РАЗРАБОТКА ПЛАТФОРМЫ РАСПОЗНАВАНИЯ И СИНТЕЗА РЕЧИ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ И МАШИННОГО ОБУЧЕНИЯ: ПРОЕКТНО-ОРИЕНТИРОВАННЫЙ ПОДХОД Текст научной статьи по специальности «Право»

гм о гм

<

m О ■=! ш

с; и и

УДК: 336.71

МОСКОВЧЕНКО Даниил Дмитриевич,

студент магистратуры 2-го года обучения, факультет логистики и общетранспортных проблем, кафедра социологии и управления, Московский автомобильно-дорожный государственный технический университет (МАДИ), mosd1@mail.ru

MOSKOVCHENKO Daniil Dmitrievich,

2nd year master's student,

Faculty of Logistics and General Transportation Problems,

Department of Sociology and Management

Moscow State Automobile and Road Technical University (MADI),

mosd1@mail.ru

и

О с; О s =г о и

и

о

X

о

m .о X

с;

LÛ

и <

ш

L0 Ш С£

—I <

и и

О —i

О

и

о

LO

О

Z <

и

о и

РАЗРАБОТКА ПЛАТФОРМЫ РАСПОЗНАВАНИЯ И СИНТЕЗА РЕЧИ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ И МАШИННОГО ОБУЧЕНИЯ: проектно-

ориентированный подход

A PROJECT TO DEVELOP A SPEECH RECOGNITION AND SYNTHESIS PLATFORM BASED ON NEURAL NETWORKS AND MACHINE LEARNING: a project-oriented approach

Аннотация

Представлен обзор процесса разработки платформы для распознавания и синтеза речи на основе передовых методов нейронных сетей и машинного обучения. Речевые технологии имеют все более широкое применение в различных сферах, включая виртуальных ассистентов, системы автоматизации звонков и медицинские приложения. Описываются основные этапы проекта, включая рассмотрение гибких методологий управления проек-

Abstract

This article provides an overview of the process of developing a platform for speech recognition and synthesis based on advanced neural network and machine learning methods. Speech technologies are increasingly being used in various fields, including virtual assistants, call automation systems and medical applications. This paper describes the main stages of the project, including consideration of flexible project management methodologies, project goals and ob-

тами, цели и задачи проекта, методы машинного обучения для создания продукта.

Ключевые слова: разработка, нейронные сети, машинное обучение, этапы проекта, цели проекта, задачи проекта.

jectives, and machine learning methods for creating a product.

Keywords: development, neural networks, machine learning, project stages, project goals, project objectives.

Введение

Распознавание и синтез речи стали ключевыми технологиями в современном мире, играя важную роль в различных аспектах нашей повседневной жизни. Они используются в различных приложениях, начиная от виртуальных ассистентов и систем автоматизации звонков до медицинских приложений и систем аудио-навигации. С развитием нейронных сетей и методов машинного обучения наблюдается значительный прогресс в эффективности и точности таких систем.

Настоящая статья посвящена обзору процесса разработки платформы для распознавания и синтеза речи на основе передовых методов нейронных сетей и машинного обучения. Этот проект объединяет в себе академические и инженерные усилия для создания высокоэффективной и точной системы обработки речи, которая может быть применена в различных сферах человеческой деятельности.

С целью обеспечения полноты и понимания процесса разработки, статья охватывает ключевые этапы проекта, начиная с сбора и предобработки данных, и заканчивая непрерывным обновлением и развитием системы. Вместе с тем, обсуждаются основные методы и подходы, используемые на каждом этапе процесса, а также обсуждаются вызовы и перспективы дальнейшего развития в данной области.

Представленный в статье обзор проекта может быть полезным как для исследователей и специалистов в области искусственного интеллекта и обработки речи, так и для разработчиков, стремящихся создать и внедрить передовые технологии распознавания и синтеза речи в реальные приложения.

Цели проекта

Проект «Платформа распознавания и синтеза речи» стремится создать инноваци-

онное решение в области обработки аудиоинформации. Эта платформа представляет собой систему, спроектированную для эффективного взаимодействия с речевой информацией, обеспечивая высокую точность распознавания и естественность синтеза речи.

- Интеграция машинного обучения и нейронных сетей:

Применение передовых методов машинного обучения, таких как глубокие нейронные сети, рекуррентные нейронные сети и транс-формеры, для обеспечения оптимального распознавания и синтеза речи.

