Перегляд за Автор "Barmak, Oleksandr"

Зараз показуємо 1 - 4 з 4
  • Ескіз
    Документ
    Interpretable deep learning method for medical image diagnosis
    (ФОП Вишемирський В.С., 2024-06-23) Manziuk, Eduard; Barmak, Oleksandr; Krak, Iurii; Petliak, N.; Jin, Zh.; Radiuk, Pavlo
    Incorporating artificial intelligence into the medical field holds immense potential, but it also raises significant challenges that must be addressed to ensure patient safety and ethical practices. While AI can enhance efficiency and support decision-making processes, its application in healthcare demands utmost caution and rigorous safeguards.
  • Ескіз
    Документ
    Representation of trustworthiness components in AI systems: A formalized approach considering interconnections and overlap
    (CEUR-WS.org, 2024-10-05) Manziuk, Eduard; Barmak, Oleksandr; Radiuk, Pavlo; Kuznetsov, Vladislav; Krak, Iurii
    The study addresses the problem of integrating trustworthiness components into artificial intelligence (AI) systems. A new method is proposed to determine the interdependence and intersection of concepts in the field of trustworthy AI. The approach provides a structured way to assess the interconnections and overlaps between different trustworthiness concepts, offering a more complete understanding of their complex interaction. A method for assessing the degree of coincidence between different trustworthiness components is proposed, which allows for a more accurate analysis of their interconnections. The results of experimental studies have shown the level of interconnection between the concepts, with an average level of overlap of about 67%. A formal model for integrating trustworthiness components into AI systems has also been developed. This model provides a framework for evaluating the actions of an AI agent against several trustworthiness criteria simultaneously. The approach takes into account different contexts and scenarios, providing a more robust and flexible assessment of trustworthy AI. By bridging the gap between theoretical concepts and practical implementation, this work contributes to the development of trustworthy AI systems. The proposed work also provides a more structured and formalized approach to understanding and implementing trustworthy AI. Furthermore, this research aims to contribute to the development of AI systems that are built on ethical principles and societal values.
  • Ескіз
    Документ
    Representation of Trustworthiness Components in AI Systems: A Formalized Approach Considering Interconnections and Overlap
    (2024-10-05) Manziuk, Eduard; Barmak, Oleksandr; Radiuk, Pavlo; Kuznetsov, Vladislav; Krak, Iurii
    The study addresses the problem of integrating trustworthiness components into artificial intelligence (AI) systems. A new method is proposed to determine the interdependence and intersection of concepts in the field of trustworthy AI. The approach provides a structured way to assess the interconnections and overlaps between different trustworthiness concepts, offering a more complete understanding of their complex interaction. A method for assessing the degree of coincidence between different trustworthiness components is proposed, which allows for a more accurate analysis of their interconnections. The results of experimental studies have shown the level of interconnection between the concepts, with an average level of overlap of about 67%. A formal model for integrating trustworthiness components into AI systems has also been developed. This model provides a framework for evaluating the actions of an AI agent against several trustworthiness criteria simultaneously. The approach takes into account different contexts and scenarios, providing a more robust and flexible assessment of trustworthy AI. By bridging the gap between theoretical concepts and practical implementation, this work contributes to the development of trustworthy AI systems. The proposed work also provides a more structured and formalized approach to understanding and implementing trustworthy AI. Furthermore, this research aims to contribute to the development of AI systems that are built on ethical principles and societal values.
  • Ескіз
    Документ
    Метод розпізнавання обличчя під довільним кутом зору
    (Хмельницький національний університет, 2023) Добржанський, Володимир; Бармак, Олександр; Скрипник, Тетяна; Dobrzhanskyi, Volodymyr; Barmak, Oleksandr; Skrypnyk, Tetyana
    У статті висвітлюється проблема використання технології розпізнавання обличчя в індустріальних застосуваннях. Незважаючи на інтеграцію цієї технології, існують відкриті виклики, такі як верифікація та ідентифікація осіб з різних поз. Особливу проблему становить відсутність належних досліджень у сфері розпізнавання обличчя в відео, зокрема в системах відеоспостереження, де в якості посилання використовуються знімки, отримані зі спеціальних кутів зору (POV). Ці виклики підкреслені в контексті використання фотографій, знятих фронтально та з правого профілю, які традиційно збираються поліцією. Для вирішення цих проблем і заповнення дослідницької ніші пропонується новий підхід у вигляді бази даних з розпізнавання обличчя за знімками (FRMDB). Ця база включає 28 знімків та 5 відео, отриманих з різних кутів зору для 39 унікальних об'єктів. Основною метою FRMDB є аналіз впливу використання знімків з різних кутів зору на точність розпізнавання обличчя на кадрах відеоспостереження. Для перевірки ефективності FRMDB та порівняння з існуючими даними проведено тести точності, використовуючи дві глибокі нейронні мережі (CNN), а саме VGG16 і ResNet50. Для цього вони були передзавантажені на попередньо навчені набори даних VGGFace та VGGFace2 для вилучення ознак обличчя. Порівняльний аналіз результатів проведено із застосуванням даних з існуючого дослідження, а саме, Бази даних обличчя з камер відеоспостереження (SCFace). Результати підкреслюють, що піднабір знімків, який включає фронтальні та праві профільні зображення, показує найнижчий рівень точності серед варіантів, що були протестовані. Це вказує на необхідність додаткового дослідження для визначення оптимальної кількості знімків для ефективного розпізнавання обличчя на кадрах відеоспостереження.