Застосування сучасних комп’ютерних технологій з метою створення веб-розробки й зовнішнього інтерфейсу (front-end)

Огляд та аналіз особливостей застосування сучасних комп’ютерних технологій для створення зовнішнього інтерфейсу веб-додатків на основі застосування моделі машинного та глибокого навчання. Ключові особливості застосування мов програмування для додатків.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык украинский
Дата добавления 25.11.2023
Размер файла 912,2 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Факультет «Інженерія програмного забезпечення»

Хмельницький політехнічний фаховий коледж

Національного університету "Львівська політехніка"

Застосування сучасних комп'ютерних технологій з метою створення веб-розробки й зовнішнього інтерфейсу (front-end)

Благодельський Олександр Сергійович

фаховий молодший бакалавр

Анотація

Впродовж останніх 20 років комп'ютерні технології дозволили вдосконалити сучасні інформаційні технології (ІТ) з використанням різних програмних кодів, які на сьогодні широко застосовуються при розробці веб-додатків, веб-сторінок та інших веб-ресурсів. Саме веб-додатки та веб-сторінки у сучасному світі відіграють важливу роль для життєвих аспектів людства, таких як надання онлайн-послуг для придбання товарів та замовлення їжі, надання онлайн-послуг для бронювання квитків, замовлення таксі тощо.

Сучасні технології дозволяють комбінувати різні методи інформаційних технологій, що поєднує в собі використання засобів комунікацій для обміну даних, веб-систем, інтернет мережі та залученням методів машинного навчання. Розвиток веб-систем привернули до себе увагу провідних фахівців зі сфери штучного інтелекту для надання кросплатформенної обчислювальної цілі для глибокого навчання на стороні клієнта.

Розвиток технологічного прогресу та впровадження новітніх технологій посприяв розвитку штучного інтелекту на основі моделей машинного навчання, які на сьогодні можуть застосовуватися у вигляді сучасних інформаційних технологій з використанням мов програмування Python, C++ і можуть розгоратися, як веб-програми.

Метою даної роботи є проведення літературного огляду та аналіз особливостей застосування сучасних комп'ютерних технологій (ІТ) для створення зовнішнього інтерфейсу веб-додатків на основі застосування моделі машинного та глибокого навчання. Розглядаються ключові особливості застосування мов програмування, таких як Python та JavaScript для браузерних веб-додатків машинного навчання, а також використання TensorFlowjs для створення моделей машинного навчання.

Сучасні веб-браузери надають широкий набір інструментів розробникам для управління та відображення текстових, аудіо та візуальних даних можуть бути використані у браузері моделями глибокого навчання. Окрім цього, сучасні веб-браузери можуть отримувати доступ до сенсорних даних на основі датчиків, що відкриває широкі можливості для багатьох додатків глибокого навчання.

Ключові слова: інформаційні технології, інтерфейсні веб-додатки, JavaScript, TensorFlow.js, глибоке навчання.

Blahodelskyi Oleksandr Serhiyovych Professional Junior Bachelor, Faculty of Software Engineering, Khmelnitsky Polytechnic Professional College by Lviv Polytechnic National University, Khmelnytskyi

APPLICATION OF MODERN COMPUTER TECHNOLOGIES TO CREATE WEB DEVELOPMENT AND FRONT-END INTERFACE

Abstract

Over the past 20 years, computer technology has enabled the improvement of modern information technology (IT) using various software codes that are now widely used in the development of web applications, web pages and other web resources. In the modern world, web applications and web pages play an important role in the vital aspects of human life, such as providing online services for purchasing goods and ordering food, providing online services for booking tickets, ordering taxis, etc.

Modern technologies allow combining various methods of information technology, which combines the use of communication tools for data exchange, web-based systems, the Internet and the involvement of machine learning methods. The development of web-based systems has attracted the attention of leading artificial intelligence experts to provide a cross-platform computing target for deep learning on the client side.

The development of technological progress and the introduction of the latest technologies have contributed to the development of artificial intelligence based on machine learning models, which today can be applied in the form of modern information technologies using Python and C++ programming languages and can be deployed as web applications.

