VKVladyslav Kozub

Vladyslav Kozub

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Vladyslav Kozub has a total of 36 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Application of parallel computing in forecasting problems of complex engineering processes

    by Vladyslav Kozub, Yurii Shevchuk, Orest Danchak, Yevhenii Tytarchuk, Anatolii Subin

    Complex engineering processes require short-term prediction to maintain the stability of energy-intensive industrial operations under severe computational and latency constraints. The research is a 24-hour-ahead multi-step prediction of aggregated electrical load in one of the Ukrainian metallurgical plants, where high-frequency SCADA data are sampled at 15-minute intervals, totaling 105,120 observations over 2022-2025. This is to predict energy demand with a maximum inference latency of 250 ms to enable real-time dispatch coordination. It is an advanced model that uses mixed-precision (FP16) computing and asynchronous data loading on GPU-accelerated data parallelism (CUDA 12.2, PyTorch 2.1, NVIDIA RTX A6000 48 GB). A leakage-conscious walk-forward validation protocol performs five repeated validations and guarantees temporal consistency and reproducibility. Forecast performance is evaluated using mean absolute error (MAE), root mean squared error (RMSE), mean absolute percentage error (MAPE), and R². At the same time, computational efficiency is assessed in terms of speedup, throughput, and inference latency. The proposed parallel hybrid framework reduces the MAE to 2.41 MW, the RMSE to 3.05 MW, the MAPE to 2.97%, and the R² to 0.98, outperforming the ARIMA, standalone LSTM, and Transformer baselines. GPU acceleration achieves a 6.67-fold reduction in training time, increases throughput from 415 to 1964 samples per second, and lowers inference latency from 312 ms to 87 ms, satisfying operational constraints. Parallel deep forecasting can support real-time industrial decisions, improve load balancing, and enhance energy resilience in Ukraine.

  • Open Access

    АНАЛІЗ ВПЛИВУ WEBASSEMBLY НА ПРОДУКТИВНІСТЬ СКЛАДНИХ ВЕБЗАСТОСУНКІВ

    by В. Ю. Козуб, М. А. Семенов, С. І. Осадчук

    Мета статті. Мета дослідження полягає у комплексному аналізі впливу технології WebAssembly на продуктивність складних вебзастосунків, визначенні ключових факторів підвищення ефективності обчислень та оцінці перспектив практичного застосування у сучасній веброзробці для оптимізації користувацького досвіду.Наукова новизна. Наукова новизна роботи полягає в систематизації методів оцінки впливу WebAssembly на продуктивність складних вебзастосунків, розробці комплексного підходу до аналізу ефективності бінарних інструкцій у веб середовищі. Вперше проведено порівняльний аналіз різних архітектурних рішень інтеграції WebAssembly з традиційними JavaScript-рішеннями. Запропоновано методологію оцінки продуктивності для різних типів обчислювальних задач у вебзастосунок з використанням метрик швидкодії та оптимізації пам’яті.Результати. Результати дослідження демонструють значне підвищення продуктивності складних веб-застосунків при використанні WebAssembly порівняно з традиційними JavaScript-рішеннями. Встановлено, що WebAssembly забезпечує прискорення виконання обчислювально-інтенсивних операцій у 2–10 разів залежно від типу задач. Виявлено оптимальні сценарії застосування технології для математичних обчислень, обробки зображень, криптографічних операцій та мультимедійних застосунків. Проаналізовано вплив різних компіляторів та оптимізації на підсумкову продуктивність. Визначено критичні аспекти інтероперабельності між WebAssembly та JavaScript, що впливають на загальну ефективність системи. Розроблено рекомендації щодо архітектурних рішень для максимізації переваг WebAssembly у складних вебзастосунках.Висновки. WebAssembly демонструє високий потенціал для оптимізації продуктивності складних вебзастосунків, особливо у сферах з інтенсивними обчисленнями. Технологія забезпечує значне прискорення виконання критично важливих операцій при збереженні безпеки та кросплатформності. Оптимальне застосування WebAssembly вимагає ретельного аналізу архітектури застосунку та специфіки обчислювальних задач для досягнення максимального ефекту.