Создание модульной системы, позволяющей интегрировать новые методы и алгоритмы без значительного пересмотра всей архитектуры;

- Универсальность и эффективность:

Обеспечение универсальности платформы, позволяющей успешно функционировать в различных областях, включая ассистентов, системы управления, образования и многое другое.

Постоянное совершенствование системы на основе обратной связи и новых требований рынка;

- Синтез речи:

Разработка механизмов синтеза, учитывающих интонацию, выразительность и естественность произношения.

Использование глубоких нейронных сетей для генерации речи, которая звучит естественно и адаптирована к различным сценариям использования.

Описание проекта

Проект ориентирован на создание технологического решения, способного эффективно взаимодействовать с речевой информацией, удовлетворяя высоким стандартам качества и функциональности. В своей сущности, платформа будет представлять собой продукт обработки и воспроизведения звуко-

гм о гм

<

m О ■=1 ш

с; и и

и

О с; О S

=г о и

и

о

X

о

m л х

с;

LQ

U <

Ш

LО Ш С£

—I <

и и

О _|

О и о

in

О

Z <

и

о и

вой информации, отвечая на запросы современного общества.

Рассмотрим методы обработки и синтеза речи

Метод 1 - Глубокая нейронная сеть Проект активно использует глубокие нейронные сети (deep neural networks - DNN), включая сверточные нейронные сети (convolutional neural networks - CNN) и рекуррентные нейронные сети (recurrent neural networks - RNN).

CNN: применение сверточных нейронных сетей для извлечения признаков из аудиосигналов. это позволяет эффективно обрабатывать звуковые данные, выделяя ключевые особенности, такие как интонация и ритм.

RNN: использование рекуррентных нейронных сетей для анализа последовательных данных в речевых сигналах. эта технология особенно важна при работе с динамичными структурами речи и обеспечивает более глубокое понимание контекста; Метод 2 - Трансформеры Проект также внедряет трансформеры, представляющие собой новое направление в области обработки последовательностей. Метод трансформеров эффективен в работе с долгосрочными зависимостями и позволяет анализировать контекст в аудиоинформации; Метод 3 - Интеграция Методы машинного обучения и нейронных сетей интегрируются в системе, обеспечивая ее гибкость и способность адаптироваться к разнообразным типам речи. Такой комплексный подход позволяет эффективно использовать современные достижения в области искусственного интеллекта для достижения максимальной производительности и точности;

Метод 4 - Модульная система Особое внимание уделяется созданию модульной системы, что обеспечивает возможность интегрировать новые методы и алгоритмы без кардинального изменения архитектуры проекта. Это важно для оперативного внедрения новых исследовательских наработок и обеспечения системы актуальными и эффективными методами обработки звука.

Этапы проекта

Первый и важнейший этап в разработке платформы для распознавания и синтеза речи на базе нейронных сетей и машинного обучения - это сбор и предобработка данных. Этот этап играет решающую роль в определении качества и эффективности последующих моделей машинного обучения.

Сбор данных:

Сбор данных является фундаментальным шагом в разработке системы распознавания и синтеза речи. Необходимо собрать достаточное количество разнообразных аудиофайлов с различными дикторами, акцентами, диалектами и фоновым шумом. Эти данные должны покрывать широкий спектр возможных сценариев использования системы, чтобы обеспечить ее обучение и функционирование в различных условиях.

Для обучения моделей распознавания и синтеза речи также требуется параллельный корпус текста, соответствующий аудиофайлам. Этот текст может включать в себя транскрибированные речевые данные, различные разговорные ситуации, а также фразы и предложения, которые ожидается, что система сможет распознавать и синтезировать.

Предобработка данных:

После сбора данных следующим шагом является их предобработка. Это включает в себя несколько этапов:

- Удаление шума: Аудиофайлы часто содержат различные типы шума, такие как фоновый шум, электрические помехи и прочее. Для повышения качества обучения моделей необходимо удалить или снизить уровень шума в аудиоданных;

- Нормализация громкости: Громкость аудиофайлов может варьироваться в зависимости от их источника и условий записи. Для обеспечения однородности и согласованности данных необходимо нормализовать уровень громкости;

- Преобразование в спектрограммы: Для обучения моделей нейронных сетей аудиофайлы часто преобразуются в спектрограммы, которые представляют собой визуальное представление звукового сигнала во временно-частотной области. Это позво-

ляет моделям эффективнее извлекать признаки из аудиоданных;

- Разделение на обучающий и тестовый наборы: Важно разделить собранные данные на обучающий и тестовый наборы для оценки производительности моделей. Обычно данные разделяют случайным образом с сохранением пропорции различных классов данных.

