CC BY
0
коллекторов: автореф. ... канд. техн. наук. Уфа, 2009. 24 с.
14. Технология гипанокислотной обработки карбонатных трещиновато-пористых коллекторов с высокой обводненностью: СТП-03-09- 2004.
© Мирсоатов Ф.С., Хужаев О.А., 2024
УДК 004.8
Пономарёв Е.В.
Бакалавр,
Национальный исследовательский Нижегородский государственный университет
им. Н.И. Лобачевского, г. Нижний Новгород, РФ
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ УЛУЧШЕНИЯ ПОЛЬЗОВАТЕЛЬСКОГО ОПЫТА
В МОБИЛЬНЫХ ПРИЛОЖЕНИЯХ
Аннотация
В данной статье исследуется использование искусственного интеллекта (ИИ) для улучшения пользовательского опыта в мобильных приложениях (МП). Проводится анализ применяемых в разработке МП технологий ИИ, таких как машинное обучение и обработка естественного языка. Рассматриваются различные ИИ алгоритмы с точки зрения их эффективности и влияния на удовлетворенность пользователей. Обсуждаются реальные примеры внедрения ИИ в приложения американских компаний.
Ключевые слова
искусственный интеллект (ИИ), мобильные приложения (МП), пользовательский опыт (UX), алгоритмы ИИ, персонализация, машинное обучение (МО).
Ponomarev E. V.
bachelor's degree, National Research Lobachevsky State University
of Nizhny Novgorod, Nizhny Novgorod, Russia
USING ARTIFICIAL INTELLIGENCE TO ENHANCE USER EXPERIENCE IN MOBILE APPLICATIONS
Annotation
This paper explores the use of artificial intelligence (AI) to improve user experience in mobile applications (MA). The AI technologies used in the development of MFs, such as machine learning and natural language processing, are analyzed. Various AI algorithms are reviewed in terms of their effectiveness and impact on user satisfaction. Real-life examples of AI implementation in applications of American companies are discussed.
Keywords
Artificial intelligence (AI), mobile applications (MA), user experience (UX), AI algorithms,
personalization, machine learning (ML).
Введение
Использование мобильных приложений (МП) ежегодно становится основным компонентом повседневного функционирования и взаимодействия миллионов людей по всему миру. С ростом количества пользователей и разнообразия МП, вопрос улучшения пользовательского опыта (англ. User Experience - UX) становится ключевым для разработчиков и компаний. В этом контексте искусственный интеллект (ИИ) становится важным инструментом, способным значительно повысить качество взаимодействия клиентов с цифровыми продуктами.
Внедрение ИИ предоставляет множество возможностей для повышения интерактивности, автоматизации процессов и персонализации контента. Это позволяет пользователям взаимодействовать с контентом и функциями, которые наиболее соответствуют их интересам. Использование ИИ в приложениях также находит массовое применение в разработке интеллектуальных чат-ботов, которые способны улучшить коммуникацию между пользователями и МП. В условиях постоянно растущей конкуренции на рынке МП, внедрение инновационных решений на основе ИИ становится необходимым для достижения успеха и удержания аудитории.
Цель данной статьи - исследовать применение ИИ для персонализации контента, улучшения навигации и прогнозирования поведения пользователей в МП.
Основная часть. Анализ применения различных технологий и алгоритмов ИИ в МП
Внедрение ИИ стало неотъемлемой частью в различных IT сферах [1]. В разработке МП оно предлагает пользователям более персонализированный и адаптированный опыт. Внедрение ИИ в МП привело к созданию множества инновационных решений, которые улучшают взаимодействие пользователя с приложениями. Возможности ИИ ежегодно вызывают растущий интерес к различным аспектам разработки. Согласно прогнозу, к 2030 году объем мирового рынка ИИ превысит отметку в 800 млрд долларов США (рис. 1).
Рисунок 1- Объем рынка ИИ во всем мире с 2020 по 2030 год, млрд долларов США Источник: разработано автором на основании [2]
Внедрение ИИ и его алгоритмов играет важную роль в разработке и оптимизации МП, особенно в области улучшения UX и автоматизации [3]. Такая задача требует от разработчиков глубокого понимания различных методов машинного обучения (МО) и их применения в условиях мобильных вычислений, где ресурсы часто ограничены. Специалисты также внедряют другие технологии ИИ, такие как обработка естественного языка (англ. Natural Language Processing - NLP), компьютерное зрение и глубокое изучение. Внедрение современных подходов обусловлено рядом преимуществ, которые способствуют улучшению UX и взаимодействия между пользователями МП (см. табл. 1).
