Top.Mail.Ru
Интеллектуальные системы для промышленных предприятий. Технологии умных фабрик и прогнозируемое обслуживание / Издательство МГТУ им. Н. Э. Баумана
  • Главная
  • Каталог
  • Интеллектуальные системы для промышленных предприятий. Технологии умных фабрик и прогнозируемое обслуживание
Скачать прайс-лист
91702106

Интеллектуальные системы для промышленных предприятий. Технологии умных фабрик и прогнозируемое обслуживание

Автор:
А. Ю. Чесалов
интеллектуальные системы Интеллектуальные системы для промышленных предприятий Технологии умных фабрик прогнозируемое обслуживание
Монография Информационные технологии
Бумажная
Электронная
  • Формат: 70x100/16
  • Переплёт: мягкий
  • Год издания: 2026 г.
  • Объём: 234 стр.
  • Объём: 19.01 п.л.
  • Номер издания: 1
  • Вес: 386 г.
  • ISBN: 978-5-7038-6747-1
  • Формат: PDF
  • Объём: 234 стр.
  • Год издания: 2026 г.
  • Номер издания: 1
  • ISBN: 978-5-7038-6747-1

О книге

Приведен комплексный анализ ключевых мировых трендов, определяющих траекторию цифровой трансформации промышленности на ближайшее десятилетие; сформирован перечень приоритетных производственных задач автоматизации во взаимосвязи с современными технологиями и технологиями искусственного интеллекта в условиях перехода от концепции цифровой экономики к экономике данных. Выполнен анализ возможности интеграции искусственного интеллекта с системами управления производством, управления активами предприятия, планирования ресурсов, управления качеством продукции, управления техническим обслуживанием.
Представлены базовая математическая модель снижения неопределенности данных, поступающих с периферийных устройств (датчиков, шлюзов и др.) промышленного Интернета вещей и обрабатываемых в системах прогнозируемого обслуживания и пример программы машинного обучения «EUS Model 1 PdM/Exp», реализующей базовый алгоритм поддержки принятия решений для промышленных автоматизированных систем прогнозируемого обслуживания.
Для широкого круга читателей; будет также полезна руководителям предприятий.
Список литературы
  1. O&M Best Practices Guide, Release 3.0. 2025. URL: https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf (дата обращения 06.09.2025).
  2. Тренды цифровой трансформации в 2025 году: практическое руководство для бизнеса. 2025. URL: https://issoft.by/blog/trendy-cifrovoytransformacii-v-2025-god/ (дата обращения 14.12.2025).
  3. Applying Digital Transformation Trends in Your Business: An Expert Guide for 2025. URL: https://www.coherentsolutions.com/insights/top-digitaltransformation-trends (дата обращения 14.12.2025).
  4. McKinsey Technology Trends Outlook 2025. URL: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-top-trends-in-tech (дата обращения 14.12.2025).
  5. The Future of Jobs Report 2025. URL: https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf (дата обращения 14.12.2025).
  6. Гриневская С.Н. Новые параметры экономики: технологический суверенитет в промышленности // ЭСПР. 2024. № 2 (58). URL: https://cyberleninka.ru/article/n/novye-parametry-ekonomiki-tehnologicheskiysuverenitet-v-promyshlennosti (дата обращения 14.12.2025).
  7. Кочина С.К. Диагностика уровня технологического суверенитета отраслей российской промышленности // Экономическое развитие России. 2023. № 10. URL: https://cyberleninka.ru/article/n/diagnostika-urovnyatehnologicheskogo-suvereniteta-otrasley-rossiyskoy-promyshlennosti (дата обращения 14.12.2025).
  8. Чаруйская М.А. Механизмы достижения технологического суверенитета в стратегических отраслях промышленности // Экономика, предпринимательство и право. 2025. Т. 15. № 7. С. 4611–4626. DOI: https://doi.org/10.18334/epp.15.7.123258 EDN DOORDW.
  9. Кузнецов С.В., Горин Е.А., Имзалиева М.Р. Национальный технологический суверенитет и три уровня кадрового обеспечения промышленности // Экономика и управление. 2023. Т. 29. № 8. С. 938–955. DOI: http://doi.org/10.35854/1998-1627-2023-8-938-955
  10. Палюх Б.В., Чесалов А.Ю. Роль современных технологий искусственного интеллекта в создании и развитии автоматизированных систем прогнозируемого и предписывающего обслуживания в промышленности // Современная наука: актуальные проблемы теории и практики. Сер. Естественные и технические науки. 2025. № 5. С. 147–155. DOI: 10.37882/2223- 2966.2025.05.29
  11. Чесалов А.Ю. Анализ возможности применения модели OpenThinker2-32B в автоматизированных системах прогнозируемого обслуживания для малых и средних промышленных предприятий // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 5. С. 56–70. DOI: https://doi.org/10.18127/j19998554-202505-07
  12. Чесалов А.Ю. Тенденции развития периферийного искусственного интеллекта в автоматизации технологических процессов // Автоматизация в промышленности. 2025. № 7. С. 9–14.
  13. Кравченко А.А. Эволюция технологии цифровых двойников на кривой Гартнер за период 2016–2024 гг. // Научные исследования экономического факультета (электронный журнал). 2025. Т. 17. Вып. 2. С. 88–110. DOI: 10.38050/2078-3809-2025-17-2-88-110
  14. Чесалов А.Ю. Математическая модель снижения неопределенности на основе теории свидетельств Демпстера — Шафера на уровне сбора данных в автоматизированных системах прогнозируемого обслуживания // Динамика сложных систем. 2025. Т. 19. № 4. С. 62–74. DOI: 10.18127/j19997493- 202504-07
  15. Палюх Б.В., Чесалов А.Ю. Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности // «Инжиниринг предприятий и управление знаниями» (ИП&УЗ – 2024): сб. науч. труд. XXVII Российской научной конференции. Москва. 28–29 ноября 2024 г. / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2024. Т. 1. С. 351–357.
  16. Digital transformation in manufacturing market size & share analysis - growth trends and forecast (2025–2030). 2025. URL: https://www.mordorintelligence.com/industry-reports/digital-transformation-market-in-manufacturing (дата обращения 14.12.2025).
  17. Hyperautomation market size & share analysis — growth trends and forecast (2025–2030). 2025. URL: https://www.mordorintelligence.com/industry-reports/hyperautomation-market (дата обращения 14.12.2025).
  18. Cybersecurity market size & share analysis — growth trends and forecast (2025–2030). 2025. URL: https://www.mordorintelligence.com/industry-reports/cyber-security-market (дата обращения 14.12.2025).
  19. The Future of Jobs Report 2025. URL: https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/ (дата обращения 14.12.2025).
  20. Мишустин на ЦИПР-2025 предложил новые меры поддержки отечественного ПО. 2025. URL: https://cifrastroy.ru/news/mishustin-na-tsipr-2025-predlozhil-novye-mery-podderzhki-otechestvennogo-po (дата обращения 14.12.2023).
  21. Григоренко Д. Развитие цифровых технологий – один из стратегических приоритетов России. 2025. URL: https://национальнаяэкономика.рф/2025/11/26/dmitrij-grigorenko-razvitie-cifrovyh-tehnologij-odin-izstrategicheskih-prioritetov-rossii/ (дата обращения 14.12.2025).