  • Open Access

    Using artificial intelligence in software development processes: achievements and challenges

    by Vladyslav Kozub, Valentyn Druzhynin, Diana Trufanova, Pavlo Ihnatenko, Kateryna Kolos

    This study consolidates contemporary methodologies for applying artificial intelligence in software engineering. Using the PRISMA protocol, an analysis of 60 peer-reviewed publications was conducted. Findings indicate that the use of generative tools (such as GitHub Copilot), AI-based testing platforms (like Testim.io and Diffblue), and DevOps automation systems (e.g., Harness.io) can lead to a 20–40% reduction in development time, while also enhancing code quality and minimizing errors. A key academic contribution of the research is the introduction of a three-tier classification of integration barriers – technical, organizational, and legal – that hinder the seamless adoption of AI technologies within the Software Development Life Cycle (SDLC), as well as the lack of standardized methodologies. The recommendations provided in this work are particularly relevant to software engineers, IT project leaders, and academic researchers, as they address crucial concerns related to model interpretability, system instability, the absence of unified standards, and regulatory ambiguity. The practical relevance of the study lies in presenting actionable strategies for the responsible, scalable, and ethically grounded deployment of AI-driven tools in industrial, academic, and research settings.


  • Open Access

    Application of the finite element method for real-time modelling of physical processes using distributed computing

    by Vladyslav Kozub

    This study investigated the application of the finite element method for modelling complex physical processes in real time. The aim of the research was to determine the effectiveness of this method when combined with distributed computing. An integrated model was developed, combining classical numerical analysis with modern distributed system technologies to ensure high accuracy and computational efficiency. It was established that the finite element method had traditionally been used for modelling heat transfer, deformations, and electromagnetic phenomena. However, modern requirements for monitoring and control created the need to adapt this method for distributed computing. Algorithms for the efficient distribution of computational tasks were developed, allowing data processing delays to be minimised. Experimental simulations showed that the use of distributed computing reduced calculation time by almost 14.5 times – from 420 seconds on a single node to 29 seconds on 16 nodes – while maintaining a relative error of 2-4%. More than 50 test runs were conducted, confirming the system’s operational stability. The use of an adaptive integration step reduced computation time by 15% compared to a fixed step, demonstrating the effectiveness of load distribution optimisation. The obtained results confirmed the high potential of this method for solving real engineering problems, where speed and accuracy of calculations were crucial. The proposed methodology was recommended for use in industrial processes, monitoring, and control systems, as it provided fast and accurate modelling of complex engineering tasks with high scalability

  • Open Access

    Philosophical Approach to Understanding Artificial Intelligence in Pedagogical Practice

    by Halyna Kozub, Vladyslav Kozub, Mykola Kozlovets, Nadiia Shcherbakova, Olena Osmachko

    The article provides a philosophical evaluation of the AI positioning within the educational process. The intensity of integrating innovative technologies into the education sector necessitates immediate theoretical and methodological organization. Philosophical discourse offers a critical understanding of the AI prospects in the pedagogical system in the context of various contemporary socio-cultural paradigms. This scholarly inquiry aims to systematize and compare methods of using AI in education based on value-based and goal-oriented criteria. The research methodology is focused on: general scientific methods of analytical clustering, which facilitate the study of practical mechanisms for the AI application in pedagogical activities; and philosophical methods, based on the dialectical and synergistic principles of educational innovation. The study's findings highlight problematic niches in the philosophical understanding of AI: existential, axiological, epistemological, methodological, and ethical. Interpreting the phenomenon of AI through the lens of contemporary philosophical-anthropological trends defines innovative tools as elements supporting human potential, which is shaped and realized during the educational process. The research prospects lie in developing theoretical and methodological guidelines for AI usage in the educational sphere. AI requires algorithmic coherence in its application, as it activates fundamental dimensions of philosophical-anthropological potential in the education participants. Cognitive, value-ethical, spiritual-emotional, and existential-worldview activities shape a comprehensive understanding of the individual. Therefore, society faces a dilemma regarding the influence of AI, where this innovative tool can serve to improve the quality of education in two ways: either by enhancing the pedagogical system or by being a factor in the enhancement of the individual