The purpose of this paper is to conduct a literature review and analyse the peculiarities of using modern computer technologies (IT) to create an external interface of web applications based on the application of machine and deep learning models. The key features of using programming languages such as Python and

JavaScript for browser-based web-based machine learning applications, as well as the use of TensorFlow.js to create machine learning models are considered.

Modern web browsers provide a wide range of tools for developers to manage and display text, audio, and visual data that can be used by deep learning models in the browser. Additionally, modern web browsers can access sensor-based sensory data, which opens up a wide range of possibilities for many deep learning applications.

Keywords: information technology, front-end web applications, JavaScript, TensorFlow.js, deep learning.

Вступ

Постановка проблеми. Впродовж останніх 20 років створення комунікаційних технологій та ресурсів за допомогою бібліотек веб-саитів набуло широкого застосування у глобальному масштабі. Однак в Україні веб- ресурси та бібліотеки із застосуванням інтернет-технологій набули широкого застосування за останні 15 років, що пояснюється вивченням інформаційних потреб користувачів та забезпечення соціальних комунікацій за допомогою різноманітних опцій веб-сайту [1].

Станом на 2020 рік існує велика кількість бібліотек, фреймворків та утиліт для інтерфейсної (front-end) веб-розробки. Оскільки кількість інтерфейсних веб-бібліотек, фреймворків, утиліт, мовних розширень постійно зростає для початківців та розробників з галузей програмної інженерії це спричинило масову плутанину. Основний стек технологій веб-сторінки складається з мови розмітки гіпертексту (HTML), каскадних таблиць стилів (CSS) та JavaScript. HTML визначає структуру веб-сторінки, CSS стилізує сторінку, а JavaScript забезпечує взаємодію з користувачем, що в сукупності вважається інтерфейсною веб-розробкою [2].

Під час розробки веб-додатків деякі фахівці можуть зіштовхнутися з рядом проблем, які можуть міститися на кожному етапі розробки як на етапі створення UI/UX дизайну, так і на фінальному етапі розміщення та розгортання веб-додатку. Для розв'язання наявних проблем під час розробки веб-додатку розглянемо структуру, яка містить основні етапи реалізації за допомогою комп'ютерних технологій [3].

1) Створення UI/UX дизайну, завдяки чому створюється інтуїтивно зрозумілий інтерфейс програми з елементами візуалізації для реєстрації користувача (наприклад, вхід в систему, пошук товарів, розміщення та замовлення товарів тощо);

2) Backend розробка, яка призначена для створення внутрішньої частини (невидимої) у вигляді бази даних та серверу для клієнта (наприклад, авторизація з аутентифікацією клієнта при вході в систему, обслуговування запитів зовнішнього інтерфейсу, читання та оновлення даних);

3) Розробка зовнішнього інтерфейсу (front-end) з метою створення зовнішньої частини інтерфейсу на мовах програмування HTML, CSS, JavaScript, Ajax, а використання популярних фреймворків, таких як Angular, React JS дозволяють використовувати кодовані модулі для скорочення часу під час розробки;

4) Тестування веб-додатку характеризується: тестуванням інтерфейсу (перевірка комунікації, підключення до бази даних, посилання між сторінками); перевірка продуктивності (швидкість передачі даних, обробка користувацького вводу, робота під великим навантаженням й при різних швидкостях інтернету); UI-тестування для перевірки зручності користувацького інтерфейсу, а також роботу сервера з внутрішньою частиною системи; тестування розробленого продукту з використанням різних браузерів та пристроїв для визначення сумісності; перевірка слабких та вразливих місць з точки зору безпеки.

5) Розміщення та розгортання веб-додатку.

Однак розвиток технологічного прогресу та впровадження новітніх, сучасних технологій посприяв розвитку штучного інтелекту на основі моделей машинного та глибокого навчання, які зазвичай розробляються з використанням мов програмування Python, C++, R і можуть розгортатися, як веб-програми. Безліч дослідників часто стикаються з новими проблемами та обмеженнями під час розгортання моделей глибокого навчання у браузері, оскільки деякі моделі ймовірно не можуть бути розробленими для виконання операцій на стороні клієнта. Окрім того, високопродуктивний внутрішній сервер з апаратним прискоренням (GPU) відрізняється від зовнішнього середовища в браузері з обмеженими ресурсами [4].