  22. Тельнов Ю.Ф., Казаков В.А., Данилов А.В., Денисов А.А. Требования к программной реализации системы Индустрии 4.0 для создания сетевых предприятий // Программные продукты и системы. 2022. Т. 35. № 4. С. 557– 571. DOI: 10.15827/0236-235X.140.557-571
  23. Тельнов Ю.Ф., Казаков В.А., Данилов А.В., Брызгалов А.А. Разработка моделей производственных и бизнес-процессов сетевых предприятий на основе многоагентных систем // Программные продукты и системы. 2023. № 4. С. 632–643. DOI: 10.15827/0236-235X.142.632-643
  24. Роботы разошлись в показателях. 2025. URL: https://www.kommersant.ru/doc/8179876 (дата обращения 14.12.2025).
  25. Цифровизация промышленности. Обзор TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Обзор_Цифровизация_промышленности_в_России_2025 _2025 (дата обращения 14.12.2025).
  26. Цифровизация промышленности в России: ключевые тенденции 2025 года. 2025. URL: https://globus-ltd.ru/blog/237 (дата обращения 14.12.2025).
  27. Михаил Мишустин дал поручения по итогам форума «Цифровые решения». 2025. URL: http://government.ru/news/57274/ (дата обращения 14.12.2025).
  28. Глобальные тренды цифровой трансформации промышленности. 2025. URL: https://www.vedomosti.ru/press_releases/2025/07/17/globalnietrendi-tsifrovoi-transformatsii-promishlennosti (дата обращения 14.12.2025).
  29. Чесалов А.Ю. Применение прорывных технологий искусственного интеллекта в промышленных экосистемах Индустрии 4.0 // Перспективные интеграционные процессы в мировой экономике: нооподход: сб. матер. IX Санкт-Петербургского международного экономического конгресса (СПЭК- 2024) / под общ. ред. С.Д. Бодрунова. М.: ИНИР им. С.Ю. Витте, 2024. Т. 2. С. 176–184.
  30. Галкин Д.И., Чесалов А.Ю. Перспективы цифровой трансформации производителей оборудования неразрушающего контроля на примере опыта НИИИН МНПО «СПЕКТР» // XXIII Всероссийская научно-техническая конференция по неразрушающему контролю и технической диагностике «Умные технологии НК. Единство теории и практики»: сб. тр. 23–25 октября 2023 г. М.: Спектр, 2024. С. 167–170.
  31. Палюх Б.В., Чесалов А.Ю. Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // «Инжиниринг предприятий и управление знаниями» (ИП&УЗ – 2023): сб. науч. тр. XXVI Российской научной конференции. Москва, 29–30 ноября 2023 г. / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2024. С. 256–260.
  32. Lee J., Lapira E., Bagheri B., Kao H. Recent advances and trends in predictive manufacturing systems in big data environment // Manuf Letter. 2013. Vol. 1, iss. 1. Pp. 38–41. 2013. URL: https://www.researchgate.net/publication/262880066_Recent_advances_and_trends_in_predictive_manufacturing_systems_in_big_data_environment (дата обращения 18.03.2025).
  33. Predictive maintenance: techniques and advantages. 2024. URL: https://www.mecalux.com/blog/predictive-maintenance (дата обращения 23.10.2024).
  34. Explore Beyond GenAI on the 2024 Hype Cycle for Artificial Intelligence. URL: https://www.gartner.com/en/articles/hype-cycle-for-artificial-intelligence (дата обращения 16.03.2025).
  35. Галкин Д.И., Ефимов А.Г., Чесалов А.Ю. Перспективы создания цифровой инфраструктуры данных в НК // Территория NDT. 2024 январь– март. С. 62–65.
  36. Болтенков А.А., Сарсенбаев Е.А., Селивёрстов М.В., Каликасов Н.Т. Интеллектуализация процессов контроля и управления электроконтактным нагревом при восстановлении деталей типа диск. DOI: 10.53083/1996-4277-2021-202-08-102-107. URL: https://cyberleninka.ru/article/n/intellektualizatsiyaprotsessov-kontrolya-i-upravleniya-elektrokontaktnym-nagrevom-privosstanovlenii-detaley-tipa-disk (дата обращения 22.03.2025).
  37. The Top 10 Industrial AI use cases. URL: https://iot-analytics.com/thetop-10-industrial-ai-use-cases/ (дата обращения 04.03.2025).
  38. Lee J., Bagheri B., Kao H.A. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems // Manufacturing Letters. 2015. Vol. 3. Pp. 18–23. DOI: 10.1016/j.mfglet.2014.12.001
  39. Мячева О.Д., Ефимова Е.А. Автоматизированная система учета и контроля качества продукции в экспертной лаборатории. URL: https://cyberleninka.ru/article/n/avtomatizirovannaya-sistema-ucheta-i-kontrolyakachestva-produktsii-v-ekspertnoy-laboratorii (дата обращения 16.03.2025).
  40. Predictive maintenance market: 5 highlights for 2024 and beyond. URL: https://iot-analytics.com/predictive-maintenance-market/ (дата обращения 03.03.2025).
  41. Boosting Productivity: The Impact of Predictive Maintenance in Manufacturing. URL: https://praxie.com/predictive-maintenance-inmanufacturing-4/#:~:text=Defining%20Predictive%20Maintenance,Monitoring%20equipment%20in%20real%2Dtime (дата обращения 23.10.2024).
  42. Галкин Д.И., Чесалов А.Ю. Перспективы цифровой трансформации производителей оборудования неразрушающего контроля на примере опыта НИИИН МНПО «СПЕКТР» // XXIII Всероссийская научно-техническая конференция по неразрушающему контролю и технической диагностике «Умные технологии НК. Единство теории и практики»: сб. тр. Москва, 23–25 октября 2023 г. М.: Спектр, 2024. С. 167–170.
  43. Палюх Б.В., Чесалов А.Ю. Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // «Инжиниринг предприятий и управление зна- ниями» (ИП&УЗ – 2023): сб. науч. тр. XXVI Российской научной конференции. Москва, 29–30 ноября 2023 г. / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2024. С. 256–260.
  44. Галкин Д.И., Ефимов А.Г., Чесалов А.Ю. Перспективы создания цифровой инфраструктуры данных в НК // Территория NDT. 2024. Январь– март. С. 62–65.
  45. Using AI in Predictive Maintenance: The Benefits of AI-Assisted Maintenance. URL: https://tractian.com/en/blog/ai-predictive-maintenance (дата обращения 23.10.2024).
  46. Predictive Maintenance. URL: https://www.gofmx.com/predictivemaintenance/ (дата обращения 23.10.2024).
  47. Ideal State of Equipment Maintenance: Technology That Realizes Predictive Maintenance. URL: https://article.murata.com/en-eu/article/technology-torealize-predictive-maintenance (дата обращения 23.10.2024).
  48. What is edge AI? URL: https://www.ibm.com/topics/edge-ai (дата обращения 23.10.2024).
  49. Ucar A., Karakose M., Kirimça N. Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends // Appl. Sci. 2024. Vol. 14. Art. 898. https://doi.org/10.3390/app14020898 (дата обращения 23.10.2024).
  50. Энгель Е.А., Ковалев И.В. Методы и алгоритмы обработки информации нечеткими нейросетями в системах интеллектуальной поддержки принятия решений // Сибирский аэрокосмический журнал. 2007. № 4. URL: https://cyberleninka.ru/article/n/metody-i-algoritmy-obrabotki-informatsiinechetkimi-neyrosetyami-v-sistemah-intellektualnoy-podderzhki-prinyatiyaresheniy (дата обращения 20.09.2025).