Таблица 1
Преимущества использования ИИ при разработке МП
Преимущества использования ИИ Описание
Изучение моделей поведения пользователей Применяемое МО интегрируется с NLP, чтобы предложить реалистичное взаимодействие на основе поведения пользователя. Это помогает предлагать клиентам персонализированные услуги для долгосрочного взаимодействия.
Функция автоматического ответа Подход упрощает общение с устройством. Примером служит Google, который использовал преимущество, известное как умный ответ. Он автоматически определяет настроение сообщения и помогает предлагать соответствующие ответы.
Быстрое выполнение монотонных задач Применение ИИ позволяет устранять однообразные рабочие задачи и эффективно их выполнять. Находит широкое применение в бизнесе и помогает решать проблемы в режиме реального времени.
Распознавание эмоций Технологии на основе ИИ могут считывать человеческие эмоции за счет обработки изображений и интерпретации аудиоданных.
Источник: разработано автором на основании [4, 5]
С совершенствованием технологий на основе ИИ-решений внимание привлекает оптимизация персонализации контента - одной из наиболее востребованных функций в современных МП [6]. Она позволяет адаптировать содержание и функции приложения под индивидуальные предпочтения и потребности пользователя. Для достижения этой цели используются различные алгоритмы МО, в том числе коллаборативная фильтрация, которая основана на анализе предпочтений групп пользователей с целью прогнозирования интересов конкретного человека. Основные подходы включают метод памяти и метод модели. Первый анализирует поведение пользователей напрямую, используя такие техники, как к-ближайших соседей, а второй строит модель на основе данных, используя такие методы, как матричная факторизация или модели латентных факторов.
Другим методом является контентная фильтрация, которая использует характеристики самих объектов (например, фильмов, статей) для формирования рекомендаций. В данном случае алгоритмы ИИ анализируют содержимое, сравнивая его с предыдущими предпочтениями пользователя. Применяются такие методы, как, например, NLP для анализа текста. Также используется классификация с использованием методов МО, таких как наивный байесовский классификатор или деревья решений.
Гибридные методы комбинируют элементы коллаборативной и контентной фильтрации для улучшения качества рекомендаций. Один из распространенных подходов - это комбинирование моделей, когда результаты различных алгоритмов объединяются для формирования окончательной рекомендации [7].
Эффективная навигация в МП значительно влияет на общее впечатление пользователя и его лояльность к продукту. Алгоритмы ИИ позволяют улучшить данную характеристику, делая ее более интуитивной и адаптируемой к потребностям клиента. Примером такого метода являются графовые модели, которые используются для представления структуры данных и связи между элементами приложения. Графовые базы данных и алгоритмы, такие как Dijkstra или А*, позволяют оптимизировать маршрутизацию и предложить пользователю наиболее короткие или эффективные пути к цели. Такие технологии регулярно применяют в навигационных приложениях и крупных платформах.
Системы предсказания следующего шага используют методы МО для определения дальнейших действий пользователя на основе его предыдущих взаимодействий с приложением [8]. Рекуррентные нейронные сети и модели на основе внимания часто применяются для таких задач, предоставляя рекомендации, которые заранее предопределяют потребности и запросы пользователя.
Алгоритмы кластеризации позволяет улучшить структуру интерфейса, группируя элементы на основе их функциональных или логических связей. Кластеризация методом к-средних и иерархическая кластеризация могут быть использованы для создания интерфейсов, которые легче воспринимаются клиентом, что приводит к более быстрому доступу к важной информации.
Прогнозирование поведения пользователей играет ключевую роль в создании персонализированных и адаптивных МП. При использовании данных о предыдущем поведении, приложения могут предсказывать будущие действия клиентов, что тем самым улучшает UX [9].
Прогнозирование поведения пользователей часто требует анализа временных рядов, которые представляют собой последовательности данных, отсортированных по времени. Модели авторегрессии, интегрированной авторегрессии со скользящим средним и модели глубокого обучения, такие как длинная краткосрочная память, широко используются для анализа временных данных и предсказания будущих событий, например, времени следующего визита пользователя в приложение.
