Аннотация:

Рассмотрена проблема координации разнородных программных средств в гетерогенных средах распределенного запуска приложений. Ручное конфигурирование параметров запуска для вновь устанавливаемых программ на вычислительный кластер (таких как ключи командной строки, значения переменных окружения и настройки конфигурационных файлов) создает серьезные трудности для исследователей предметных областей из-за больших объемов служебной информации и необходимости сохранения и агрегации информации в некотором фиксированном формате. Предложен метод автоматизированного извлечения параметров запуска, базирующийся на гибридной архитектуре обучения нейронной сети, сочетающей генерацию обучающей выборки большими языковыми моделями и последующее дообучение компактного трансформерного энкодера. Реализация подхода исключает зависимость от дорогостоящих графических ускорителей за счет применения методики низкоранговой адаптации (Low-Rank Adaptation) для моделей размером до 1 млрд параметров, что обеспечивает возможность выполнения модели (инференса) на обычных центральных процессорах управляющих узлов. Для формализации качества извлечения разработана двухкомпонентная метрика, агрегирующая структурную корректность выходной JSON-схемы (наличие в полученных данных обязательных полей, типов параметров программы) и семантическую точность значений параметров (соответствие описания в документации). Экспериментальная оценка метода ориентирована на корпус документации программных пакетов (man-страницы, README). Результаты проектирования подтверждают возможность аппроксимации процесса анализа документации компактной моделью, что способствует автоматизации жизненного цикла развертывания программного обеспечения и снижению ошибок управления потоками задач в распределенных вычислительных комплексах.

Аннотация:

Современное информационное пространство содержит множество данных, однако они зачастую слабо структурированы, трудно находимы и не всегда корректны. Это создаёт дополнительные трудности при исследованиях, поэтому в настоящее время формируются цифровые пространства научных знаний, в частности, на основе графов знаний.

Для обеспечения качества информации такие графы часто наполняются данными вручную, что требует больших затрат времени. Поэтому создание инструмента, предоставляющего возможность автоматического наполнения графа данными, а также обеспечивающего контроль их качества, позволит упростить и ускорить процесс формирования цифровых пространств научных знаний.

Предложены методы автоматизации наполнения графа данными, обеспечивающие параллельный контроль их целостности. На основе предложенных методов разработан программный модуль, описаны механизмы его функционирования и его архитектура.

Аннотация:

Электронные библиотеки в XXI веке стали важнейшими источниками информации во всех отраслях науки и техники, магистральным направлением развития мирового библиотечного дела, всей информационной деятельности. Первой электронной библиотекой стал Проект Гутенберг, основанный Майклом Хартом ровно 50 лет назад. Всемирно известным он стал лишь в 1990-е годы, после появления интернета и первых браузеров. Харт мечтал о 10000 оцифрованных книг и, по его признанию, достиг всех целей, которые ставил перед собой. В России одной из первых и наиболее значительной стала библиотека Максима Мошкова (1994). В данной статье прослеживаются этапы создания этих библиотек и биографии их создателей; анализируются трудности в их работе. Отдельное внимание уделено вопросам законодательства о продолжительности действия авторских прав.

Аннотация: Описаны основные трудности, с которыми сталкиваются студенты на начальном периоде обучения в высшем учебном заведении в рамках изучения математических дисциплин. Приведены возможные пути преодоления этих трудностей для студентов направления подготовки «Педагогическое образование» – будущих учителей математики – на примере дисциплины «Математический анализ».