Андрій Павлович Приходько
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Андрій Павлович Приходько has a total of 20 co-authors. Here are the top co-authors by number of shared publications:
- Artem Antonenko
National University of Life and Environmental Sciences of Ukraine
5 shared publications - Andrii Balvak
State University of Information and Communication Technologies
3 shared publications - Andriy Lemeshko
State University of Trade and Economics
2 shared publications - Danyil Solskyi
Державний університет інформаційних та комунікаційних технологій
2 shared publications - Юрій Валентинович Мішкур
Державний університет інформаційно-комунікаційних технологій
2 shared publications Denys Ziniar
1 shared publication
Latest Publications
- Open Access
- 9 July 2026
- Published by Academician Yuriy Bugay International Scientific and Technical University in ITSynergy
- No. 1,p. 76-91
ШТУЧНІ НЕЙРОННІ МЕРЕЖІ ЯК ІНСТРУМЕНТ ІНТЕНСИФІКАЦІЇ ПРОДУКТИВНОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ
The article investigates and analyzes the impact of neural networks and deep learning systems on increasing software performance through adaptive and proactive optimization mechanisms. The relevance of the topic is due to the rapid complication of architectures (microservices, containerization, cloud platforms), the dynamics of loads and the generation of huge arrays of telemetric data, the processing of which by classical methods (static analysis, manual tuning, traditional profiling) is inefficient. The paper examines in detail the architectural transition of modern software from reactive coping with failures to intelligent management of computational processes. The main areas of application of neural network models in the context of increasing performance are: forecasting peak loads based on historical logs (with an accuracy that ensures automatic scaling of the infrastructure), intelligent resource allocation in the clouds, automatic parameter tuning (caching, routing, database queries) in real time, as well as neurocompilation and integration of models into execution systems to select optimal code transformations and increase energy efficiency. The research analyzed the experience of world leaders (Google DeepMind, Microsoft, IBM) and current practical intelligent monitoring tools (Azure Monitor AI Insights, Amazon DevOps Guru, Google Vizier, Meta Ax). The results of a survey of IT professionals are presented, which illustrate the structure of the implementation of AI optimizers: auto-tuning of services (41%), performance forecasting (36%), load balancing of microservices (28%), algorithm acceleration (19%). The restraining factors for the implementation of the technology are substantiated, including the high computational cost of training models, the risk of erroneous recommendations, and the lack of specialized competencies in teams. The conclusions formulate a long-term forecast for the development of the industry until 2030, according to which more than 50% of corporate platforms will contain built-in AI agents for adaptive optimization, which will increase the performance of services by 20–40% and reduce infrastructure costs. The need to develop new technical standards, increase the technical literacy of engineers (DevOps, Cloud), and create autonomous software systems capable of self-learning without human intervention is emphasized.
- 9 July 2026
- Published by Academician Yuriy Bugay International Scientific and Technical University in ITSynergy
- No. 1,p. 76-91
Open AccessШТУЧНІ НЕЙРОННІ МЕРЕЖІ ЯК ІНСТРУМЕНТ ІНТЕНСИФІКАЦІЇ ПРОДУКТИВНОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ
The article investigates and analyzes the impact of neural networks and deep learning systems on increasing software performance through adaptive and proactive optimization mechanisms. The relevance of the topic is due to the rapid complication of architectures (microservices, containerization, cloud platforms), the dynamics of loads and the generation of huge arrays of telemetric data, the processing of which by classical methods (static analysis, manual tuning, traditional profiling) is inefficient. The paper examines in detail the architectural transition of modern software from reactive coping with failures to intelligent management of computational processes. The main areas of application of neural network models in the context of increasing performance are: forecasting peak loads based on historical logs (with an accuracy that ensures automatic scaling of the infrastructure), intelligent resource allocation in the clouds, automatic parameter tuning (caching, routing, database queries) in real time, as well as neurocompilation and integration of models into execution systems to select optimal code transformations and increase energy efficiency. The research analyzed the experience of world leaders (Google DeepMind, Microsoft, IBM) and current practical intelligent monitoring tools (Azure Monitor AI Insights, Amazon DevOps Guru, Google Vizier, Meta Ax). The results of a survey of IT professionals are presented, which illustrate the structure of the implementation of AI optimizers: auto-tuning of services (41%), performance forecasting (36%), load balancing of microservices (28%), algorithm acceleration (19%). The restraining factors for the implementation of the technology are substantiated, including the high computational cost of training models, the risk of erroneous recommendations, and the lack of specialized competencies in teams. The conclusions formulate a long-term forecast for the development of the industry until 2030, according to which more than 50% of corporate platforms will contain built-in AI agents for adaptive optimization, which will increase the performance of services by 20–40% and reduce infrastructure costs. The need to develop new technical standards, increase the technical literacy of engineers (DevOps, Cloud), and create autonomous software systems capable of self-learning without human intervention is emphasized.