  • Open Access

    ВПЛИВ КОНТЕЙНЕРИЗАЦІЇ НА ЕФЕКТИВНІСТЬ ХМАРНИХ СЕРВІСІВ

    by С. В. Батаєв, В. Ю. Козуб, Е. І. Дібрівна

    Дослідження спрямоване на оцінку того, як технології, такі як Docker і Kubernetes, сприяють підвищенню продуктивності, масштабованості та економічності хмарних систем, а також на виявлення факторів, що можуть обмежувати їхнє застосування в реальних умовах експлуатації. У фокусі роботи – практичні аспекти впровадження контейнеризації та її роль у трансформації хмарних технологій. Мета статті. Метою даної статті є аналіз впливу контейнеризації на ефективність хмарних сервісів, визначення її ключових переваг, потенційних викликів та перспектив розвитку в контексті сучасних ІТ-інфраструктур. Наукова новизна. Наукова новизна полягає в систематизації та узагальненні сучасних даних щодо впливу контейнеризації на хмарні сервіси з урахуванням новітніх звітів і реальних кейсів провідних компаній (Netflix, Spotify, Airbnb). У роботі вперше поєднано аналіз енергоефективності, безпеки та масштабованості контейнеризації з оцінкою її економічного ефекту в мультихмарних і серверлес-архітектурах. Окрема увага приділена новим викликам, пов’язаним із безпекою ядра хост-системи та складністю управління великими кластерами контейнерів, що доповнює існуючі дослідження. Результати. Дослідження показало, що контейнеризація значно підвищує ефективність хмарних сервісів завдяки скороченню часу розгортання додатків (з 20–30 хвилин для VM до 2–5 хвилин), економії ресурсів (20–30 % CPU та пам’яті), а також зниженню операційних витрат (15–25 %). Реальні приклади впровадження в Netflix (70 % приріст швидкості оновлень), Spotify (міграція за 4 місяці) і Coca-Cola (44 % зменшення затримки) підтверджують ці переваги. Водночас виявлено обмеження: 65 % компаній зіткнулися з вразливостями конфігурацій Kubernetes, що вимагає додаткових заходів безпеки. Контейнеризація підтримує мультихмарні стратегії (60 % компаній) і серверлес-платформи (40 % додатків), сприяючи гнучкості та портативності. Висновки. Контейнеризація є ключовою технологією для підвищення ефективності хмарних сервісів, забезпечуючи швидкість, економію та адаптивність. Її переваги переважають виклики, такі як безпека та складність управління, що робить її стандартом для сучасних ІТ-систем. У 2025 році контейнеризація залишатиметься основою хмарних обчислень, сприяючи інноваціям і конкурентоспроможності бізнесу. Перспективи розвитку пов’язані з інтеграцією штучного інтелекту та вдосконаленням оркестраторів, що зробить хмарні сервіси ще доступнішими й ефективнішими.

  • Open Access

    ВИКОРИСТАННЯ АЛГОРИТМІВ ДЛЯ АНАЛІЗУ ТА ОБРОБКИ ЗОБРАЖЕНЬ У РІЗНИХ СФЕРАХ, ТАКИХ ЯК МЕДИЦИНА ТА БЕЗПЕКА

    by В. Ю. Козуб, Г. О. Козуб

    У статті наведено як обробка медичних зображень та їх безпека залежить від методів глибокого навчання, особливо від нейронних мереж, які автоматично працюють із медичними зображеннями.Мета статті – створення ефективного алгоритму класифікації медичних зображень, що дозволяє скоротити тривалість діагностики та підвищити точність ідентифікації захворювання. Розроблено алгоритм медичних візуалізацій за допомогою трансферного навчання з застосуванням згорткових нейронних мереж (CNN) для автоматизації процесу діагностики і підвищення дієздатності відслідковування захворювань на рентгенівських знімках грудної клітини.Наукова новизна. Застосовано трансферне навчання за допомогою розробленої раніше навченої моделі DenseNet121 для обробки медичних знімків. Вдосконалення здійснюється шляхом заморожування попередньо навчених шарів, заміни останнього шару на новий, який відповідає 14 класам, використання методів аугментації даних для підвищення узагальнюючої здатності моделі.Результати. Дослідження підтвердили, що на основі DenseNet121 модель досягла точності 85% на тестовому наборі даних. Користування трансферного навчання зробило значно коротшим час навчання, що підвищує точність навчання в порівнянні зі звичайним з нуля. Аугментація даних, такі як випадкові повороти та горизонтальне віддзеркалення, допомогли підвищити узагальнюванні характеристики моделі. Оптимізація за допомогою Adam з швидкістю навчання 0.001 забезпечила стабільне зниження втрат під час навчання.Висновки. Запропонований підхід показує ефективність для класифікації медичних зображень, що може суттєво збільшити процес діагностики й підвищити точність проведення діагностики захворювань. Попри вже досягнутий рівень, модель потребує подальшого вдосконалення та навчання, у тому числі розширення набору даних й додаткового тестування для проведення випробувань на різних видах медичних зображень. Це дослідження є важливим кроком до автоматизації інтерпретації зображень за допомогою глибокого навчання, що відкриває раніше неможливі застосування штучного інтелекту у сфері медицини та безпеки.