Аналіз останніх досліджень і публікацій. Веб-браузери та веб-додатки привернули до себе увагу безліч дослідників штучного інтелекту, оскільки вони пропонують кросплатформенну обчислювальну ціль для глибоко навчання на стороні клієнта. Конфіденційність, доступність і низька затримка взаємодії є основними перевагами використання веб-браузерів для розгортання [2,4]. Доступ браузера до компонентів, включаючи веб-камеру, мікрофон і акселерометр, дозволяє легко інтегрувати моделі глибокого навчання і дані з датчиків. Завдяки такому зв'язку дані користувача можуть зберігатися на пристрої, зберігаючи при цьому конфіденційність, що дозволяє створювати персоналізовані програми глибокого навчання в таких галузях, як медицина та освіта [5].

У роботі [6] для полегшення розгортання об'єднаного навчання та впровадження пов'язаних програм, авторами запропонований інноваційний WebFed з новою структурою об'єднаного навчання на основі браузера, яка використовує переваги функції браузера, а саме кросплатформенність на основі мови програмування JavaScript, що покращує захист конфіденційності шляхом застосування локально-диференціальної конфіденційності.

Деякі інші приклади глибокого навчання призначені для радіології, які можуть розгортатися через хмарні платформи та локальні інфраструктури для використання у сучасних лікарнях. Деякі з аспектів застосування методів глибокого навчання для радіології наведені у роботі [7], де автори зробили припущення, що складні моделі глибокого навчання можуть застосовуватися у веб-браузерах як із залучення зовнішньообчислювальної інфраструктури, так і без неї.

Не менш актуальним є дослідження інтеграції інструментів штучного інтелекту, зокрема технології генеративного попередньо навченого трансформатора (GPT) OpenAI у процеси веб-розробки з використанням WordPress для розробки чат-сервісу, яким керує штучний інтелект[8]. Однак нині можливості ChatGPT дещо обмежені й потребують більш детального вивчення, але дозволяють ефективно допомагати при розробці.

Мета статті - проведення літературного огляду та аналіз особливостей застосування сучасних комп'ютерних технологій (ІТ) для створення зовнішнього інтерфейсу веб-додатків на основі застосування моделей машинного на глибокого навчання.

Оскільки штучний інтелект та веб-системи належать до інформаційних технологій, для досягнення поставленої мети необхідно виконати наступні задачі: провести літературний огляд з розвитку комп ютерних технологій для розробки веб-сайтів та веб-додатків; на основі літературного огляду дослідити актуальні проблеми під час розробки веб-програми; провести літературний огляд із застосуванням методів машинного навчання для можливості розробки веб-середовища.

Виклад основного матеріалу

Використання популярних інтерфейсних технологій дозволяють розробити реальні програми на основі глибокого навчання з використанням браузера, JavaScript та TensorFlow.js в якості інтерфейсного стека. Такі технологічні стеки побудовані один на одному для того, щоб сформувати систему для розгортання глибоко навчання на передньому плані. Порівнюючи з традиційним підходом, який передбачає розгортання моделі глибокого навчання на серверній частині з доступом до неї через складні виклики API, що надсилаються за допомогою HTTP-запитів з використанням JavaScript. Через свою семантику та вимоги, правильне та ефективне використання API для машинного навчання є складним завданням.

Однак з розвитком інтерфейсної розробки у дослідників з'явилася можливість розгортання на інтерфейсі, таким чином, мігруючи від внутрішніх центрів обробки даних до клієнтів. Фронтенд додатки для глибокого навчання мають такі переваги: широке охоплення, зниження витрат на сервер, своєчасний відгук і конфіденційність

Python є кращою мовою програмування для більшості проектів машинного навчання, але JavaScript вважається більш практичною для браузерних веб-додатків машинного навчання на основі браузера, що пояснюється простотою використання інтерфейсних компонентів. Движок JavaScript є у всіх браузерах і саме він відповідає за створення адаптивного інтерактивного середовища. JavaScript вже дев'ять років є найпоширенішою мовою програмування з відкритим вихідним кодом і часто вважається універсальною мовою для браузерів[9]. Вона містить вдосконалену систему з широким спектром клієнтських і серверних додатків і швидко розвивається. Окрім того, така мова покращує користувацький досвід, додаючи до веб- сторінок інтерактивні компоненти, які реагують на запити користувача, наприклад, оновлювати вміст веб-сторінок, анімувати графіку та керувати мультимедіа. Тому взаємодія з користувачем має вирішальне значення в додатках для глибокого навчання.