  51. Иванов В.К., Палюх Б.В. Демонстратор программной платформы для совместного использования алгоритмов теории свидетельств и нейронных сетей в нечетких системах // Программные продукты и системы / Software & Systems. 2021. № 4 (34). С. 511–523.
  52. Wu Fuhui, Wu Qingbo, Tan Yusong, Xu Xinghua. Remaining Useful Life Prediction Based on Deep Learning: A Survey. URL: https://www.mdpi.com/1424-8220/24/11/3454 (дата обращения 02.04.2025).
  53. Козлова А.И., Ляндау Ю.В. Esg-стандарты для управления устойчивым развитием компании. URL: https://cyberleninka.ru/article/n/esgstandarty-dlya-upravleniya-ustoychivym-razvitiem-kompanii (дата обращения 02.04.2025).
  54. LIME и SHAP. URL: https://habr.com/ru/companies/otus/articles/779430/ (дата обращения 02.04.2025).
  55. Ribeiro M.T., Singh S., Guestrin C. Why Should I Trust You?: Explaining the Predictions of Any Classifier. URL: https://arxiv.org/abs/1602.04938 (дата обращения 02.04.2025).
  56. Lundberg S., Lee Su-In. A Unified Approach to Interpreting Model Predictions. URL: https://arxiv.org/abs/1705.07874 (дата обращения 02.04.2025).
  57. Шелухин О.И., Барков В.В., Симонян А.Г. Обнаружение дрейфа концепта при классификации мобильных приложений с использованием автокодировщиков // Наукоемкие технологии в космических исследованиях Земли. 2023. № 3. URL: https://cyberleninka.ru/article/n/obnaruzheniedreyfa-kontsepta-pri-klassifikatsii-mobilnyh-prilozhenii-s-ispolzovaniemavtokodirovschikov (дата обращения 02.04.2025).
  58. Шелухин О.И., Ванюшина А.В. Сравнительный анализ методов обнаружения нежелательных сетевых приложений в потоковом режиме для обеспечения информационной безопасности // Наукоемкие технологии в космических исследованиях Земли. 2023. № 5. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-metodov-obnaruzheniya-nezhelatelnyh-setevyhprilozheniy-v-potokovom-rezhime-dlya-obespecheniya-informatsionnoy (дата обращения 02.04.2025).
  59. API FIRST — что это поменяло. URL: https://habr.com/ru/companies/T1Holding/articles/730404/ (дата обращения 02.04.2025).
  60. Сафонова Е. Кто первый? Code first и Design first подходы в разработке сайтов. URL: https://www.vipro.ru/articles/who-is-first/ (дата обращения 02.04.2025).
  61. gRPC vs REST, что выбрать для нового сервера? URL: habr.com https://habr.com/ru/articles/565020/ (дата обращения 02.04.2025).
  62. Тищенко Д.А., Приходько Т.А. Алгоритм защиты от состязательных атак в языковых моделях // International Journal of Open Information Technologies. 2024. No. 10. URL: https://cyberleninka.ru/article/n/algoritmzaschity-ot-sostyazatelnyh-atak-v-yazykovyh-modelyah (дата обращения 02.04.2025).
  63. Что такое data‑driven‑подход и как он работает в компаниях: рассказываем на примерах. URL: https://skillbox.ru/media/management/chtotakoe-datadrivenpodkhod-i-kak-on-rabotaet-v-kompaniyakh-rasskazyvaem-naprimerakh/ (дата обращения 02.04.2025).
  64. Pang Guansong, Shen Chunhua, Cao Longbing, van den Hengel A. Deep Learning for Anomaly Detection: A Review // ACM Comput. Surv. January 2020. Vol. 1, iss. 1. Art. 1. 36 p. DOI: https://doi.org/10.1145/3439950
  65. Преимущества Edge AI (из отчета о технологиях EDGE AI). 2025. URL: https://habr.com/ru/articles/872876/ (дата обращения 02.04.2025).
  66. Industrial Automation Market Size, Share & COVID-19 Impact Analysis, By Component (Hardware, Software), By Industry (Discrete Automation, Process Automation), and Regional Forecast, 2022–2029. 2025. URL: https://www.fortunebusinessinsights.com/industry-reports/industrial-automationmarket- 101589 (дата обращения 04.04.2025).
  67. Анализ размера и доли рынка оборудования Edge AI — тенденции роста и прогнозы (2024–2029). 2024. URL: https://www.mordorintelligence.com/ru/industry-reports/edge-ai-hardware-market (дата обращения 04.04.2025).
  68. Global Edge AI Market By Component (Hardware, Software, Edge Cloud Infrastructure, Services), By End-Use Industry (IT & Telecom, Healthcare, Consumer Electronics, Automotive, Government, Manufacturing, Other End-Use Industries), By Region and Companies — Industry Segment Outlook, Market Assessment, Competition Scenario, Trends, and Forecast 2024–2033. 2024. URL: https://market.us/report/edge-ai-market/ (дата обращения 02.04.2025).
  69. Xilinx VERSAL: монстр с NoC’ом // Первый журнал о программной логике. 2019. Сентябрь. URL: https://fpga-systems.ru
  70. Overview of the Versal FPGA Platform. 2024. Май. URL: https://fidus.com/blog
  71. Коробейников А.Г. Применение искусственных нейронных сетей в системах автоматического управления магнитной левитацией // Программные продукты и системы. 2022. № 3. С. 318–323.
  72. Состояние Интернета вещей в 2024 году: количество подключенных устройств Интернета вещей во всем мире вырастет на 13 % и достигнет 18,8 млрд. 2024. URL: https://iotbusinessnews.com/2024/09/04/26399-stateof-iot-2024-number-of-connected-iot-devices-growing-13-to-18-8-billionglobally/#:~:text=The%20global%20IoT%20market%20is,of%20IoT%20Summer%202024%E2%80%9D%20report (дата обращения 02.04.2025).
  73. Виноградова Н.В., Иванов В.К., Палюх Б.В., Сотников А.Н. Совре- менные направления развития и области приложения теории Демпстера — Шафера (обзор) // Искусственный интеллект и принятие решений. 2018. № 4. С. 32–42. DOI: 10.14357/20718594180403. URL: https://www.elibrary.ru/item.asp?id=36643710 (дата обращения 12.05.2025).
  74. Li J., Xie B., Jin Y. Weighted Conflict Evidence Combination Method Based on Hellinger Distance and the Belief Entropy // IEEE Access. 2020. Vol. 8. Pp. 225507–225521.
  75. Палюх Б.В., Чесалов А.Ю. Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // «Инжиниринг предприятий и управление зна- ниями» (ИП&УЗ – 2023): сб. науч. тр. XXVI Российской научной конференции. Москва. 29–30 ноября 2023 г. / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2023. С. 256–260.
  76. Галкин Д.И., Чесалов А.Ю. Перспективы цифровой трансформации производителей оборудования неразрушающего контроля на примере опыта НИИИН МНПО «СПЕКТР» // XXIII Всероссийская научно-техническая конференция по неразрушающему контролю и технической диагностике «Умные технологии НК. Единство теории и практики»: сб. тр. Москва, 23–25 октября 2023 г. М.: Спектр, 2023. С. 167–170.
