Издательство
Каталог
Авторам
Рекламодателям
КонтактыВНИМАНИЕ!
Новый адрес редакций журналов Колодезный пер., 2 А.
ООО «Издательство «Инновационное машиностроение»
- КНИГИ Прайс-лист
- ЖУРНАЛЫ Прайс-лист
Книги и журналы, просмотренные ранее
Статьи автора
К последнему номеру журналаВсе статьи автора в журнале: Салтыкова О.А.
- Навигация мобильного робота в неструктурированной средеMobile robot navigation in an unstructured environmentАвторы статьиAuthorsБелов Б.А.Belov B.A.Салтыкова О.А.Saltyikova O.A.rsf22@yandex.rursf22@yandex.ru
Навигация мобильного робота в неструктурированной среде
УДК 004.89
DOI: 10.36652/0869-4931-2025-79-1-27-31
Рассмотрена навигация мобильного робота в неструктурированной среде. Приведены задачи, которые должны быть решены в процессе управления роботом, передвигающимся в среде с неизвестными препятствиями. В качестве объекта исследования рассмотрен робот, оснащенный датчиками приближения, не имеющий предварительных знаний об окружающей среде. Формализована процедура управления мобильным роботом. Ее алгоритм реализуется с использованием нейронного контроллера, основу которого составляет сеть Кохонена. Такой контролер позволяет одновременно решать задачи обхода препятствий и достижения цели.
Ключевые слова
мобильный робот, навигация, препятствие, неструктурированная среда, нейронная сеть
Mobile robot navigation in an unstructured environment
The navigation of a mobile robot in an unstructured environment is considered. The problems that must be solved in the process of controlling a robot moving in an environment with unknown obstacles are given. A robot equipped with proximity sensors that does not have prior knowledge of the environment is considered as object of research. The procedure for controlling a mobile robot is formalized. Its algorithm is implemented using a neural controller based on the Kohonen network. Such a controller allows solving the problems of avoiding obstacles and reaching a goal simultaneously.
Keywords
mobile robot, navigation, obstacle, unstructured environment, neural network
- Повышение эффективности бизнес-процессов на основе гибридного использования технологий RPA и AIImproving business process efficiency through the hybrid use of RPA and AI technologiesАвторы статьиAuthorsСалтыкова О.А.Saltyikova O.A.Саушкин В.Д.Saushkin V.D.olga_a_saltykova@mail.ru, kingrailag@gmail.comolga_a_saltykova@mail.ru, kingrailag@gmail.com
Повышение эффективности бизнес-процессов на основе гибридного использования технологий RPA и AI
УДК 004
DOI: 10.36652/0869-4931-2026-80-6-309-315
В условиях цифровой трансформации экономики широкое распространение получили такие технологии автоматизации, как роботизированная автоматизация процессов (Robotic Process Automation, RPA) и искусственный интеллект (Artificial Intelligence, AI). Однако при их изолированном применении эти технологии имеют существенные ограничения: классическая RPA не способна обрабатывать неструктурированные данные и принимать адаптивные решения, в то время как AI-решения требуют значительных ресурсов, сложны в интеграции и не гарантируют стопроцентной точности выполнения сквозных бизнес-процессов. В статье демонстрируются преимущества симбиоза технологий RPA и AI по сравнению с их обособленным использованием. Показано, что скорость и точность RPA компенсируют риски ошибок AI, а возможности AI по анализу неструктурированной информации и принятию гибких решений, в свою очередь, значительно расширяют область применения RPA. В результате создается единый продукт, позволяющий автоматизировать не только рутинные, но и интеллектуально насыщенные процессы, требующие анализа и интерпретации данных. Приведенные в статье результаты исследования в данной области могут представлять интерес для компаний, стремящихся к цифровой трансформации.