Веб-браузери містять широкий набір інструментів для управління та відображення текстових, аудіо та візуальних даних, які створені та доступні клієнту й можуть бути використані безпосередньо у браузері моделями глибокого навчання. Окрім цього, сучасні веб-браузери можуть отримувати доступ до сенсорних даних (датчиків), що відкриває широкі можливості для багатьох додатків глибокого навчання. Наприклад, у роботі [10] розпізнавання обличчя на основі фронтенду дозволило розробникам запустити модель на стороні клієнта, зменшуючи затримку і навантаження на сервер.

Розгортання моделей глибокого навчання у браузерах змушує розробників кидати нові виклики перед новими труднощами програмування, такими як перетворення моделей у формати, необхідні для цільових платформ, де ключовим моментом при розгортанні моделей є взаємодія між знаннями глибокого навчання та веб-розробкою.

Оскільки середовища розробки машинного навчання несумісні з середовищами розгортання, їх перенесення потребує багато часу та зусиль для адаптації до нового середовища. Причина полягає в тому, що фреймворки глибокого навчання часто розробляються на потужних машинах із графічними процесорами, що прискорює навчання, але може перешкоджати висновкам під час розгортання на пристроях низького класу. Веб-додатки, написані на JavaScript, часто складно створювати для розробників, які віддають перевагу Python, що своєю чергою може створювати додаткові труднощі для подолання. До того ж у порівнянні з Python, у відкритому доступі є лише кілька загальнодоступних пакетів для поглибленого вивчення та вбудованих функцій для JavaScript. Відсутність підтримки бібліотек може додати складності та подовжити час розробки.

Використання TensorFlow.js для створення моделей машинного навчання, яка сумісна з API-інтерфейсами TensorFlow Python дозволяє використовувати її сильні сторони. Але на відміну від API TensorFlow Python, TensorFlow.js можна легко поширювати та виконувати на будь-якій платформі без встановлення, що робить її більш потужною та простою у користуванні. Варто зазначити, що TensorFlow.js надає високорівневі API для моделювання, що дозволяє легко розгортати попередньо навчені моделі у браузері.

Окрім гнучкості, необхідної для веб-додатків машинного навчання, TensorFlow.js має хорошу продуктивність з апаратним прискоренням. Оскільки бібліотека TensorFlow.js пов'язана з механізмом прискорення, який може міститися в сучасних веб-браузерах, що забезпечує високопродуктивне машинне навчання та чисельні обчислення на JavaScript[9-10]. Сучасні веб- браузери мають API WebGL (кросплатформний API для SD-графіки в браузер), який спочатку призначався для прискорення рендерингу 2D і 3D- візуальних зображень на веб-сторінках. Пізніше він був перепрофільований для паралельних чисельних обчислень у нейронних мережах у TensorFlow.js[11]. Це означає, що інтегрована відеокарта може прискорити операції глибокого навчання, усуваючи при цьому потребу у спеціальних відеокартах, наприклад NVIDIA, GTX, необхідних для нативних фрейморків глибоко навчання.

Система TensorFlow.js дозволяє підтримувати всі основні процеси, наприклад, навчання та виведення, серіалізація, перетворення моделей тощо. Окрім цього вона також підтримує широкий спектр середовищ [12], включаючи браузери, розширення для браузерів, веб-сервери, хмарні сервери, десктопні та мобільні додатки, а також платформи для плагінів додатків.

TensorFlow.js містить колекцію попередньо навчених моделей Google, які показані у табл. 1. Такі підготовлені моделі на основі команд готові виконувати різні завдання, наприклад: ідентифікація об'єктів, сегментація зображення, розпізнавання голосу та категоризація токсичності тексту.