  77. Галкин Д.И., Ефимов А.Г., Чесалов А.Ю. Перспективы создания цифровой инфраструктуры данных в НК // Территория NDT. Январь–март 2024. С. 62–65.
  78. Коробейников А.Г. Применение искусственных нейронных сетей в системах автоматического управления магнитной левитацией // Программные продукты и системы. 2022. № 3. URL: https://cyberleninka.ru/article/n/primenenie-iskusstvennyh-neyronnyh-setey-v-sistemah-avtomaticheskogoupravleniya-magnitnoy-levitatsiey (дата обращения 17.05.2025).
  79. Mohammed A.H. Real-time data processing in cloud and edge computing // International Journal of Computer Engineering and Technology (IJCET). 2024. Vol. 15, iss. 6. Pp. 1940–1951. DOI: https://doi.org/10.34218/IJCET_15_06_166. 2024. URL: https://iaeme.com/Home/issue/IJCET?Volume=15&Issue=6 (дата обращения 02.04.2025).
  80. Указ Президента Российской Федерации от 30.03.2022 № 166 «О мерах по обеспечению технологической независимости и безопасности критической информационной инфраструктуры Российской Федерации». 2022. URL: http://publication.pravo.gov.ru/Document/View/0001202203300001 (дата обращения 12.05.2025).
  81. Mohammed A.H. Real-time data processing in cloud and edge computing // International Journal of Computer Engineering and Technology (IJCET). 2024. Vol. 15, iss. 6. Pp. 1940–1951.
  82. Палюх Б.В., Чесалов А.Ю. Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности // Инжиниринг предприятий и управление знаниями (ИП&УЗ – 2024): сб. науч. тр. XXVII Российской научной конференции. Москва, 28–29 ноября 2024 г. Т. 1. / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2024. С. 351–357.
  83. Чесалов А.Ю. Применение прорывных технологий искусственного интеллекта в промышленных экосистемах Индустрии 4.0. // Перспективные интеграционные процессы в мировой экономике: нооподход: сб. матер. IX Санкт-Петербургского международного экономического конгресса (СПЭК-2024) / под общ. ред. С.Д. Бодрунова. Т. 2. М.: ИНИР им. С.Ю. Витте, 2024. С. 176–184.
  84. Сытник А.С. Предиктивное обслуживание интеллектуальных технических объектов // Матер. Междунар. форума «Kazan Digital Week – 2020». Казань, 2020. С. 414–419.
  85. Nunes P., Santos J., Rocha E. Challenges in predictive maintenance – A review // CIRP Journal of Manufacturing Science and Technology. 2023. Vol. 40. Pp. 53–67.
  86. Manufacturing: Analytics unleashes productivity and profitability. 2017. URL: https://www.mckinsey.com/capabilities/operations/our-insights/manufacturing-analytics-unleashes-productivity-and-profitability/#/ (дата обращения 03.06.2025).
  87. Ядровская М.В., Поркшеян М.В., Синельников А.А. Перспективы технологии интернета вещей // Advanced Engineering Research (Rostovon- Don), 2021. Vol. 21, no. 2. Pp. 207–217.
  88. Маркеева А.В. Интернет вещей (IoT): возможности и угрозы для современных организаций // Общество: социология, психология, педагогика. 2016. № 2. С. 42–46.
  89. Internet of things: Conceptual network structure, main challenges and future directions // L.B. Furstenau et al. // Digital Communications and Networks. 2023. Vol. 9, no. 3. Pp. 677–687.
  90. Система предиктивной аналитики технического состояния эксгаустера агломашины с помощью методов искусственного интеллекта. А.В. Чернухин и др. // Искусственный интеллект и принятие решений. 2024. №. 3. С. 87–103.
  91. Виноградова Н.В., Иванов В.К., Палюх Б.В., Сотников А.Н. Современные направления развития и области приложения теории Демпстера — Шафера (обзор) // Искусственный интеллект и принятие решений. 2018. № 4. С. 32–42. DOI: 10.14357/20718594180403. 2018. URL: https://www.elibrary.ru/item.asp?id=36643710 (дата обращения 12.05.2025).
  92. Постановление Правительства РФ от 10.09.2009 № 720 (ред. от 15.07.2013, с изм. от 08.04.2014) «Об утверждении технического регламента о безопасности колесных транспортных средств». 2014. URL: https://docs.cntd.ru/document/902174533 (дата обращения 02.06.2025).
  93. Технический регламент таможенного союза ТР ТС 010/2011 «О безопасности машин и оборудования» (с изм. на 24.11.2023). URL: https://docs.cntd.ru/document/902307904 (дата обращения 02.06.2025).
  94. Hamda N.E.I., Hadjali A., Lagha M. Multisensor data fusion in iot environments in Dempster — Shafer theory setting: an improved evidence distancebased approach // Sensors. 2023. Vol. 23, no. 11. Pp. 5141.
  95. A distributed sensor system based on cloud-edge-end network for industrial internet of things / M. Wang et al. // Future Internet. 2023. Vol. 15, no. 5. P. 171.
  96. Wang Hongchao, Zhang Weiting, Yang Dong, Xiang Yuhong. Deeplearning-enabled predictive maintenance in industrial internet of things: methods, applications, and challenges // IEEE Systems Journal. 2022. Vol. 17, no. 2. Pp. 2602–2615. URL: https://ieeexplore.ieee.org/document/9851995 (дата обращения 31.04.2025).
  97. Maktoubian J., Taskhiri M.S., Turner P. Intelligent Predictive Maintenance (IPdM) in Forestry: A Review of Challenges and Opportunities // Forests. 2021. Vol. 12 (11): 1495.URL: https://doi.org/10.3390/f12111495
  98. Wang Ke Sheng. Key Techniques in Intelligent Predictive Maintenance (IPdM) – A Framework of Intelligent Faults Diagnosis and Prognosis System (IFDaPS) // Trans Tech Publications Ltd. Advanced Materials Research. October 2014. Vol. 1039. Pp. 490–505. URL: http://dx.doi.org/10.4028/www.scientific. net/AMR.1039.490 (дата обращения 31.04.2025).
  99. Zhe Li, Yi Wang, Ke-Sheng Wang. Intelligent predictive maintenance for fault diagnosis and prognosis in machine centers: Industry 4.0 scenario // Advances in Manufacturing. 2017. Vol. 5 (4). Pp. 377–387. URL: https://doi.org/10.1007/ s40436-017-0203-8
  100. Dempster — Shafer theory for modeling and treating uncertainty in IoT applications based on complex event processing. E.D.C. Bezerra et al. // Sensors. 2021. Vol. 21, no. 5. P. 1863.
  101. Çavdar T., Ebrahimpour N. Decision-making for small industrial Internet of Things using decision fusion // Turkish Journal of Electrical Engineering and Computer Sciences. 2019. Vol. 27, no. 6. Pp. 4134-4150. URL: https://doi.org/10.3906/elk-1809-60
  102. Lin Zhiming, Tang Songping, Peng Gang. An artificial neural network model with Yager composition theory for transformer state assessment // 2017 IEEE IAEAC. Chongqing, China, 2017. Pp. 652–655. DOI: 10.1109/IAEAC.2017.8054097
  103. Predictive maintenance: techniques and advantages. 2024. URL: https://www.mecalux.com/blog/predictive-maintenance (дата обращения 23.05.2025).