После завершения этапа предобработки данных можно приступить к обучению моделей нейронных сетей для задач распознавания и синтеза речи. Однако важно помнить, что качество предобработки данных напрямую влияет на качество и производительность конечных моделей, поэтому этому этапу следует уделить особое внимание и ресурсы.

Следующий этап - Обучение моделей нейронных сетей:

Обучение моделей нейронных сетей является одним из ключевых этапов в разработке платформы для распознавания и синтеза речи на базе нейронных сетей и машинного обучения. Этот этап включает в себя несколько подэта-пов, каждый из которых играет важную роль в формировании эффективных и точных моделей. Выбор архитектуры модели: Первым шагом в обучении моделей нейронных сетей является выбор подходящей архитектуры модели. В задачах распознавания и синтеза речи широко используются различные архитектуры нейронных сетей, такие как глубокие рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN), а также их комбинации, например, рекуррентные сверточные нейронные сети (RCNN) или трансформеры.

Подготовка данных для обучения: Для обучения моделей необходимо подготовить обучающий набор данных, который будет использоваться для обучения модели. Этот набор данных включает в себя спектрограммы аудиофайлов и соответствующие им текстовые метки или транскрипции. Важно правильно подготовить данные, включая их нормализацию, выравнивание и приведение к необходимому формату. Обучение модели:

Сам процесс обучения модели состоит в подаче обучающего набора данных на вход

модели и корректировке параметров модели с целью минимизации выбранной функции потерь. Для этого используются алгоритмы оптимизации, такие как стохастический градиентный спуск (SGD), Adam, RMSprop и др. В процессе обучения модель постепенно «изучает» закономерности в данных и настраивает свои веса и параметры для максимального соответствия предоставленным данным. Оценка модели:

После завершения обучения модели необходимо оценить ее производительность на отложенном тестовом наборе данных, который модель не видела во время обучения. Это позволяет оценить обобщающую способность модели и выявить ее эффективность и точность в реальных условиях.

Тонкая настройка и оптимизация: После первичного обучения модели часто производится тонкая настройка и оптимизация ее параметров с целью повышения производительности. Это может включать в себя изменение гиперпараметров модели, таких как learning rate, количество скрытых слоев, количество нейронов в слоях и т.д., а также применение методов регуляризации и дро-паута для предотвращения переобучения. Сохранение и использование модели: После успешного обучения модели и ее оценки производится сохранение полученных результатов в формате, который позволит использовать модель в платформе для распознавания и синтеза речи. Это может включать сохранение весов модели, архитектуры модели, а также других необходимых параметров для последующего использования модели в реальных приложениях.

Третий этап - Тестирование и интеграция в платформу:

После успешного обучения моделей нейронных сетей на этапе разработки платформы для распознавания и синтеза речи, следующим шагом является тестирование и интеграция этих моделей в конечную платформу. Этот этап играет ключевую роль в проверке производительности и эффективности разработанных моделей в реальных условиях, а также в их последующем использовании в различных приложениях и системах.

гм о гм

<

m О ■=1 ш

с; и и

и

О с; О S

=г о и

и

о

X

о

m л х

с;

LQ

U <

Ш

LО Ш С£

—I <

и

О _|

О и о

in

О

Z <

и

о и

Тестирование моделей:

Перед интеграцией в платформу разработанные модели нейронных сетей проходят через серию тестовых испытаний на отложенном наборе данных, который модель не видела во время обучения. Это позволяет оценить обобщающую способность модели и ее точность в реальных условиях использования. В ходе тестирования проводятся следующие виды испытаний:

- Оценка точности распознавания и синтеза речи: Модели подвергаются тестам на точность распознавания и синтеза речи на различных типах данных, включая различные акценты, дикторов, фоновые шумы и т.д. Результаты тестирования позволяют определить, насколько хорошо модели справляются с различными видами речевых данных.