Моделі можна використовувати або налаштовувати за допомогою трансферного навчання. Попередньо навчені моделі TensorFlow.js можна класифікувати в залежності від того, чи є вони корисними моделями об'єктів, моделями обличчя, а також за межами моделі тексту або мови.

Проведемо аналіз з дослідження розробки інтерфейсних веб-додатків для глибокого навчання, щоб продемонструвати взаємозалежність інтерфейсного глибокого навчання на прикладі розгортання зовнішнього інтерфейсу. На рис. 1 показано основні 7 категорій, які розглядаються.

Таблиця 1.

Попередньо навчені моделі TensorFlow.js

Об'єктно-корисні моделі

mobilenet

Ця модель класифікації зображень, навчена за допомогою бази даних ImageNet, містить 1,2 мільйона навчальних зображень і 1000 класів об'єктів.

coco-ssd

Ця модель виявлення об'єктів навчена на наборі даних COCO та може класифікувати елементи за 80 різними категоріями

deeplab

Ця модель може виконувати семантичну сегментацію, тобто процес

розуміння зображення на піксельному рівні, а потім позначення кожного пікселя шляхом створення двовимірного тензора з мітками класів

knn-classifier

Це інструмент для побудови класифікатора K-Nearest Neighbors, який зазвичай використовується з активаціями з іншої моделі, наприклад, із навчанням перенесення.

Моделі обличчя та пози

blazeface

Це модель розпізнавання обличчя на основі архітектури Single Shot Detector, яка може виявляти одне або кілька облич на фотографії, зробленій камерою смартфона.

HandPose

Цей легкий конвеєр машинного навчання складається з двох моделей: детектора долоні та моделі, яка відстежує пальці на скелеті руки. Він передбачає 21 ключову точку тривимірної руки для кожної ідентифікованої руки.

Pose-detection

Це уніфікований набір інструментів для виявлення поз, який використовує одну з трьох моделей

(MoveNet, BlazePose та PoseNet) для виявлення нетипових поз і швидких рухів тіла в режимі реального часу. MoveNet -- блискавично швидка та високоточна модель, яка визначає 17 ключових точок тіла; BlazePose може визначати 33 ключові точки, а PoseNet може визначати кілька поз, кожна з яких містить 17

ключових точок.

BodyPix

Це модель сегментації тіла, яка сегментує 24 компоненти тіла з фонового зображення чи відео в реальному часі, і вона також працює для кількох людей. Його конструкція заснована або на MobileNetV1 (менш точні моделі), або на ResNet50 (більш точній моделі).

Текстові та мовні моделі

speech-commands

Це модель розпізнавання мовних команд, яка використовується для класифікації аудіокліпів із набору даних голосових команд. Може розпізнавати розмовні інструкції, що складаються з основних ізольованих англійських слів з обмеженого словникового запасу

universal-sentence-

encode

Ця модель може стискати текст у 512-вимірне вбудовування, яке можна використовувати для завдань обробки природної мови, таких як подібність тексту та класифікація настроїв.

toxicity

Це модель, навчена за допомогою набору даних цивільних коментарів, який включає понад 2 мільйони коментарів, які можуть класифікувати текст як «Дуже отруйний» до «Дуже здоровий».

qna

Це BERT[b] модель відповідей на питання природною мовою, що використовує набір даних SQuAD 2.0[c], який відповідає на запити щодо вмісту певного фрагмента тексту

Джерело:Сформовано автором на основі [4].

комп'ютерний веб зовнішній інтерфейс

Навчальна платформа - веб-додаток, який дозволяє користувачам навчати свої класифікаційні моделі машинного навчання, використовуючи відео, зображення та звуки зі своїх пристроїв. Побудова моделі відбувається з перенесенням моделі для виявлення тенденції та закономірностей в медіаресурсах. Прикладом є навчання користувачів за допомогою інтерактивного онлайн-пояснення з використанням розпізнавання зображень, коли на основі навчального відео на веб-сайті, користувач має змогу сфотографувати предмет, а веб-сайт має здатність ідентифікувати його за допомогою алгоритму глибокого навчання.

Рис. 1. Схема можливостей під час розробки інтерфейсних (front-end) веб-додатків з використанням глибокого навчання Джерело: Сформовано автором на основі [4].

