influences how the method is utilized. A ViewPoint-oriented approach to method development is also proposed. In the context of the ViewPoints framework, methods consist of ViewPoint templates connected by rules between ViewPoints. The role of the method developer involves selecting appropriate ViewPoint templates that constitute the method, and then describing their individual representation styles and working plans. This method development process can also involve the reuse (and typically adaptation) of existing ViewPoint templates Стисло Т., Стисло О., Демчина М., Білоус В. Архітектура та методологія інтеграційного фреймворку для розробки програмного забезпечення на основі концепції Viewpoints =Architecture and methodology of an integration framework for software development based on the viewpoints concept // Вимірювальна та обчислювальна техніка в технологічних процесах: міжнародний науково-технічний журнал, 2024. №2. С. 65-73: рис.10.

2024-01-01T00:00:00Z Маковишин, Володимир Ігорович Демчина, Микола Миколайович http://repository.ukd.edu.ua/xmlui/handle/123456789/2034 2026-03-04T01:00:39Z 2024-01-01T00:00:00Z

Підвищення термоелектричних властивостей парофазних конденсатів SnTе за допомогою методів штучного інтелект Маковишин, Володимир Ігорович; Демчина, Микола Миколайович У статті досліджуються можливості підвищення термоелектричних властивостей станум телуриду ( SnTe) за допомогою сучасних методів штучного інтелекту. SnTe—напівпровідниковий матеріал із кристалічною структурою NaCl, вузькою забороненою зоною (~0,2 еВ) і високою концентрацією носіїв заряду, широко використовується для створення термоелектричних елементів р-типу провідності. Однак ефективність SnTe обмежується структурними дефектами, зокрема вакансіями стануму, що впливає на електропровідність (σ), коефіцієнт Зеєбека (S) та термоелектричну потужність (SІσ).Методи машинного навчання та генеративні алгоритми дозволяють прогнозувати властивості матеріалу й оптимізувати умови синтезу, скорочуючи час і витрати. Використовуючи нейронні мережі, змодельовано зв’язки між складом, морфологією та термоелектричними характеристиками. Це дозволило створити нові склади SnTе легуючими елементами (галлій, бісмут), які демонструють покращені властивості. Методологія включала осадження плівок SnTe (40–800 нм), аналіз морфології атомно-силовою мікроскопією та дифрактометрією, створення навчальних наборів даних. Генетичні алгоритми використовувались для пошуку оптимальних складів, а моделі комп’ютерного зору автоматизували аналіз поверхонь, визначаючи оптимальну орієнтацію нанокристалів для мінімізації теплового опору. Результати показали підвищення електропровідності до ~ 12·10і Ом⁻№·см⁻№, коефіцієнта Зеєбека до ~85 мкВ/К і термоелектричної потужності до ~25 мкВт/КІ·см (покращення на 39–50%). Оптимізація товщини плівок і розподілу нанокристалів суттєво вплинула на зниження теплових втрат. Отримані результати відкривають перспективи застосування SnTe у високоефективних термоелектричних генераторах, охолоджувальних системах, промисловій утилізації тепла та відновлюваній енергетиці. The article explores the potential for enhancing the thermoelectric properties of tin telluride (SnTe) usingmodern artificial intelligence methods. SnTe, a semiconductor material with a NaCl crystalstructure, a narrowbandgap (~0.2 eV), and a high carrier concentration, is widely used to create thermoelectric elements with p-typeconductivity. However, the efficiency of SnTe is limited by structural defects, particularly tin vacancies, whichaffectelectrical conductivity (σ), the Seebeck coefficient (S), and thermoelectric power (S²σ). Machine learningmethods and generative algorithms enable the prediction of material properties and optimization of synthesisconditions, significantly reducing timeand costs. Using neural networks, complex relationships betweencomposition, morphology, and thermoelectric characteristics were modeled. This approach resulted in new SnTecompositions with doping elements (gallium, bismuth), demonstrating improved performance.The methodologyincluded the deposition of SnTe films (40–800 nm), morphological analysis using atomic force microscopy anddiffractometry, and the creation of training datasets. Genetic algorithms were appliedto identify optimalcompositions, while computer vision models automated surface analysis, determining the optimal orientation ofnanocrystals to minimize thermal resistance.The results showed an increase in electrical conductivity up to ~12·10³Ω⁻¹·cm⁻¹,a Seebeck coefficient of ~85 μV/K, and thermoelectric power of ~25 μW/K²·cm (an improvement of 39–50%). Optimizing film thickness and nanocrystal distribution significantly reduced thermal losses. The findingsopen new opportunities for the application ofSnTe in highly efficient thermoelectric generators, cooling systems,industrial heat recovery, and renewable energy. Маковишин В. І., Демчина М. М. Підвищення термоелектричних властивостей парофазних конденсатів SnTе за допомогою методів штучного інтелекту =Enhancement of thermoeltctric properties of vapor-phase condensates SnTe Using al methods // Методи та прилади контролю якості, 2024. №1(52). С. 34-40: рис. 1, табл.3.

2024-01-01T00:00:00Z