  104. Wei Y., Yaowen F. Constructing basic belief assignment from feature data // 2013 Chinese Automation Congress. Changsha, China, 2013. Pp. 605– 610. DOI: 10.1109/CAC.2013.6775807. URL: https://www.researchgate.net/publication/271547648_Constructing_basic_belief_assignment_from_feature_data (дата обращения 03.06.2025).
  105. IoT-based data-driven predictive maintenance relying on fuzzy system and artificial neural networks / A. Aboshosha et al. // Scientific Reports. 2023. Vol. 13, no. 1. P. 12186.
  106. Ansari F., Glawar R., Sihn W. Prescriptive maintenance of CPPS by integrating multimodal data with dynamic Bayesian networks // Machine Learning for Cyber Physical Systems: Selected papers from the International Conference ML4CPS 2017. Berlin: Heidelberg: Springer Berlin Heidelberg, 2019. Pp. 1–8.
  107. А.Ю. Чесалов (RU). Свидетельство о государственной регистрации программ для ЭВМ № 2025667829 Российская Федерация. Программа «EUS Model 1 PdM/DST» для промышленных систем прогнозируемого обслуживания, реализующая математическую модель снижения неопре- деленности данных / Правообладатель ООО «Программные системы Атлансис» (RU). № 2025664454/69. Заявл. 09.06.2025. Опубл. 09.07.2025. Бюл. № 7. 1 с. URL: http://www1.fips.ru/fips_servl/fips_servlet?DB=EVM&DocNumber=2025667829
  108. Тельнов Ю.Ф., Казаков В.А., Данилов А.В., Денисов А.А. Требования к программной реализации системы Индустрии 4.0 для создания сетевых предприятий // Программные продукты и системы. 2022. Т. 35. № 4. С. 557–571. DOI: 10.15827/0236-235X.140.557-571
  109. Тельнов Ю.Ф., Казаков В.А., Данилов А.В., Брызгалов А.А. Разработка моделей производственных и бизнес-процессов сетевых предприятий на основе многоагентных систем // Программные продукты и системы. 2023. № 4. С. 632-643. DOI: 10.15827/0236-235X.142.632-643
  110. Палюх Б.В., Чесалов А.Ю. Роль современных технологий искусственного интеллекта в создании и развитии автоматизированных систем прогнозируемого и предписывающего обслуживания в промышленности // Современная наука: актуальные проблемы теории и практики. Сер. Есте- ственные и технические науки. 2025. № 5. С. 147–155. DOI: 10.37882/2223-2966.2025.05.29
  111. Чесалов А.Ю. Тенденции развития периферийного искусственного интеллекта в автоматизации технологических процессов // Автоматизация в промышленности 2025. № 7. С. 9–14.
  112. Maktoubian J., Taskhiri M.S., Turner P. Intelligent Predictive Maintenance (IPdM) in Forestry: A Review of Challenges and Opportunities // Forests. 2021. Vol. 12 (11). P. 1495. URL: https://doi.org/10.3390/f12111495
  113. Ke Sheng Wang. Key Techniques in Intelligent Predictive Maintenance (IPdM) – A Framework of Intelligent Faults Diagnosis and Prognosis System (IFDaPS) // Advanced Materials Research. October 2014. Vol. 1039. Pp. 490– 505. URL: http://dx.doi.org/10.4028/www.scientific.net/AMR.1039.490 (дата обращения 21.07.2025).
  114. Виноградова Н.В., Иванов В.К., Палюх Б.В., Сотников А.Н. Совре- менные направления развития и области приложения теории Демпстера — Шафера (обзор). // Искусственный интеллект и принятие решений. 2018. № 4. С. 32-42. DOI: 10.14357/20718594180403. URL: https://www.elibrary.ru/item.asp?id=36643710 (дата обращения 11.06.2025).
  115. Wei M., Pan Z., Wang C., Ma Z. Development of a Predictive Model for Maintenance Strategies of Automotive Parts Processing Equipment Based on Multi-Criteria Decision Analysis // SAE Technical Paper. 2024. Vol. 1. P. 5081, URL: https://doi.org/10.4271/2024-01-5081
  116. Pan Lipeng, Yong Deng. A New Belief Entropy to Measure Uncertainty of Basic Probability Assignments Based on Belief Function and Plausibility Function // Entropy (Basel, Switzerland). 3 Nov. 2018. Vol. 20. Iss. 11. Art. 842. DOI: 10.3390/e20110842
  117. Deng Y. Deng entropy // Chaos, Solitons & Fractals. 2016. Vol. 91. Pp. 549–553. ISSN 0960-0779. DOI: 10.1016/j.chaos.2016.07.014
  118. Zhu C., Xiao F. A belief Hellinger distance for D–S evidence theory and its application in pattern recognition // Engineering Applications of Artificial Intelligence. 2021. Vol. 106. Art. no. 104452. ISSN 0952-1976. DOI: 10.1016/j.engappai.2021.104452
  119. Wan L., Li H., Chen Y., Li C. Rolling Bearing Fault Prediction Method Based on QPSO-BP Neural Network and Dempster — Shafer Evidence Theory // Energies. 2020. Vol. 13. P. 1094. URL: https://doi.org/10.3390/en13051094
  120. Hui K.H., Lim M.H., Leong M.S., Al-Obaidi. S.M.A. Dempster — Shafer Evidence Theory for Automated Bearing Fault Diagnosis. International Journal of Mechanical Engineering and Technology. 2017. Vol. 8 (4). Pp. 277–288. URL: http://iaeme.com/Home/issue/IJMET?Volume=8&Issue=4
  121. Wang Y., Liu F., Zhu A. Bearing Fault Diagnosis Based on a Hybrid Classifier Ensemble Approach and the Improved Dempster — Shafer Theory // Sensors (Basel). 2019. May 6. Vol. 19 (9). P. 2097. DOI: 10.3390/s19092097. PMID: 31064125. PMCID: PMC6540169.
  122. Zheng Haixia, Tang Yongchuan. Deng Entropy Weighted Risk Priority Number Model for Failure Mode and Effects Analysis // Entropy. 2020. Vol. 22 (03). P. 280. DOI: 10.3390/e22030280
  123. Shafer G. A Mathematical Theory of Evidence. Princeton: Princeton University Press, 1976. JSTOR. URL: https://doi.org/10.2307/j.ctv10vm1qb (дата обращения 17.06.2025).
  124. Wang H., Deng X., Jiang W., Geng J. A new belief divergence measure for Dempster — Shafer theory based on belief and plausibility function and its application in multi-source data fusion // Engineering Applications of Artificial Intelligence. 2021. Vol. 97. Art. no. 104030. ISSN 0952-1976. DOI: 10.1016/j.engappai.2020.104030
  125. Li J., Xie B., Jin Y. Weighted Conflict Evidence Combination Method Based on Hellinger Distance and the Belief Entropy IEEE Access, 2020. Vol. 8. Pp. 225507–225521. DOI: 10.1109/ACCESS.2020.3044605
  126. Hamda N.E.I., Hadjali A., Lagha M. Multisensor Data Fusion in IoT Environments in Dempster — Shafer Theory Setting: An Improved Evidence Distance-Based Approach // Sensors. 2023. Vol. 23. P. 5141. URL: https://doi.org/10.3390/s23115141
  127. Шемякин А.Е. Новый подход к построению объективных априорных распределений: информация Хеллингера // Прикладная эконометрика. № 4 (28). 2012. С. 124–137.