- Оценка скорости работы моделей: Важным аспектом производительности моделей является их скорость работы. Проводятся тесты на скорость распознавания и синтеза речи для оценки времени, необходимого модели на обработку аудиофайлов различной длины и сложности.

- Оценка устойчивости и надежности: Модели подвергаются тестам на устойчивость и надежность работы в различных условиях, включая непредвиденные ситуации, такие как изменение уровня шума, наличие искажений в аудиосигнале и т.д.

Интеграция в платформу:

После успешного прохождения тестирования модели интегрируются в конечную платформу для распознавания и синтеза речи. Этот процесс включает в себя несколько этапов:

- Интеграция моделей с другими компонентами платформы: Разработанные модели нейронных сетей интегрируются с другими компонентами платформы, такими как пользовательский интерфейс, база данных, API и т.д. Это позволяет создать единое рабочее окружение для использования моделей в различных приложениях и системах.

- Тестирование в реальных условиях: После интеграции моделей в платформу проводится дополнительное тестирование в реальных условиях использования, чтобы убе-

диться в их правильной работе и соответствии требованиям пользователей.

- Оптимизация производительности: В процессе интеграции моделей могут производиться дополнительные шаги по оптимизации их производительности в рамках платформы, включая оптимизацию алгоритмов, улучшение скорости работы и снижение потребления ресурсов.

- Документирование и обучение пользователей: После завершения интеграции важно создать документацию и обучающие материалы для пользователей, объясняющие принципы работы системы распознавания и синтеза речи, а также ее возможности и способы использования. Это позволяет пользователям эффективно использовать платформу и получать максимальную пользу от ее функционала.

Итак, тестирование и интеграция моделей нейронных сетей в конечную платформу являются важными шагами в процессе разработки системы распознавания и синтеза речи, которые обеспечивают ее эффективное и надежное функционирование в реальных условиях использования.

Четвертый этап - Непрерывное обновление и развитие:

Этот этап в разработке платформы для распознавания и синтеза речи на базе нейронных сетей и машинного обучения является ключевым для поддержания актуальности системы и ее эффективности в условиях постоянно меняющейся среды. Непрерывное обновление и развитие включают в себя несколько важных компонентов:

Сбор и обновление данных: Непрерывное обновление начинается с регулярного сбора новых данных. В сфере распознавания и синтеза речи, где важна адаптация к разнообразным голосам, акцентам и лексике, постоянный поток новых данных становится ключевым фактором. Собранные данные затем добавляются к существующему обучающему набору, что позволяет моделям нейронных сетей улучшаться и адаптироваться к новым условиям.

Переобучение моделей: С обновлением данных происходит переобучение моделей. Этот процесс включает в себя использование новых данных для кор-

рекции параметров моделей и обучения их на актуальных примерах. Переобучение позволяет моделям сохранять актуальность и точность в условиях изменяющейся среды.

Использование технологии обучения с подкреплением:

Внедрение технологий обучения с подкреплением (reinforcement learning) может быть важным шагом на этапе непрерывного обновления. Модели могут постоянно улучшаться, взаимодействуя с окружающей средой и адаптируясь к новым условиям. Это особенно полезно в случае, когда данные оказываются непредсказуемыми или имеют значительные изменения с течением времени.

Оптимизация алгоритмов и архитектуры:

С течением времени появляются новые методы и технологии в области нейронных сетей и машинного обучения. Непрерывное развитие включает в себя отслеживание и внедрение современных методов, алгоритмов и архитектур, которые могут улучшить производительность системы. Это может включать в себя применение более эффективных алгоритмов оптимизации, новых архитектур нейронных сетей и т.д.

Обратная связь от пользователей: Система должна быть открыта для обратной связи от пользователей. Предоставление возможности пользователям сообщать о проблемах, предлагать улучшения и дополнять обучающий набор данных является важным аспектом непрерывного обновления и развития. Эта обратная связь может стать ценным источником информации для определения приоритетов в обновлениях и разработке новых функций.

Управление версиями: Важной частью непрерывного обновления является эффективное управление версиями. Это позволяет контролировать изменения, внесенные в систему, и в случае необходимости возвращаться к предыдущим версиям. Управление версиями также помогает отслеживать эффективность новых обновлений. Тестирование на стадии разработки: Проведение тестирования на стадии разработки новых моделей и алгоритмов явля-

ется важным элементом непрерывного обновления. Тесты на стадии разработки помогают выявить и устранить возможные проблемы и ошибки до того, как обновления попадут в рабочую среду.