  • Open Access

    ІНФОРМАЦІЙНА ПІДТРИМКА ПРИЙНЯТТЯ РІШЕНЬ ІЗ ЗАСТОСУВАННЯМ ТЕХНОЛОГІЙ РОЗПОДІЛЕННОГО ШТУЧНОГО ІНТЕЛЕКТУ

    by Владислав Козуб

    Стаття присвячена інформаційній підтримці прийняття рішень з використанням технологій розподіленого штучного інтелекту. При цьому стає зрозуміло, що розподілений ШІ є силою на сучасному ринку, яка робить компанії більш ефективними, надійними та адаптивними. Метою роботи є розробка власної концепції інформаційної підтримки прийняття рішень за допомогою технологій штучного інтелекту на основі розподілених обчислень. Методологія. Методологія цього дослідження побудована на оцінці теоретичних розробок і практичного використання технологій розподіленого штучного інтелекту (ШІ) в діяльності з прийняття рішень. Акцент зроблено на впровадженні методів машинного навчання для аналізу великих масивів даних у розподілених системах, що дає змогу ефективно та оперативно підтримувати прийняття рішень. Використані інструменти та підходи: Python та мультипроцесинг для побудови паралельної обробки даних, логістична регресія для опису процесів прийняття рішень та оцінки класифікації і точності отриманих моделей, PCA – аналіз головних компонент з метою зменшення розмірності даних для цілей кластеризації та класифікації, методи контролю конфіденційності для забезпечення безпеки передачі даних між вузлами та обмеження доступу до даних. Наукова новизна. Основний матеріал підкреслює переваги розподіленого ШІ як функціональні (швидкість обробки даних, паралелізм і висока масштабованість, технічна реалізованість), так і з точки зору розробки (менші витрати, можливість повторного використання та гнучкість реалізації). Він також бере на себе кілька проблем, таких як відповідальність ШІ, питання конфіденційності та безпеки даних, а також питання впровадження. З’ясовано, що розподілений штучний інтелект – це дуже потужна технологія, і слід бути обережним, застосовуючи її для прийняття рішень, оскільки, хоча вона має переваги, вона також має і деякі недоліки. У цій роботі продемонстровано, як системи штучного інтелекту, що працюють у розподілених архітектурах, можуть бути використані для прийняття рішень, на прикладі нашої власної розробки на мові Python. Описано таку систему, яка використовує логічну регресію, аналіз головних компонент та візуалізацію результатів. Акцентовано увагу на пошуці розв’язку шляхом виконання коду на мові Python, розробленого в інтегрованому середовищі розробки PyCharm 2024.2, який демонструє розподілену систему прийняття рішень на основі ШІ з використанням методів багатопроцесорної обробки та машинного навчання. Код включає функції для навчання моделей на окремих вузлах, управління розподіленим процесом навчання та візуалізації границі рішення найкращої моделі. Використано логістичну регресію для бінарної класифікації та PCA для зменшення розмірності для полегшення візуалізації. Код створює пул процесів, які відповідають заданій кількості вузлів. Потім ці процеси асинхронно навчають моделі на підмножинах даних. Після завершення процесу навчання обирається найкраща модель, а границя рішення в найпростішому випадку зображується у вигляді двовимірного графа. Розподілений ШІ, описаний у цьому прикладі, втілює потенційне застосування технології у прийнятті рішень: можливість приймати рішення над розподіленими даними та розподіленими акторами шляхом обробки даних на декількох вузлах. Висновки. Можна...

  • Open Access

    ОПТИМІЗАЦІЯ ПРОДУКТИВНОСТІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ПРИ ОБРОБЦІ ВЕЛИКИХ ДАНИХ

    by Владислав Козуб, Дмитро Дворніков

    Оптимізація моделей для розподілених обчислювальних систем залишається важливим напрямком для підвищення продуктивності обробки великих даних та зниження часу машинного навчання. Обробка великих обсягів даних стала однією з головних проблем сучасної науки та техніки через швидке зростання кількості інформації, що створюється в різних сферах дослідження. Алгоритми машинного навчання надають потужні інструменти для аналізу та інтерпретації цих даних, відкриваючи нові можливості для ухвалення рішень і прогнозування. Однак ефективність цих алгоритмів часто залишається під питанням через складнощі їх адаптації до великих і різнорідних наборів даних. Основним викликом є створення методів обробки, які зможуть мінімізувати час виконання, підвищити точність прогнозів і адаптувати алгоритми до роботи в умовах розподілених обчислень. Це завдання є надзвичайно важливим для підвищення продуктивності систем аналізу великих даних, зокрема в таких сферах, як наукові дослідження, бізнес-аналітика, фінансові ринки та охорона здоров'я.