Ключевые слова
цифровая трансформация, автоматизация бизнес-процессов, информационная система, роботизированная автоматизация процессов (Robotic Process Automation, RPA), искусственный интеллект (Artificial Intelligence, AI), машинное обучение, Primo AI, компьютерное зр
Improving business process efficiency through the hybrid use of RPA and AI technologies
In the context of the economy digital transformation automation methods such as robotic process automation (RPA) and artificial intelligence (AI) become widespread. However, when used in isolation, they have significant limitations: classic RPA is unable to process unstructured data and make adaptive decisions, while AI solutions require significant resources, are difficult to integrate, and do not guarantee 100 % accuracy in the execution of end-to-end business processes. This article demonstrates the advantages of a symbiosis of RPA and AI technologies compared to their separate use. It is shown that the speed and accuracy of RPA offset the risk of AI errors, while AI’s ability to analyze unstructured information and make flexible decisions significantly expands the scope of RPA’s application. This creates a unified product that enables the automation of not only routine but also intellectually intensive processes requiring data analysis and interpretation. The presented research results in this area may be of interest to companies striving for digital transformation.
Keywords
digital transformation, business process automation, information system, robotic process automation (RPA), artificial intelligence (AI), machine learning, Primo AI, computer vision, software
- Сравнительный анализ векторных баз данных и больших языковых моделей при работе с документамиComparative analysis of vector databases and large language models for document processingАвторы статьиAuthorsСалтыкова О.А.Saltyikova O.A.Саушкин В.Д.Saushkin V.D.olga_a_saltykova@mail.ru, kingrailag@gmail.comolga_a_saltykova@mail.ru, kingrailag@gmail.com
Сравнительный анализ векторных баз данных и больших языковых моделей при работе с документами
УДК 004
DOI: 10.36652/0869-4931-2026-80-8-417-422.
Проведен комплексный анализ современных подходов к организации интеллектуального поиска и анализа корпоративных документов с использованием векторных баз данных и больших языковых моделей (LLM). Рассмотрена архитектура системы семантического поиска на основе векторных представлений текста, приведены результаты анализа специализированной векторной базы данных Qdrant и расширения pgvector для PostgreSQL. Исследован метод обработки больших документов через разбиение на фрагменты (чанкинг) с последующей векторизацией и индексацией с использованием ИИ-модели BAAI/bge-m3. Разработан алгоритм адаптивного чанкинга с семантическим перекрытием. Математически обоснованы метрики семантической близости и предложена функция временного затухания релевантности на основе кривой Эббингауза. Экспериментальные исследования показали превосходство Qdrant над pgvector с ускорением поиска в 3,7 раза. Разработаны система метрик для оценки качества семантического поиска и методика расчета экономической эффективности внедрения. Результаты исследования демонстрируют повышение точности поиска на 16,7 %, сокращение времени поиска информации на 60,9 % и достижение экономического эффекта с ROI 292 %. Внедрение предложенной системы позволяет повысить эффективность работы с корпоративной информацией, что напрямую влияет на конкурентоспособность организации в условиях цифровой трансформации.
Ключевые слова
векторные базы данных, Qdrant, pgvector, семантический поиск, text embeddings, LLM, конкурентоспособность
Comparative analysis of vector databases and large language models for document processing
А comprehensive analysis of modern approaches to organizing intelligent search and analysis of corporate documents using vector databases and large language models (LLM) is conducted. The architecture of a semantic search system based on vector representations of text is discussed, along with the results of an analysis of the specialized vector database Qdrant and the pgvector extension for PostgreSQL. А method for processing large documents by splitting them into fragments (chunking), followed by vectorization and indexing using the BAAI/bge-m3 AI model, is investigated. An adaptive chunking algorithm with semantic overlap is developed. Semantic similarity metrics are mathematically justified, and a relevance decay function based on the Ebbinghaus curve is proposed. Experimental studies have shown the superiority of Qdrant over pgvector, with search speedups of 3,7 times. A system of metrics for assessing the quality of semantic search and a methodology for calculating the cost-effectiveness of implementation have been developed. The study results demonstrate a 16,7 % increase in search accuracy, a 60,9 % reduction in information search time, and an economic impact of 292 %. Implementation of the proposed system improves the efficiency of corporate information management, which directly impacts the organization’s competitiveness in the context of digital transformation.
Keywords
vector databases, Qdrant, pgvector, semantic search, text embeddings, LLM, competitiveness