  128. Hui Kar Hoou, Ooi Ching Lim, Meng, Leong M. (2016). A hybrid artificial neural network with Dempster — Shafer theory for automated bearing fault diagnosis // Journal of Vibroengineering. 2016. Vol. 18. Pp. 4409–4418. DOI: 10.21595/jve.2016.17024
  129. Ghosh N., Paul R., Maity S., Maity K., Saha S. Fault Matters: Sensor data fusion for detection of faults using Dempster — Shafer theory of evidence in IoT-based applications // Expert Systems with Applications. 2020. Vol. 162. Art. no. 113887. ISSN 0957-4174. DOI: 10.1016/j.eswa.2020.113887
  130. Yao X., Li S., Hu J. Improving Rolling Bearing Fault Diagnosis by DS Evidence Theory Based Fusion Model // Journal of Sensors. 2017. Vol. 17, iss. 1. P. 14. URL: https://doi.org/10.1155/2017/6737295
  131. Maheshwari S., Tiwari S., Rai S., Daman Pratap Singh S.V. Comprehensive study of predictive maintenance in industries using classification models and LSTM model // arXiv preprint. 2024. arXiv:2403.10259. URL: https://arxiv.org/abs/2403.10259 (дата обращения 10.07.2025).
  132. Farooq U., Ademola M., Shaalan A. Comparative Analysis of Machine Learning Models for Predictive Maintenance of Ball Bearing Systems // Electronics 2024. Vol. 13. P. 438. URL: https://doi.org/10.3390/electronics13020438
  133. Dempster A.P. (2008). Upper and Lower Probabilities Induced by a Multivalued Mapping // R.R. Yager, L. Liu (eds). Classic Works of the Dempster — Shafer Theory of Belief Functions. Studies in Fuzziness and Soft Computing. Vol. 219. Berlin: Springer. Heidelberg. URL: https://doi.org/10.1007/978-3-540-44792-4_3
  134. Large Language Model Market. URL: https://www.marketsandmarkets.com/Market-Reports/large-language-model-llm-market-102137956.html (дата обращения 13.03.2025).
  135. Large Language Model (LLM) Market - A Global and Regional Analysis. URL: https://bisresearch.com/industry-report/large-language-model-market.html (дата обращения 13.03.2025).
  136. Обзор видов лучших ИИ-моделей 2024: сравнение и рейтинг популярных LLM. URL: https://iaassaaspaas.ru/rating/ai/obzor-vidov-luchshih-iimodeley-2024-sravnenie-i-reyting-populyarnyh-llm (дата обращения 12.03.2025).
  137. Что такое контекстное окно в ИИ и как оно влияет на работу языковых моделей. 2025. URL: https://blog.colobridge.net/2025/04/contextwindow-in-ai/ (дата обращения 12.05.2025).
  138. Малышко В. Большие языковые модели: что это такое и как они работают. 2023. URL: https://just-ai.com/blog/bolshie-yazykovye-modeli-chtoeto-takoe-i-kak-oni-rabotayut (дата обращения 02.05.2025).
  139. Agarwal R., Singh A., Zang M.L. Many-Shot In-Context Learning. DOI: https://doi.org/10.48550/arXiv.2404.11018 URL: https://arxiv.org/abs/2404.11018 (дата обращения 12.05.2025).
  140. Qwen2.5-32B-Instruct. 2025. URL: https://huggingface.co/Qwen/Qwen2.5-32B-Instruct (дата обращения 12.05.2025).
  141. OpenThoughts2-1M. 2025 - URL: https://huggingface.co/datasets/openthoughts/OpenThoughts2-1M (дата обращения 12.05.2025).
  142. Open-thoughts. 2025. URL: https://github.com/open-thoughts/openthoughts (дата обращения 09.05.2025).
  143. Чуйко Д. Большие языковые модели как инструмент для анализа технической документации и решения ИТ-инцидентов. 2025. URL: https://habr.com/ru/articles/895114/ (дата обращения 02.05.2025).
  144. Ганцева Е.А., Каладзе В.А., Поляков А.М. Формирование экспертного вывода на основе теории свидетельств // Вестник ВГТУ. 2015. Т. 11. № 1. С. 42–46. URL: https://cyberleninka.ru/article/n/formirovanieekspertnogo-vyvoda-na-osnove-teorii-svidetelstv (дата обращения 12.05.2025).
  145. Что такое большая языковая модель (LLM)? URL: https://aws.amazon.com/ru/what-is/large-language-model/ (дата обращения 02.05.2025).
  146. Учим большие языковые модели описывать продукты данных. 2024. URL: https://habr.com/ru/companies/sberbank/articles/795617/ (дата обращения 02.05.2025).
  147. Палюх Б.В., Чесалов А.Ю. Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности // Инжиниринг предприятий и управление знаниями (ИП&УЗ – 2024): сб. науч. тр. XXVII Российской научной конференции. Москва, 28–29 ноября 2024 г. Т. 1 / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2024. С. 351–357.
  148. Виноградова Н.В., Иванов В.К., Палюх Б.В., Сотников А.Н. Современные направления развития и области приложения теории Демпстера — Шафера (обзор) // Искусственный интеллект и принятие решений. 2018. № 4. С. 32–42. DOI: 10.14357/20718594180403. URL: https://www.elibrary.ru/item.asp?id=36643710 (дата обращения 12.05.2025).
  149. Дырмовский Д. Большие языковые модели — большие возможности для роста бизнеса. 2024. URL: https://www.speechpro.ru/media/news/bolshieyazykovye-modeli-bolshie-vozmozhnosti-dlya-rosta-biznesa (дата обращения 02.05.2025).
  150. Палюх Б.В., Чесалов А.Ю. Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // Инжиниринг предприятий и управление знаниями (ИП&УЗ – 2023): сб. науч. тр. XXVI Российской научной конференции. Москва, 29–30 ноября 2023 г. / под науч. ред. Ю.Ф. Тельнова. М.: РЭУ им. Г.В. Плеханова, 2023. С. 256–260.
  151. OpenThinker2-32B. 2025. URL: https://huggingface.co/open-thoughts/OpenThinker2-32B (дата обращения 13.05.2025).
  152. Transformers. 2025. URL: https://huggingface.co/docs/transformers/index (дата обращения 12.05.2025).
  153. Чесалов А.Ю. (RU). Свидетельство о государственной регистрации программ для ЭВМ № 2025668288 Российская Федерация. Программа машинного обучения «EUS Model 1 PdM/Exp», реализующая алгоритм поддержки принятия решений для промышленных автоматизированных систем прогнозируемого обслуживания. Правообладатель ООО «Программные системы Атлансис» (RU). № 2025664314/69. Заявл. 09.06.2025. Опубл. 14.07.2025. Бюл. № 7. 1 с. http://www1.fips.ru/fips_servl/fips_servlet?DB=EVM&DocNumber=2025668288
  154. Lee J, Lapira E., Bagheri B., Kao H. Recent advances and trends in predictive manufacturing systems in big data environment // Manuf Letter. 2013. Vol. 1, iss. 1. Pp. 38–41. URL: https://www.researchgate.net/publication/262880066_Recent_advances_and_trends_in_predictive_manufacturing_systems_in_big_data_environment (дата обращения 18.03.2025).