- Open Access
- 30 December 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 6,p. 3-10
АСПЕКТИ ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПОКРАЩЕННЯ ЯКОСТІ ЗОБРАЖЕНЬ
У статті представлений огляд методів покращення та зменшення шуму в зображеннях, які ґрунтуються на згорткових і рекурентних нейронних мережах із додаванням блоків non-local operations. Ці методи знаходять широке застосування в різних галузях. У медицині вони допомагають поліпшити якість МРТ-знімків, що, в свою чергу, сприяє точності діагнозу лікарів. У сфері безпеки ці технології дозволяють покращувати зображення та підкреслювати деталі. Стаття охоплює основні наявні підходи до поліпшення зображень. У статті проведено аналіз основних характеристик нейронних мереж, що розглядаються, а також сценаріїв, у яких вони демонструють найбільшу ефективність. Також представлено таблицю з результатами роботи різних методів покращення зображень, до якої додано досліджуваний метод для оцінки його ефективності у покращенні зображень. У роботі підкреслено переваги кожного з цих підходів і їхню результативність у різних умовах. Врахування специфічних особливостей завдання знешумлення, таких як тип шуму, вид зображень та обмеження обробки, допоможе вибрати найбільш відповідну архітектуру для досягнення бажаного результату. У статті також обговорюється застосування блоку non-local operations для підвищення якості зображень. Цей блок служить для виявлення глобальних взаємозв'язків між пікселями, що сприяє кращому моделюванню відносин між різними частинами зображення. Завдяки блоку non-local operations можна ефективно виявляти довготривалі залежності та контекстну інформацію, що, в свою чергу, призводить до покращення дезагрегування шуму та відновлення зображень. Стаття пропонує всебічний огляд методів покращення та знешумлення зображень, які використовують згорткові і рекурентні нейронні мережі з додаванням блоку non-local operations, а також надає інформацію про наявні підходи. Інформація та рекомендації, наведенні в цій статті, можуть бути корисними для вибору відповідних методів для розв'язання завдань обробки зображень. Стаття є корисною для дослідників у галузі обробки зображень та машинного навчання, які хочуть ознайомитися з основними відмінностями між згортковими нейронними мережами (CNN) та рекурентними нейронними мережами (RNN), а також з уже відомими підходами до покращення і зменшення шуму в зображеннях.
- 30 December 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 6,p. 3-10
Open AccessАСПЕКТИ ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПОКРАЩЕННЯ ЯКОСТІ ЗОБРАЖЕНЬ
У статті представлений огляд методів покращення та зменшення шуму в зображеннях, які ґрунтуються на згорткових і рекурентних нейронних мережах із додаванням блоків non-local operations. Ці методи знаходять широке застосування в різних галузях. У медицині вони допомагають поліпшити якість МРТ-знімків, що, в свою чергу, сприяє точності діагнозу лікарів. У сфері безпеки ці технології дозволяють покращувати зображення та підкреслювати деталі. Стаття охоплює основні наявні підходи до поліпшення зображень. У статті проведено аналіз основних характеристик нейронних мереж, що розглядаються, а також сценаріїв, у яких вони демонструють найбільшу ефективність. Також представлено таблицю з результатами роботи різних методів покращення зображень, до якої додано досліджуваний метод для оцінки його ефективності у покращенні зображень. У роботі підкреслено переваги кожного з цих підходів і їхню результативність у різних умовах. Врахування специфічних особливостей завдання знешумлення, таких як тип шуму, вид зображень та обмеження обробки, допоможе вибрати найбільш відповідну архітектуру для досягнення бажаного результату. У статті також обговорюється застосування блоку non-local operations для підвищення якості зображень. Цей блок служить для виявлення глобальних взаємозв'язків між пікселями, що сприяє кращому моделюванню відносин між різними частинами зображення. Завдяки блоку non-local operations можна ефективно виявляти довготривалі залежності та контекстну інформацію, що, в свою чергу, призводить до покращення дезагрегування шуму та відновлення зображень. Стаття пропонує всебічний огляд методів покращення та знешумлення зображень, які використовують згорткові і рекурентні нейронні мережі з додаванням блоку non-local operations, а також надає інформацію про наявні підходи. Інформація та рекомендації, наведенні в цій статті, можуть бути корисними для вибору відповідних методів для розв'язання завдань обробки зображень. Стаття є корисною для дослідників у галузі обробки зображень та машинного навчання, які хочуть ознайомитися з основними відмінностями між згортковими нейронними мережами (CNN) та рекурентними нейронними мережами (RNN), а також з уже відомими підходами до покращення і зменшення шуму в зображеннях.
