Sergiy Luchenko

The study examines automated forecasting and evaluation of digital marketing performance using statistical models from different methodological classes. The paper aims to experimentally compare deterministic and probabilistic models in three groups of digital marketing analytics tasks: advertising channel attribution, media-mix modelling, and customer retention forecasting. To achieve this aim, a unified experimental data-processing pipeline for a SaaS enterprise was developed, evaluation metrics were defined for each analytical task, rolling-origin cross-validation was implemented, and the results were interpreted from a managerial decision-making perspective. The study employs multi-touch attribution methods, including Last-Click, Shapley values, and Markov models; regression and Bayesian structural time-series models for estimating the impact of media spending on revenue; and discrete probabilistic retention models, particularly BdW, for forecasting subscriber activity and customer lifetime value. The results show that algorithmic attribution models reveal the hidden contribution of upper-funnel channels, while still confirming the limited predictive role of attribution models. In media-mix modelling, Bayesian structural time-series models produced lower forecasting error and more stable forecast bias than ordinary least squares regression. In retention modelling, the BdW model reduced the overestimation of the active customer base and the risk of inflated LTV estimates. The scientific value of the paper lies in the formalisation of an experimental comparison of different statistical model classes within a unified analytical pipeline. The practical significance lies in supporting the selection of appropriate models depending on the business scenario, data structure, and uncertainty level.

The subject matter of the study is the methods, algorithms, and software tools for annotating visual data in computer vision systems within the Data-Centric AI paradigm. The study analyzes the processes of structuring unstructured information where labeling quality determines the accuracy of artificial intelligence models, considering the limitations of manual methods and risks of systematic errors in full automation. The goal of the work is to perform a comprehensive analysis of modern image annotation methods and tools in computer vision systems and a quantitative evaluation of the effectiveness of hybrid Human-in-the-Loop strategies to improve the efficiency of forming high-quality datasets within the Data-Centric AI paradigm. The following tasks were addressed in the article: a systematization of annotation types from image classification to panoptic segmentation and 3D scenes was conducted; a review of the toolset based on the Segment Anything Model and GroundingDINO was performed; comparative evaluations of manual, automatic, and hybrid labeling scenarios based on accuracy (mIoU) and labor intensity were carried out; issues regarding operator trust and interaction ergonomics were identified. The following methods are used – systematic comparative analysis of hybrid Human-in-the-Loop strategies, cross-domain synthesis of active learning and interactive segmentation studies, and formalization of acceleration, quality, and manual labor indicators. The following results were obtained: the hybrid pipeline provides a 5.4x process acceleration. The formation time of a semantic mask for an object is reduced from 65.0 to 12.0 seconds while maintaining quality at mIoU = 0.94, with only a 0.02 loss relative to the reference standard. The hybrid scenario was found to be optimal within the threshold range of , covering the broadest class of practical tasks from training production models to medical diagnostics. A direct dependence of annotator performance on the reliability of automatic prompts was identified. Conclusions: hybrid annotation is the optimal strategy for creating Ground Truth in critical domains such as autonomous driving and medicine, providing a balance between speed and accuracy. The proposed formalization of the optimization problem with threshold constraint enables informed selection of the annotation scenario for a specific domain. Future research involves improving synthetic data generation to overcome the domain gap and developing adaptive interfaces to reduce cognitive load.

У статті представлено розробку візуальної системи для проєктування та налаштування алгоритмів машинного навчання та даних, спрямовану на зменшення складності створення моделей глибокого навчання. Незважаючи на стрімкий розвиток штучного інтелекту та нейронних мереж упродовж останніх десятиліть, процес побудови та конфігурації моделей залишався доступним переважно лише для спеціалістів із ґрунтовними знаннями програмування. Дослідження вирішує цю проблему шляхом створення програмного забезпечення з відкритим кодом Learn2Learn, яке завдяки графічному інтерфейсу дозволяє користувачам створювати, налаштовувати та навчати моделі глибокого навчання практично без написання коду. Робота підкреслює практичну значущість інтеграції графічних інтерфейсів користувача (GUI) у процеси машинного навчання. Це відкриває можливості для ширшої аудиторії – дослідників, викладачів і початківців – взаємодіяти з нейронними мережами більш інтуїтивно. Система структурована навколо ключових етапів машинного навчання: завантаження та передобробка даних, побудова архітектури моделей, вибір функцій втрат і алгоритмів оптимізації, а також моніторинг процесу навчання через візуалізацію метрик. На відміну від більшості існуючих інструментів, Learn2Learn підтримує інтеграцію користувацьких dataloader’ів і шарів нейронних мереж, що забезпечує гнучкість, співмірну з традиційним програмуванням, водночас значно знижуючи поріг входу. У статті детально розглянуто реалізовані функціональні можливості: візуальне проєктування моделей за допомогою drag-and-drop, інтерактивне налаштування параметрів, відображення повідомлень про помилки у зручному форматі та інтегровані підказки щодо вибору архітектурних рішень. Система підтримує різні типи даних – зображення, текстові та числові дані – і забезпечує їхню передобробку завдяки аугментації. Використання PyTorch як обчислювальної основи та PyQt6 для створення інтерфейсу дозволило поєднати простоту використання та технічну строгість. Порівняльний аналіз з аналогічними візуальними інструментами засвідчив переваги Learn2Learn у гнучкості, розширюваності та зручності відлагодження моделей. Особлива увага приділяється освітній складовій: система не лише спрощує налаштування моделей, але й допомагає інтерпретувати результати навчання. У висновках зазначається, що створений прототип суттєво знижує бар’єри для входу у сферу глибокого навчання, об’єднуючи доступність графічних інтерфейсів із можливостями традиційного програмування. Перспективи подальших досліджень полягають у розширенні функціоналу, додаванні стандартних датасетів, попередньо навчених моделей і підтримки розподіленого навчання.