Документация и обучение персонала:

Постоянное обновление системы также включает в себя поддержание актуальной документации и обучение персонала. Новые методы, технологии и изменения в системе должны быть четко задокументированы, а персонал должен получать необходимое обучение для работы с обновленной системой.

Таким образом, непрерывное обновление и развитие играют важную роль в обеспечении актуальности и эффективности платформы для распознавания и синтеза речи, позволяя системе адаптироваться к изменяющимся условиям и требованиям пользователей.

Гибкие методологии управления и их применение в проекте

Рассмотрим гибкие методологии разработки, такие как Scrum, Kanban, их применение в контексте проекта «Платформа распознавания и синтеза речи». Как эти методологии могут повысить эффективность процесса разработки, обеспечивая гибкость, прозрачность и способность быстро реагировать на изменения в требованиях.

Scrum

Это гибкая методология управления проектами, которая широко применяется в разработке программного обеспечения, но может быть использована и в других областях. Она предоставляет фреймворк для эффективного и гибкого управления проектами, особенно в условиях изменяющихся требований и быстрого развития технологий.

Kanban

Kanban - это метод управления производством и управления проектами, разработанный японской компанией Toyota в 1940-х годах. Он основан на визуальном представлении рабочего процесса с использованием доски с задачами, которые перемещаются по колонкам от начала процесса до завершения. Каждая задача представлена карточкой, на которой указана информация о задаче, ее

гм о гм

<

m О ■=1 ш

с; и и

и

О с; О S

=г о и

и

о

X

о

m л х

с;

LQ

U <

Ш

1/1 ш

С£ <

U (3

О _|

О и о

in

О

Z <

и

о и

статусе и другие детали. Канбан помогает визуализировать процесс работы, управлять потоком задач и оптимизировать производственные или проектные процессы. Он широко используется в различных отраслях для управления задачами и процессами.

Далее рассмотрим применение этих методологий в качестве применения для управления нашим проектом.

Управление требованиями и планирование

Фокус на управлении требованиями и планировании в контексте проекта « Платформа распознавания и синтеза речи». Обзор методов управления требованиями, планирования и управления релизами, сфокусированный на гибких методологиях разработки:

- беклог продукта в гибких методологиях («беклог» (backlog) обычно относится к списку задач, требований или работ, которые должны быть выполнены в будущем для успешного завершения проекта или выпуска продукта. Беклог является одним из основных инструментов управления проектом в методологиях разработки программного обеспечения, таких как Scrum и Kanban.);

- планирование и релизы в гибких методологиях (релиз - выпуск продукта или его части);

- управление изменениями требований;

- управление рисками в контексте требований.

Контроль качества и тестирование:

Вопросы контроля качества и тестирования в рамках проекта «Платформа распознавания и синтеза речи». Методы обеспечения качества разрабатываемого продукта, автоматизированное тестирование и стратегии тестирования:

- автоматизированные тесты;

- тестирование на каждом этапе разработки;

- тестирование производительности;

- обеспечение качества кода (Качество кода - это характеристика программного кода, отражающая его читаемость, понятность, надежность, эффективность и легкость поддержки.);

- стратегии тестирования.

Оптимизация процесса разработки

Оптимизация процесса разработки в контексте проекта «Платформа распознавания и синтеза речи». Методы улучшения процессов и повышения эффективности команды разработки, а также внедрение инструментов и практик для оптимизации работы:

- использование доски kanban;

- регулярные сессии рефакторинга (Ре-факторинг - это процесс изменения внутренней структуры программного кода с целью улучшения его понимаемости, сопровожда-емости, расширяемости или производительности, при этом без изменения внешнего поведения программы. В процессе рефакто-ринга код перестраивается таким образом, чтобы он стал более чистым, эффективным и поддерживаемым, что в конечном итоге способствует улучшению качества программного продукта и упрощает его развитие и обслуживание);

- анализ обратной связи и постоянное совершенствование;

- использование DevOps практик (DevOps (Development and Operations) - это культурный и профессиональный подход к разработке программного обеспечения, который объединяет разработку (Development) и операции (Operations) в целях улучшения качества и скорости поставки программного обеспечения).