Байесовские сети используются для моделирования зависимости между различными действиями пользователя и прогнозирования вероятности возникновения тех или иных событий. Данные модели могут быть применены в задачах, где необходимо учитывать неопределенность и принимать решения на основе вероятностных предположений. Они предсказывают вероятность того, что клиент покинет МП, основываясь на его текущих действиях и паттернах поведения.
Алгоритмы анализа последовательностей, такие как скрытые марковские модели и различные варианты нейронных сетей, позволяют анализировать планомерность действий пользователя с целью предсказания его следующего шага. Такой подход находит широкое применение в МП, где необходимо адаптироваться к динамично меняющимся потребностям пользователя, например, в онлайн-играх или образовательных приложениях.
Использование различных алгоритмов ИИ для персонализации контента, улучшения навигации и прогнозирования поведения пользователей открывает новые горизонты для разработки МП. Технологии позволяют создавать более адаптивные и удобные интерфейсы, что способствует улучшению общего UX.
Анализ примеров успешного внедрения технологий ИИ в МП
В условиях жесткой конкуренции и стремительного роста технологических возможностей, организации ищут новые способы привлечения и удержания пользователей [10]. Американские компании являются одними из лидеров в сфере инноваций и активно используют ИИ для создания более интуитивных и адаптивных МП. Этот подход помогает улучшить UX, что способствует росту лояльности клиентов и увеличению доходов компаний.
Одним из характерных примеров является крупная компания Amazon (США), которая активно использует ИИ в своем приложении для создания персонализированного опыта покупок и взаимодействия с голосовым помощником Alexa [11]. Она использует технологии NLP и МО для понимания запросов пользователей, выполнения команд и предоставления адаптируемой информации. Рекомендательные системы на основе анализа контента предлагают клиентам товары на основе их предыдущих заказов и просмотров.
Международная компания для поиска и вызова такси Uber (США) использует ИИ для улучшения UX через оптимизацию маршрутов и прогнозирование спроса на услуги. Глубокое обучение и МО используются для анализа данных о поездках, предсказания наилучших маршрутов и сокращения времени прибытия водителей. Анализ данных о поведении клиентов и внешних факторов, таких как погода и события в городе, позволяет предсказать спрос на поездки в различных районах [12].
Одна из крупнейших стриминговых платформ Netflix (США) активно использует ИИ для улучшения UX и поддержания удовлетворенности аудитории. Основной задачей ИИ в Netflix является создание персонализированных рекомендаций контента для каждого клиента. Применение МО также является основой многих алгоритмов, применяемых для оптимизации личных рекомендаций и анализа пользовательского поведения. Применяемые в МП алгоритмы коллаборативной фильтрации анализируют предпочтения пользователей, сопоставляя их с преференциями других людей с похожими вкусами [13].
Социальный медиасервис для публикации и поиска информации в виде досок с изображениями
Pinterest (США) также начал использовать ИИ технологии в своем приложении. Компьютерное зрение позволяет распознавать объекты на изображениях и предлагать пользователям похожие или связанные с их интересами пины. Персонализированные рекомендации на основе анализа взаимодействия клиентов с контентом помогают находить новые концепции и креативные решения, соответствующие их предпочтениям [14].
Компании из различных секторов активно применяют ИИ для повышения качества UX в своих приложениях. Анализ внедрения ИИ-решений демонстрирует, что каждая организация находит уникальные способы использования этих технологий для удовлетворения потребностей пользователей и создания конкурентных преимуществ. Выводы
Применение ИИ играет важную роль в развитии МП, что существенно влияет на улучшение UX и открывает новые возможности для автоматизации и оптимизации контента в приложениях. Основные технологии ИИ, включая МО и NLP, стали неотъемлемой частью современных мобильных решений. Данные подходы позволяют создавать более интуитивные, адаптивные и персонализированные МП, которые соответствуют потребностям и ожиданиям пользователей. Реальные примеры демонстрирует, что американские компании активно используют и развивают ИИ в своих приложениях, что дает им возможность предлагать клиентам уникальные решения. Список использованной литературы:
1. Галимов Р., Безруков П., Карпов М., Тюменцев Д., Киселев И. Будущее IT: как ИИ изменяет правила игры в индустрии // Информационные ресурсы России. 2024. № 1(196). С. 44-53.
2. Artificial intelligence (AI) market size worldwide from 2020 to 2030 / Statista // URL: https://www.statista.com/forecasts/1474143/global-ai-market-size (дата обращения: 04.08.2024).
