CORTEXA
← Browse
zenodoConference paper2025-05-14

Розвиток цифрової компетентності майбутніх фахівців авіаційної галузі засобами технологій штучного інтелекту

Наталія Володимирівна Подопригора

У статті обґрунтовується необхідність та доцільність розвитку цифрової компетентності майбутніх фахівців авіаційної галузі засобами технологій штучного інтелекту (ШІ). Авторкою висвітлено методичні аспекти вибіркового освітнього компонента «Штучний інтелект в авіаційних системах», розробленого та апробованого в Українській державній льотній академії. Методика базується на двокомпонентному підході до організації освітньої діяльності: Практико-орієнтований компонент: спрямований на формування навичок ефективної взаємодії з сучасними ШІ-інструментами (великими мовними моделями, генеративними сервісами) через промпт-інжиніринг для вирішення професійних завдань без потреби у програмуванні. Концептуально-дослідницький компонент: забезпечує глибоке розуміння базових принципів машинного навчання, комп'ютерного зору та обробки природної мови. У межах цього компонента здобувачі здійснюють практичне навчання моделей (зокрема, перцептрона для розпізнавання рукописних цифр з датасету MNIST), а також працюють з алгоритмами детектування об'єктів у середовищі Google Colab. Наскрізною дидактичною лінією є професійна спрямованість: вивчаються приклади застосування машинного навчання для аналізу польотних даних, навігації БПЛА, моніторингу інфраструктури та аналізу звітів про безпеку.  Доведено, що поєднання цих підходів розвиває здатність критично оцінювати згенеровану інформацію, розуміти обмеження алгоритмів та формує відповідальне ставлення до етичних аспектів використання ШІ, що є фундаментальним для забезпечення безпеки польотів.

View free PDFSource page

Related papers

zenodoConference paper2026-05-27

Обмеження навчання моделей комп'ютерного зору для систем розпізнавання психоемоційних станів в авіаційній інфраструктурі

Наталія Подопригора

У статті досліджуються епістемологічні та алгоритмічні обмеження сучасних моделей комп'ютерного зору (зокрема архітектури YOLOv8) щодо автоматизованого розпізнавання складних психоемоційних станів в умовах авіаційної інфраструктури. На основі трансдисциплінарної методології…

View free PDFSource page
zenodoConference paper2026-05-20

Differentiating Suspected and Confirmed Heart Failure Using Machine Learning and Refined Vocal Features

Lazar Dašić, Ognjen Pavić, Tijana Geroski, Anđela Blagojević, Andrej Preveden, Aleksandra Milovančev, et al.

Voice characteristics are an emerging, non-invasive biomarker for heart failure. This study develops a machine learning pipeline to differentiate patients with suspected heart failure from those with a confirmed diagnosis using vocal features alone, drawing on 240 patients (50 su…

View free PDFSource page
zenodoConference paper2026-05-20

Comparative Analysis of U-Net-Based Architectures for Coronary Artery Segmentation Using X-Ray Angiography Images

Anđela Stojadinović, Tijana Geroski, Dajana Jovanović, Nenad Filipović

Accurate delineation of coronary arteries from X-ray angiography supports early identification of narrowing or blockages, but is complicated by low contrast and thin, branching vessel structures. This study compares three U-Net-based segmentation architectures — U-Net, U-Ne…

View free PDFSource page
zenodoConference paper2026-05-20

SoC-Based Implementation of CNN Model for End-Diastolic Volume Classification from Echocardiogram via hls4ml

Nemanja Marković, Tijana Geroski, Emil Jovanov, Nenad Filipović

Echocardiographic assessment of End-Diastolic Volume (EDV) is central to identifying dilated cardiomyopathy, a major driver of heart failure. This paper presents a low-latency, edge-computing solution that deploys an 8-bit quantized, 50%-pruned CNN directly onto a Xilinx Artix-7…

View free PDFSource page
zenodoConference paper2026-02-15

A Modular Deep Learning Pipeline for Echocardiographic Video Classification of Heart Failure

Tijana Geroski, Mahyar Bolhassani, Narayana S. Singam, Ayman Battisha, Nenad Filipović, Dinesh Kalra, et al.

Distinguishing heart failure with reduced ejection fraction (HFrEF) from heart failure with preserved ejection fraction (HFpEF) is clinically important but challenging. This paper presents an end-to-end deep learning pipeline for automated three-class classification (healthy, HFr…

View free PDFSource page