Заключение

В разработке платформы для распознавания и синтеза речи на базе нейронных сетей и машинного обучения мы столкнулись с множеством интересных и важных задач, начиная от сбора и предобработки данных, и заканчивая непрерывным обновлением и развитием системы. В ходе этого процесса мы использовали передовые методы и технологии в области искусственного интеллекта и обработки естественного языка, что позволило нам создать эффективную и точную платформу, способную распознавать и синтезировать речь с высокой точностью.

Основные этапы разработки платформы включали в себя сбор и предобработку данных, обучение моделей нейронных сетей, тестирование и интеграцию в платформу, а

также непрерывное обновление и развитие системы. Мы уделили особое внимание каждому этапу, стремясь к максимальной точности и производительности системы.

Одним из ключевых аспектов успешного завершения проекта было обеспечение качества данных и их разнообразия, что позволило моделям эффективно обучаться и адаптироваться к различным условиям. Также важным фактором являлась постоянная работа над улучшением и оптимизацией алгоритмов и архитектур нейронных сетей, что позволило повысить производительность и точность системы.

Непрерывное обновление и развитие системы также играют ключевую роль в ее успешной эксплуатации. Постоянное сбор новых данных, обучение моделей на этих данных, а также внедрение новых методов и технологий позволяют системе оставаться акту-

альной и эффективной в условиях постоянно меняющейся среды.

В заключение отметим, что разработка платформы для распознавания и синтеза речи на базе нейронных сетей и машинного обучения представляет собой сложный и многогранный процесс, который требует внимания к множеству аспектов, начиная от сбора данных и обучения моделей, и заканчивая непрерывным обновлением и развитием системы. В процессе проекта понадобится применять знания, полученные на курсе по управлению проектами, чтобы верно спланировать задачи, разобраться, как и где применить методологии проектного управления и выполнить задачу в соответствии с изначальным техническим заданием. Успешное завершение этого проекта открывает новые возможности для применения речевых технологий в различных областях и способствует развитию искусственного интеллекта в целом.

ЛИТЕРАТУРА

1. Зелинов М.А. Изучение работы нейронных сетей: нейронные сети основы, использование нейронных сетей в экономике / М.А. Зелинов // Гуманитарные науки в современном вузе: вчера, сегодня, завтра: материалы международной научной конференции, Санкт-Петербург, 12 декабря 2019 года / под ред. С.И. Бугашева, А.С. Минина. Санкт-Петербург: Санкт-Петербургский государственный университет промышленных технологий и дизайна, 2019. С. 880-885. EDN VFORAH.

2. Ибрагимов Р.М. Влияние функций активации нейронных сетей на скорость обучения на примере нейронной сети с обратным распространением ошибки / Р.М. Ибрагимов // Актуальные проблемы физической и функциональной электроники: Материалы 21 -й Всероссийской молодежной научной школы-семинара, Ульяновск, 04-06 декабря 2018 года. Ульяновск: Ульяновский государственный технический университет, 2018. С. 125-126. EDN YPYBCH.

3. ВоеводаА.А. Формирование структуры нейронной сети посредством декомпозиции исходной задачи на примере задачи управления роботом манипулятором / А. А. Воевода, Д.О. Романников // Известия СПбГЭТУ ЛЭТИ. 2018. № 9. С. 27-32. EDN YPNBYT.

4. Астапов Р.Л. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения / Р.Л. Астапов, Р.М. Мухамадеева // Актуальные научные исследования в современном мире. 2021. № 5-2(73). С. 34-37. EDN GJEUNW.

5. ЯрыгинА.А. Актуальные вопросы машинного обучения с подкреплением интеллектуальных агентов в задачах принятия решений / А.А. Ярыгин // Автоматизация: проблемы, идеи, решения: сборник статей по итогам Международной научно-практической конференции, Челябинск, 08 сентября 2017 года. Челябинск: Общество с ограниченной ответственностью «Агентство международных исследований», 2017. С. 62. EDN ZEUDDJ.

6. Баширова М.М. Технология управления проектами и проектными командами на основе методологии гибкого управления проектами / М.М. Баширова // Наука: общество, экономика, право. 2020. № 2. С. 178183. DOI 10.34755/IR0K.2020.64.29.068. EDN JGPZAF.