- Open Access
- 9 July 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 2,p. 3-20
ОБРОБКА ТА АНАЛІЗ ДАНИХ НА ПРИКЛАДІ НАБОРУ SPAMBASE З ВИКОРИСТАННЯМ БІБЛІОТЕК ДЛЯ МАШИННОГО НАВЧАННЯ
У статті проаналізовано набір даних Spambase з даними про електронні листи, які класифіковано як спам та не спам. Наведено детальний аналіз цього датафрейма з інформацією про дані в стовпчиках (властивості) та записи набору. Дані набору було завантажено в середовище для розробки програмного забезпечення Google CoLab для програмування та подальшого аналізу. Для наукових обчислень та аналізу даних в Python використано бібліотеки NumPy, Pandas, Matplotlib, Sklearn, Imblearn. Їх комбінації дозволяють розробникам та дослідникам ефективно працювати зі структурованими даними, виконувати різні операції з ними, візуалізувати результати та розв'язувати складні завдання аналізу та обробки даних. Для кращого розуміння матеріалу розглянуто деякі основні теоретичні відомості щодо прогнозування даних. Надано визначення машинного навчання, штучного інтелекту та науки про дані. Також описано категорії машинного навчання, такі як кероване, некероване навчання та навчання з підкріпленням. Розглянуті основні типи ознак, які використовуються в моделях машинного навчання: якісні, впорядковані та кількісні ознаки. Також був представлений набір даних про хвороби серця Heart Disease на якому описано та позначено важливі визначення, такі як матриця ознак X, вектор ознак, властивості, вектор цільових значень Y. Описано необхідність розбиття набору даних на навчальний, перевірочний та тестовий для коректної оцінки та перевірки моделі. Також пояснено використання функцій втрат L1 та L2 для оцінки продуктивності моделі, вказано переваги та недоліки кожного підходу. Продовжено аналіз датасету Spambase в середовищі Google Colab. Побудовано гістограми, що представляють розподіл даних за різними властивостями для двох класів: спаму та не спаму. Проаналізовано гістограми для властивостей word_freq_credit, char_freq_! та capital_run_length_total. Функцією split() з бібліотеки NumPy розділено дані на навчальний, перевірочний та тестовий набори. Для набору даних на навчання виконано перебалансування класів за допомогою методу випадкової перевибірки (RandomOverSampler). В результаті було створено нові екземпляри для менш представленого класу листів які містять спам.
- 9 July 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 2,p. 3-20
Open AccessОБРОБКА ТА АНАЛІЗ ДАНИХ НА ПРИКЛАДІ НАБОРУ SPAMBASE З ВИКОРИСТАННЯМ БІБЛІОТЕК ДЛЯ МАШИННОГО НАВЧАННЯ
У статті проаналізовано набір даних Spambase з даними про електронні листи, які класифіковано як спам та не спам. Наведено детальний аналіз цього датафрейма з інформацією про дані в стовпчиках (властивості) та записи набору. Дані набору було завантажено в середовище для розробки програмного забезпечення Google CoLab для програмування та подальшого аналізу. Для наукових обчислень та аналізу даних в Python використано бібліотеки NumPy, Pandas, Matplotlib, Sklearn, Imblearn. Їх комбінації дозволяють розробникам та дослідникам ефективно працювати зі структурованими даними, виконувати різні операції з ними, візуалізувати результати та розв'язувати складні завдання аналізу та обробки даних. Для кращого розуміння матеріалу розглянуто деякі основні теоретичні відомості щодо прогнозування даних. Надано визначення машинного навчання, штучного інтелекту та науки про дані. Також описано категорії машинного навчання, такі як кероване, некероване навчання та навчання з підкріпленням. Розглянуті основні типи ознак, які використовуються в моделях машинного навчання: якісні, впорядковані та кількісні ознаки. Також був представлений набір даних про хвороби серця Heart Disease на якому описано та позначено важливі визначення, такі як матриця ознак X, вектор ознак, властивості, вектор цільових значень Y. Описано необхідність розбиття набору даних на навчальний, перевірочний та тестовий для коректної оцінки та перевірки моделі. Також пояснено використання функцій втрат L1 та L2 для оцінки продуктивності моделі, вказано переваги та недоліки кожного підходу. Продовжено аналіз датасету Spambase в середовищі Google Colab. Побудовано гістограми, що представляють розподіл даних за різними властивостями для двох класів: спаму та не спаму. Проаналізовано гістограми для властивостей word_freq_credit, char_freq_! та capital_run_length_total. Функцією split() з бібліотеки NumPy розділено дані на навчальний, перевірочний та тестовий набори. Для набору даних на навчання виконано перебалансування класів за допомогою методу випадкової перевибірки (RandomOverSampler). В результаті було створено нові екземпляри для менш представленого класу листів які містять спам.
- Open Access
- 30 September 2023
- Published by Ukrainian Research and Design Institute of Building Materials and Products in European Science
- No. sge32-02,p. 106-133
DESIGN OF PROTECTED SERVER ROOMS BASED ON CISCO EQUIPMENT IN CLASS A OFFICE BUILDINGS
- 30 September 2023
- Published by Ukrainian Research and Design Institute of Building Materials and Products in European Science
- No. sge32-02,p. 106-133
Open AccessDESIGN OF PROTECTED SERVER ROOMS BASED ON CISCO EQUIPMENT IN CLASS A OFFICE BUILDINGS