  155. Tao F., Qi Q., Liu A., Kusiak A. Data-driven manufacturing // Journal of Manufacturing Systems, 2018. Vol. 48. Pp. 157–169. DOI: 10.1016/j.jmsy.2018.01.006
  156. Zhang Y., Zhang G. Big data analytics in smart grids: A review // Energy Informatics. 2017. Vol. 1 (1). Pp. 1–24. DOI: 10.1186/s42162-017-0007-9
  157. Kusiak A. Smart manufacturing must embrace big data // Nature. 2018. Vol. 544 (7648). Pp. 23–25. DOI: 10.1038/544023a
  158. Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things (IoT): A vision, architectural elements, and future directions // Future Generation Computer Systems. 2013. Vol. 29 (7). Pp. 1645–1660. DOI: 10.1016/j.future.2013.01.010
  159. Lee J., Bagheri B., Kao H. A. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems // Manufacturing Letters. 2015. Vol. 3. Pp. 18–23. DOI: 10.1016/j.mfglet.2014.12.001
  160. Wang L., Törngren M., Onori M. Current status and advancement of cyber-physical systems in manufacturing // Journal of Manufacturing Systems. 2015. Vol. 37, Pp. 517–527. DOI: 10.1016/j.jmsy.2015.04.008
  161. Lu Y., Xu X., Wang L. Smart manufacturing process and system automation – A critical review of the standards and envisioned scenarios // Journal of Manufacturing Systems. 2020. Vol. 56. Pp. 312–325. DOI: 10.1016/j.jmsy.2020.06.010
  162. Zhou K., Liu T., Zhou L. Industry 4.0: Towards future industrial opportunities and challenges // 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). 2015. Pp. 2147–2152. DOI: 10.1109/FSKD.2015.7382284
  163. Xu L.D., Xu E.L., Li L. Industry 4.0: state of the art and future trends // International Journal of Production Research. 2018. Vol. 56 (8). Pp. 2941–2962. DOI: 10.1080/00207543.2018.1444806
  164. Susto G.A., Schirru A., Pampuri S. Machine learning for predictive maintenance: A multiple classifier approach // IEEE Transactions on Industrial Informatics, 2015. Vol. 11 (3). Pp. 812–820. DOI: 10.1109/TII.2014.2349359
  165. Li Z., Wang Y., Wang K.S. Intelligent predictive maintenance for fault diagnosis and prognosis in machine centers: Industry 4.0 scenario // Advances in Manufacturing. 2017. Vol. 5 (4). Pp. 377–387. DOI: 10.1007/s40436-017-0203-8
  166. Jardine A.K., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. 2006. Vol. 20 (7). Pp. 1483–1510. DOI: 10.1016/j.ymssp.2005.09.012
  167. Zheng J., Meister M. The unbearable slowness of being: Why do we live at 10 bits/s? URL: https://www.cell.com/neuron/abstract/S0896-6273(24)00808-0?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0896627324008080%3Fshowall%3Dtrue (дата обращения 16.03.2025).
  168. Дорогина О.И. Нейрофизиология: учеб. пособие. Екатеринбург: Изд-во УрФУ, 2019. 100 с. URL: https://elar.urfu.ru/bitstream/10995/77151/1/978-5-7996-2619-8_2019.pdf (дата обращения 18.03.2025).
  169. Манцулич В.В. История становления когнитивной психологии и развития взглядов на проблему когнитивных и метакогнитивных способностей личности. М.: Моск. гор. педагог. ун-т, 2022. URL: https://cyberleninka.ru/article/n/istoriya-stanovleniya-kognitivnoy-psihologii-i-razvitiya-vzglyadov-na-problemu-kognitivnyh-i-metakognitivnyh-sposobnostey-lichnosti (дата обращения 17.03.2025).
  170. Когнитивная психология: учебник для вузов / под ред. В.Н. Дружинина, Д.В. Ушакова. М.: ПЕР СЭ, 2002. 479 с.
  171. Вызванные потенциалы мозга (ВП). URL: https://cmi.to/вызванные-потенциалы/ (дата обращения 17.03.2025).
  172. Березина И.Ю., Михайлов А.Ю., Горецкая Т.А. и др. Применение вызванных потенциалов, связанных с событием (Р300), у лиц, злоупотребляющих психоактивными веществами // Вопросы наркологии. 2020. № 12. С. 19–43. DOI: https://doi.org/10.47877/0234-0623_2020_12_19
  173. Шустов Д.И., Федотов И.А., Кряжкова Д.Ю. Использование потенциала негативности рассогласования при диагностике психозов: систематический обзор метаанализов. ФГБУ «НМИЦ ПН им. В.П. Сербского» Минздрава России, 2024. URL: https://psychiatr.ru/files/magazines/2024_08_scp_2423.pdf (дата обращения 17.03.2025).
  174. Чесалов А.Ю. Применение прорывных технологий искусственного интеллекта в промышленных экосистемах Индустрии 4.0. // Перспективные интеграционные процессы в мировой экономике: нооподход / сб. матер. IX Санкт-Петербургского международного экономического конгресса (СПЭК-2024) / под общ. ред. С.Д. Бодрунова. М.: ИНИР им. С.Ю. Витте, 2024. Т. 2. С. 176–184.
  175. Палюх Б.В., Чесалов А.Ю. Роль современных технологий искусственного интеллекта в создании и развитии автоматизированных систем прогнозируемого и предписывающего обслуживания в промышленности // Современная наука: актуальные проблемы теории и практики. Сер. Естественные и технические науки. 2025. № 5. С. 147–155. DOI 10.37882/2223- 2966.2025.05.29
  176. Робот в Южной Корее убил человека, приняв его за коробку с овощами. 2023. URL: https://trends.rbc.ru/trends/industry/654ca60c9a794723b727dbc3 (дата обращения 21.08.2025).
  177. US air force denies running simulation in which AI drone ‘killed’ operator. 2023. URL: https://www.theguardian.com/us-news/2023/jun/01/us-militarydrone-ai-killed-operator-simulated-test (дата обращения 21.08.2025).
  178. Agentic Misalignment: How LLMs could be insider threats. 2025. URL: https://www.anthropic.com/research/agentic-misalignment (дата обращения 21.08.2025).
  179. Чесалов А.Ю. Этика и искусственный интеллект // Современные информационные системы. 2022. № 1 (19). С. 52–59.
  180. Рекомендация по этике искусственного интеллекта. URL: https://en.unesco.org/artificial-intelligence/ethics#recommendation (дата обращения 20.08.2025).
  181. Предварительное исследование возможности подготовки нормативного акта по вопросам этики применения искусственного интеллекта. 2019. URL: https://unesdoc.unesco.org/ark:/48223/pf0000369455_rus (дата обращения 20.08.2025).
  182. Доклад комиссии по социальным и гуманитарным наукам (SHS). 2021. URL: https://unesdoc.unesco.org/ark:/48223/pf0000379920_rus.page=16 (дата обращения 20.08.2025).
  183. Кодекс этики в сфере ИИ. 2021. URL: https://a-ai.ru/code-of-ethics/ (дата обращения 20.08.2025).
  184. Китай разработал этические принципы для регулирования искусственного интеллекта. 2021. URL: https://www.techinsider.ru/technologies/news-755323-kitay-razrabotal-eticheskie-principy-dlya-regulirovaniyaiskusstvennogo-intellekta/ (дата обращения 20.08.2025).
