Представлена онтологическая модель распознавания жестов рук оператора, основанная на методе скелетизации кистей рук библиотеки MediaPipe Hands и авторском способе когнитивной трансформации состояний пальцев по ключевым точкам скелетизации в бинарный код с последующей его конвертацией в цифровой сигнал управления. Модель системы включает этапы предобработки видеокадра, скелетизации кисти, анализа координат ключевых точек, бинарного кодирования состояний пальцев и формирования итогового десятичного управляющего сигнала. Улучшение технических и методологических характеристик системы достигается за счет явного задания причинно-следственных связей между объектами и процессами в онтологии, а также применения четких правил бинарного кодирования. Разработанный интерфейс распознавания жестов обеспечивает точность 98% в нормальных условиях и не ниже 94% в условиях шума и низкой освещенности (50 лм и менее люкс) при среднем времени отклика 0.5 с, превосходя базовые методы на основе известных библиотек OpenCV и TensorFlow.

В статье рассматривается база семронов татарского языка как цифровой лингвистический ресурс для объяснительного искусственного интеллекта. Предлагается модель Большой семиотической базы семронов, в которой лексико-грамматические единицы представлены как семроны – потенциальные смыслообразующие единицы с формой, классом, синтаксическими, семантическими и прагматическими характеристиками, валентностями, правилами активации, корпусными подтверждениями, связями с графом знаний и статусами экспертной проверки. Фреймовое представление используется как способ организации записи семрона: базовый фрейм фиксирует потенциальные возможности единицы, а специализированный фрейм сейрона описывает её контекстную реализацию после закрытия одной или нескольких валентностей. Показано, что такая база может выполнять функцию ресурсного слоя Семиотической генеративной распознающей модели, обеспечивая переход от морфемной структуры татарского текста к ситуационной модели, верифицируемой цепочке и объяснению. Компактные примеры записей демонстрируют структуру фрейма, типы слотов и фасетов, принципы верификации и возможные форматы представления данных.

Предложен метод построения инвариантных к масштабу представлений временных рядов розничной выручки на базе трехбарной (по трем соседним периодам) геометрии Драммонда (DG), расширенной мульти-таймфреймовым контекстом (день, частичная календарная неделя и скользящая 7-дневка). На этих «патчах» выполнено self-supervised предобучение по схеме Joint-Embedding Predictive Architecture (JEPA) со спатио-темпоральным маскированием, после чего модель дообучена с выходными слоями, оценивающими неопределенность, для прогноза на следующий день и следующую неделю. Проанализированы свойства аффинной инвариантности признаков и идентифицируемости недельной фазы; эмпирически продемонстрировано улучшение по сравнению с сильными базовыми моделями на реальных данных.