3. Бобовникова А.О., Городилов В.Е., Тюменцев Д.В., Гилев М.А., Ивашова О.Н., Редников Д.В. Трансформация управления бизнесом при помощи ИИ и автоматизации процессов: обзор и кейс-стади // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2024. № 1. С. 122-128.
4. Fedorov S. Enhancing Mobile Application Development with Artificial Intelligence: Techniques and Implications // IJSR. 2022. Vol. 13(2). P. 1776-1779.
5. Огарков А.И. Разработка и реализация стратегий цифровой трансформации в здравоохранении // Наукосфера. 2024. № 5(1). С. 54-59.
6. Можаровский Е.А. Применение искусственного интеллекта в мобильных приложениях // Наукосфера. 2024. № 3(1).
7. Косторева А.С. Работа с персональными данными при настройке таргетированной рекламы: анализ договорных обязательств и правовых рисков // Тенденции развития науки и образования. 2024. № 110(9). С. 20-25
8. Кузнецов И. А., Карпов М., Безруков П. В. Интеграция машинного обучения в технологии мобильных приложений: новые подходы и вызовы// Научный сетевой журнал «Столыпинский вестник». 2024. №3/2024.
9. Бойко С.В. Использование искусственного интеллекта для персонализации предложений в оптовой торговле обувью // Universum: экономика и юриспруденция. 2024. № 3(113). URL: https://cyberleninka.ru/article/n/ispolzovanie-iskusstvennogo-intellekta-dlya-personalizatsii-predlozheniy-v-optovoy-torgovle-obuvyu (дата обращения: 01.04.2024).
10.Bukhtueva I. AI-Enabled Sales Forecasting: Techniques and Best Practices for Improved Accuracy // Cold Science. 2024. № 7. C. 4-13.
11.Build LLM-powered Alexa experiences / Amazon // URL: https://developer.amazon.com/en-US/alexa/alexa-ai (дата обращения: 10.08.2024).
12.Uber AI / Uber Blog // URL: https://www.uber.com/en-DE/blog/engineering/ai/ (дата обращения: 14.08.2024).
13.Negative Interactions for Improved Collaborative Filtering: Don't go Deeper, go Higher / Netflix Research // URL: https://research.netflix.com/publication/negative-interactions-for-improved-collaborative-filtering-dont-go-deeper-go (дата обращения: 19.08.2024).
14.Introducing new AI tools for creative and performance, and brand safety updates / Newsroom Pinterest // URL: https://newsroom.pinterest.com/en-gb/news/introducing-new-ai-tools-for-creative-and-performance/ (дата обращения: 21.08.2024).
©Пономарёв Е.В., 2024
УДК 62
Шагулыев Ш.
Преподаватель,
Туркменского государственного финансового института
Мередова О. студент
Туркменский государственный институт финансов
Чарыева А. студент
Туркменский государственный институт финансов ЯЗЫКИ ПРОГРАММИРОВАНИЯ
В современном быстро меняющемся мире технологий языки программирования являются одним из ключевых элементов, формирующих цифровой мир. Эти многоцелевые языки позволяют компьютерам выполнять сложные операции, управляя ими, например набором грамматических правил. От веб-сайтов и мобильных приложений до искусственного интеллекта и робототехники — языки программирования являются строительными блоками цифрового мира.
Что такое языки программирования?
Языки программирования — это искусственные языки, используемые для обучения компьютеров выполнению определенных задач. Эти языки состоят из различных элементов, таких как слова, символы и специальные символы, и каждый из них имеет свои собственные правила и синтаксис.
Список языков программирования:
HTML (язык гипертекстовой разметки): Определение: язык разметки, используемый для создания и редактирования контента в Интернете. Определяет структуру веб-страниц. Использование: Создает содержимое веб-страниц, используя базовые строительные блоки, такие как текст, изображения, ссылки, таблицы и формы.
CSS (каскадные таблицы стилей): Определение: таблица стилей, используемая для управления внешним видом и макетом веб-страниц. Он используется для добавления визуального стиля к структурным элементам HTML. Области использования: используются для управления визуальными функциями, такими как цвет, шрифт, фон, макет и анимация.
Python: Определение: универсальный, высокоуровневый, читаемый и понятный язык. Области применения: веб-разработка, анализ данных, искусственный интеллект, компьютерное зрение, автоматизация.
JavaScript: Определение: язык на стороне браузера; Его также можно использовать на стороне сервера (с Node.js). Использование: Веб-разработка, браузерные игры, серверные приложения.