7. Мусаева А.К. Сущность и содержание управления проектами, цель и критерии управления проектом / А.К. Мусаева // Вестник научных конференций. 2020. № 6-2(58). С. 132-133. EDN PHVTSQ.

8. Тоцци К. Руководство по DevOps: применяем теорию DevOps на практике / К. Тоцци // Windows 2000 Magazine/Re. 2019. № 6. С. 36. EDN WGEUJF.

REFERENCES

1. ZelinovM.A. Izuchenie raboty nejronnyh setej: nejronnye seti osnovy, ispol'zovanie nejronnyh setej v jekonomike / M.A. Zelinov. Gumanitarnye nauki v sovremennom vuze: vchera, segodnja, zavtra: materialy mezhdunarodnoj nauchnoj

J5 konferencii, Sankt-Peterburg, 12 dekabrja 2019 goda. Pod red. S.I. Bugasheva, A.S. Minina. Sankt-Peterburg: Sankt-

Peterburgskij gosudarstvennyj universitet promyshlennyh tehnologij i dizajna, 2019. Pp. 880-885. EDN VFORAH.

2. Ibragimov R.M. Vlijanie funkcij aktivacii nejronnyh setej na skorost' obuchenija na primere nejronnoj seti s obratnym rasprostraneniem oshibki / R.M. Ibragimov. Aktual'nye problemy fizicheskoj i funkcional'noj jelektroniki: Materialy 21 -j Vserossijskoj molodezhnoj nauchnoj shkoly-seminara, Ul'janovsk, 04-06 dekabrja 2018 goda. Ul'janovsk: Ul'janovskij gosudarstvennyj tehnicheskij universitet, 2018. Pp. 125-126. EDN YPYBCH.

U 3. Voevoda A.A. Formirovanie struktury nejronnoj seti posredstvom dekompozicii ishodnoj zadachi na primere

zadachi upravlenija robotom manipuljatorom / A.A. Voevoda, D.O. Romannikov. Izvestija SPbGJeTU LJeTI, 2018, no. 9, рp. 27-32. EDN YPNBYT.

4. Astapov R.L. Avtomatizacija podbora parametrov mashinnogo obuchenija i obuchenie modeli mashinnogo obuchenija / R.L. Astapov, R.M. Muhamadeeva. Aktual'nye nauchnye issledovanija v sovremennom mire, 2021, no. 5-2(73), рp. 34-37. EDN GJEUNW.

о 5. JaryginA.A. Aktual'nye voprosy mashinnogo obuchenija s podkrepleniem intellektual'nyh agentov v zadachah

0 prinjatija reshenij / A.A. Jarygin. Avtomatizacija: problemy, idei, reshenija: sbornik statej po itogam Mezhdunarodnoj nauchno-prakticheskoj konferencii, Cheljabinsk, 08 sentjabrja 2017 goda. Cheljabinsk: Obshhestvo s ogranichennoj

8 otvetstvennost'ju «Agentstvo mezhdunarodnyh issledovanij», 2017. Pp. 62. EDN ZEUDDJ.

6. Bashirova M.M. Tehnologija upravlenija proektami i proektnymi komandami na osnove metodologii gibkogo upravlenija proektami / M.M. Bashirova. Nauka: obshhestvo, jekonomika, parvo, 2020, no. 2, рp. 178-183. DOI 10.34755/IR0K.2020.64.29.068. EDN JGPZAF.

Ш

7. MusaevaA.K. Sushhnost' i soderzhanie upravlenija proektami, cel' i kriterii upravlenija proektom / A.K. Musaeva. Vestnik nauchnyh konferencij, 2020, no. 6-2(58), рp. 132-133. EDN PHVTSQ.

8. TocciK. Rukovodstvo po DevOps: primenjaem teoriju DevOps na praktike / K. Tocci. Windows2000Magazine/

1 Re, 2019, no. 6, рp. 36. EDN WGEUJF.

x -

LD

U <

Ш

l/l Ш G£

—I <

и о

—I

о

U О í/1

Q

Z <

и

о и

Статья поступила в редакцию 30.01.24; Принята к публикации 29.02.24. Автор прочитал и одобрил окончательный вариант рукописи.

The article was submitted 30.01.24; accepted for publication 29.02.24. The author read and approved the final version of the manuscript.