Для автоматизації аналізу станів об'єктів використано правила для представлення знань, а для їх відображення, інтерактивної обробки та перевірки вдосконалено моделі правил у вигляді І/АБО-графа. Запропоновано ІТ з використанням редактора правил для розробки знанняорієнтованих систем контролю, за допомогою якої проводиться автоматизоване перетворення правил в мову продукційного програмування.

Розроблено методи перевірки правил знання-орієнтованих систем контролю; запропоновано методику, яка регламентує використання методів для усунення помилок. Наведено компоненти та етапи функціонування знання-орієнтованих систем контролю; створено редактор правил і системи контролю для двох предметних областей. Аналіз результатів в системах управління навчанням показав поліпшення якості навчання і зменшення часу виконання самостійних завдань.

Досліджено підходи до побудови експертних систем моніторингу. Мета роботи - скорочення часу і трудомісткість розробки і поліпшення якості баз знань експертних систем для моніторингу на основі візуалізації й інтелектуальної обробки правил. Розроблено модель візуалізації й структуризації правил експертних систем для моніторингу на основі І/АБО-графа, метод перевірки правил експертних систем моніторингу на суперечливість з використанням задачі SAT, метод перевірки правил експертних систем на повноту за допомогою "інверсних" правил. На цій основі запропоновано методику розробки експертних систем, що не є універсальною, а розрахована на системи моніторингу. Створено редактор правил і використано його при розробці бази знань для моніторингу виконання вимог щодо безпечної експлуатації електроустановок.

Недоліком багатьох діагностичних систем є неможливість достатньою мірою оцінити достовірність рішень. При вирішенні проблеми класифікації кожен приклад може бути класифікований із різним ступенем якості. Запропоновано міру якості зразкової класифікації (міра невідповідності). Мета дослідження - поліпшити оцінку достовірності діагностики в медицині на основі конформних предикторів, які надають можливість проводити вірогідну класифікацію, а також виявляти ненормальні випадки, коли класифікатор не може визначити клас для конкретного об'єкта, або відносить один об'єкт до окремих класів одночасно. Описано побудову та тестування різних імовірнісних моделей двійковій класифікації на основі машинного навчання, зокрема, методу SVM і конформних предикторів, що використовують міру невідповідності. Для вивчення та тестування моделей використано набір даних Breast Cancer Wisconsin (Diagnostic) Data Set для побудови лінійних, поліномів різного ступеня та моделей RBF. Оцінено результати прогнозування для кожного прикладу з набору тестів, а також інтегральні характеристики якості моделей, з урахуванням як правильності прогнозів для кожного класу, так і кількості різних типів аномалій. На базі кращих відібраних моделей (лінійна, поліноміальна модель 2-го ступеня і RBF) розроблено інтелектуальну діагностичну систему для застосування в медицині, яка надає можливість автоматизувати побудову моделі, а також проводити діагностику та відображати достовірність отриманого діагнозу або повідомляти про неможливість поставити діагноз. Програма також надає можливість декільком лікарям входити в систему, додавати нових пацієнтів і редагувати інформацію про них. Кожен пацієнт має свою медичну карту з результатами обстеження та поставленими діагнозами. Результати дослідження можуть бути застосовані в системах діагностики різних захворювань. Це можна зробити, використовуючи дані з симптомами та відповідними діагнозами і створивши відповідні моделі на цій основі.

Мета дослідження - зменшення часу обробки кадрів при сегментації обличчя на відео на мобільних пристроях за допомогою технологій глибинного навчання. Проведено аналіз переваг і недоліків існуючих методів сегментації, а також їх застосовності для вирішення різних завдань. Виконано порівняння існуючих реалізацій сегментації обличчя в реальному часі в найбільш популярних мобільних додатках, які надають функціонал додавання візуальних ефектів на відео. В результаті визначено, що класичні методи сегментації не володіють відповідним поєднанням точності та швидкості роботи, а також вимагають ручного налаштування під конкретну задачу, тоді як методи сегментації на базі нейронних мереж (НМ) визначають глибинні ознаки автоматично і мають високу точність за прийнятного часу роботи. Для використання обрано метод на базі глибинних згорткових НМ (ЗНМ), оскільки, крім переваг інших методів на базі НМ, він не вимагає настільки значних витрат обчислювальних ресурсів під час виконання. Проведено огляд існуючих ЗНМ для сегментації, виходячи з якого для застосування обрано мережу DeepLabV3+ як ту, що має досить високу точність і при цьому оптимізована для роботи на мобільних пристроях. У структуру обраної мережі внесені модифікації з метою відповідності завданню сегментації на 2 класи та для прискорення роботи на пристроях із низькою продуктивністю. Для подальшого прискорення роботи до оброблюваних мережею значень застосовано восьмібітну квантизацію. Адаптацію мережі під задачу сегментації обличчя виконано за допомогою перенесення навчання, проведеного на вибірці зображень з обличчями з датасета COCO. На базі зміненої та навченої моделі сегментації створено мобільний додаток для запису відео з візуальними ефектами в реальному часі, яке застосовує сегментацію для роздільного накладення ефектів на дві зони - обличчя (фільтри кольору, зміна яскравості, анімовані ефекти) і тло (розмиття, приховування, заміна на інше зображення). Проведено тестування часу обробки кадрів в додатку на мобільних пристроях з різними технічними характеристиками. Проаналізовано відмінності в показниках тестування при сегментації за допомогою отриманої моделі і з використанням сегментації методом нормального розрізу графа. В результаті порівняння виявлено зниження часу обробки кадрів на більшості пристроїв за незначного зменшення точності сегментації.