  185. В Китае издан этический кодекс для искусственного интеллекта. 2021. URL: https://letaibe.media/news/v-kitae-izdan-eticheskij-kodeks-dlyaiskusstvennogo-intellekta/ (дата обращения 20.08.2025).
  186. В Китае выпустили кодекс этических принципов для искусственного интеллекта. 2021. URL: https://rg.ru/2021/10/04/v-kitae-vypustili-kodekseticheskih-principov-dlia-iskusstvennogo-intellekta.html (дата обращения 20.08.2025).
  187. EU AI Act: first regulation on artificial intelligence. 2024. URL: https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-firstregulation-on-artificial-intelligence (дата обращения 20.08.2025).
  188. The Partnership of the Future. 2016. URL: https://slate.com/technology/2016/06/microsoft-ceo-satya-nadella-humans-and-a-i-can-worktogether-to-solve-societys-challenges.html (дата обращения 20.08.2025)
  189. What is AI ethics? 2024. URL: https://www.ibm.com/think/topics/ai-ethics#Organizations+that+promote+AI+ethics (дата обращения 20.08.2025).
  190. Taddeo M., Floridi L. How AI can be a force for good // Science. 2018. Vol. 361, no. 6404. Pp. 751–752 / Digital Ethics Lab. URL: https://digitalethicslab.oii.ox.ac.uk. (дата обращения 21.08.2025).
  191. Назарова Ю.В. Этика искусственного интеллекта в современной России: актуальные проблемы и тенденции развития // Гуманитарные ведомости ТГПУ им. Л.Н. Толстого. 2020. № 2 (34). URL: https://cyberleninka.ru/article/n/etika-iskusstvennogo-intellekta-v-sovremennoy-rossii-aktualnyeproblemy-i-tendentsii-razvitiya (дата обращения 21.08.2025).
  192. Белая книга этики в сфере ИИ. 2025. URL: https://ethics.a-ai.ru/white-book/ (дата обращения 21.08.2025).
  193. Чесалов А.Ю. Глоссариум по искусственному интеллекту и информационным технологиям. М.: Ridero, 2021. 324 с. URL: https://ridero.ru/books/glossarium_po_informacionnym_tekhnologiyam_i_iskusstvennomu_intellektu/ (дата обращения 20.08.2025).
  194. Документация отбора получателей поддержки исследовательских центров в сфере искусственного интеллекта, в том числе в области «сильного» искусственного интеллекта, систем доверенного искусственного ин- теллекта и этических аспектов применения искусственного интеллекта. URL: https://ac.gov.ru/uploads/_Projects/AI_otbor/Documents.pdf (дата обращения 20.08.2025).
  195. Чесалов А.Ю. Как создать Центр искусственного интеллекта за 100 дней М.: Ridero, 2021. 314 с. URL: https://ridero.ru/books/kak_sozdat_centr_iskusstvennogo_intellekta_za_100_dnei/ (дата обращения 21.05.2023).
  196. Баканач М.О., Власкин А.Н., Чесалов А.Ю. Глоссариум по искусственному интеллекту: 2500 терминов. М.: Ridero, 2022. Т. 1. 460 с. URL: https://ridero.ru/books/glossarium_po_iskusstvennomu_intellektu_2500_terminov/ (дата обращения 20.08.2025).
  197. Баканач М.О., Власкин А.Н., Чесалов А.Ю. Глоссариум по искусственному интеллекту: 2500 терминов. М.: Ridero, 2023. Т. 2. 398 с. URL: https://ridero.ru/books/glossarium_po_iskusstvennomu_intellektu_2500_terminov/ (дата обращения 20.08.2025).
  198. Введение в Adversarial attacks: как защититься от атак в модели глубокого обучения на транзакционных данных. 2023. URL: https://habr.com/ru/companies/vtb/articles/718024/ (дата обращения 20.08.2025).
  199. Как обмануть нейросеть, или что такое Adversarial attack. 2025. URL: https://chernobrovov.ru/articles/kak-obmanut-nejroset-ili-chto-takoeadversarial-attack.html (дата обращения 20.08.2025).
  200. Гетьман А.И., Горюнов М.Н., Мацкевич А.Г., Рыболовлев Д.А., Никольская А.Г. Состязательные атаки против системы обнаружения вторжений, основанной на применении методов машинного обучения // Про- блемы информационной безопасности. Компьютерные системы. 2023. № 4. С. 156–190. DOI:10.48612/jisp/eatr-5pxb-akt8
  201. Carlini N., Hayes J., Nasr M. 2023. Extracting Training Data from Diffusion Models. DOI: 10.48550/arXiv.2301.13188
  202. Как EU AI Act влияет на бизнес в Европе (и за ее пределами). 2025. URL: https://data-privacy-office.com/kak-eu-ai-act-vliyaet-na-biznes-v-evropei-za-ee-predelami/ (дата обращения 20.08.2025).
  203. Arikan H., Uzun Y., Çetin Ì. Current Studies Basic Sciences, Engineering and Techonology 2023. ISRES, 2023.
  204. Vogel M., Strina G, Said C., Schmallenbach T. (eds). The evolution of artificial intelligence adoption in industry. 2023. DOI: 10.54941/ahfe1003282
  205. Грезина Л.А. Формирование «умных фабрик» для развития промышленных предприятий региона // Теория и практика сервиса: экономика, социальная сфера, технологии. 2022. № 2 (52). URL: https://cyberleninka.ru/article/n/formirovanie-umnyh-fabrik-dlya-razvitiya-promyshlennyh-predpriyatiyregiona (дата обращения 11.10.2025).
  206. Jasmin B., Reji T., Farhan A. Rise of Artificial Intelligence in Business and Industry // Journal of Engineering Research and Reports. 2023. DOI: 10.9734/JERR/2023/v25i3893.
  207. Tesfay W. Mesele. Application of Artificial Intelligence in Textile Industry // Journal of emerging technologies and innovative research. 2021. URL: https://www.academia.edu/119475994/Application_of_Artificial_Intelligence_in_Textile_Industry (дата обращения 11.10.2025).
  208. Cardenas J. Artificial Intelligence (AI) & Application in the Electrical Industry. 2018.
  209. Elham Ali Sid Ahmed Abdallah. A Survey of Artificial Intelligence. Use in the Food Industry // International Journal of Computer Science and Mobile Computing. 2023. DOI: https://doi.org/10.47760/ijcsmc.2023.v12i08.001
  210. Liu Zhe, Wang Shuzhe, Zhang Yudong. Artificial Intelligence in Food Safety: A Decade Review and Bibliometric Analysis // Foods. 2023. Vol. 12. P. 242. DOI: 10.3390/foods12061242
  211. Siau Keng, Hyder Zeshan, Nah Fiona. Use of Artificial Intelligence, Machine Learning, and Autonomous Technologies in the Mining Industry // MWAIS 2018 Proceedings. Vol. 43.
  212. Bravo C., Saputelli L., Rivas F. (2012). State-of-the-Art Application of Artificial Intelligence and Trends in the E&P Industry: A Technology Survey // SPE Journal. 2014. Vol. 19 (04). Pp. 547–563.
  213. O&M Best Practices Guide, Release 3.0. 2025/ URL: https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf (дата обращения 06.09.2025).

Отзывы

Оставить отзыв +
Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом.
Установите актуальную версию вашего браузера или одну из современных альтернатив.