Платформа візуалізації - це інтерактивний додаток для візуального навчання та експериментів з генеративними мережами-конкурентами (GAN). Користувачі можуть тренувати GAN в інтерактивному режимі та візуально досліджувати процес навчання моделі, щоб зрозуміти, як GAN функціонують під час навчання і виведення.

Розвиваюча платформа - це веб-середовище візуального середовища програмування для науки про дані. Воно надає абстракцію для мовно- специфічної реалізації принципів машинного навчання з використанням графічних блоків (Blocky40) та створенням інтерактивної візуалізації.

Реабілітація та моніторинг призначена для полегшення оцінки ризику падіння та моніторингу реабілітації людей, які здатні покращувати та стабілізувати стан здоров'я. Наприклад, у роботі [13] використовувався PoseNet для реабілітації в домашніх умовах, де його скелетне відстеження використовувалося для ідентифікації й моніторингу кутових рухів пацієнтів, коли вони виконують реабілітаційні вправи перед вебкамерою. Після того, як пацієнти завершили свої реабілітаційні заходи, лікарі можуть дослідити і оцінити швидкість відхилення їх кутових рухів в різні дні, щоб дізнатися про темпи їхнього одужання.

Фізичні тренування у роботі [14] представлено веб-коментарі (анотації) до відео, які підтримують мультимодальні коментарі, які можуть бути використані в різних сценаріях, включаючи танцювальні репетиції. Оцінка пози використовується для виявлення людського скелета у відеокадрах, надаючи користувачеві додаток для пошуку потенційних анотацій. Щоб зробити його інтерактивним інструментом, пізніше була додана голосова інтеграція за допомогою класифікатора мови і звуків ML5 для забезпечення взаємодії між людиною і комп'ютером

Відстеження жестів - це веб-додаток, який показує ЗО-жестове введення, використовуючи глибоку оцінку пози та взаємодію з користувачем. Аналогічно, Scroobly46 та PoseAnimator47 відображають фактичні рухи користувача у своїх анімаціях за допомогою моделей машинного навчання Facemesh і PoseNet. Коли користувач рухається, алгоритм машинного навчання змінює анімацію, що відображається на екрані.

Створення звуків та музики - це інструментарій з відкритим вихідним кодом JavaScript API, який абстрагується від технічних складнощів, дозволяючи розробникам додатків створювати нові інтерфейси для генеративних моделей.

Створення творів мистецтва на основі використання результатів розпізнавання зображень, модель згорткової нейронної мережі, яка розпізнає малюнки, щоб запропонувати людиноподібний компліментарний зворотний зв'язок.

Виявлення експресії - веб-додаток для розпізнавання емоцій з відкритим вихідним кодом, наприклад, Face-api.js. Можливості використання такого веб- додатку дозволяють допомогти у моніторингу емоційного стану здоров'я під час психіатричного лікування з метою створення додатка для аналізу відеозаписів виразу обличчя.

Розпізнавання обличчя з використанням 68-точкового предиктора з орієнтиром обличчя має розмір менше 200 кб і здатний зіставляти передбачені 68-точкові орієнтири з традиційними. Крім того, для запобігання несанкціонованому доступу створена система, яка використовує методи розпізнавання облич і виявлення орієнтирів для виконання завдань верифікації особи та виявлення живої людини[10].

Сегментація відео - можливість перетворення фону веб-камери віддаленого партнера в той, що відповідає приймачеві з браузерним додатком використовуючи TensorFlow.js для виконання машинного зору в реальному часі. Це робиться шляхом заміни віддаленого користувача фоном, отриманим в реальному часі, зображенням області за приймаючою стороною [15].

Обробка зображень за допомогою чого інтерфейсні веб-додатки для глибокого навчання використовуються для забезпечення централізованого інструменту, який дозволяє людям, які працюють у різних місцях і галузях, взаємодіяти один з одним. На основі чого також можуть створюватися онлайн- системи інтегрованого зображення відбитків пальців за допомогою веб- інструментів, які дозволяють переглядати, редагувати, застосовувати розпізнавання образів, а також аналізувати та взаємодіяти з зображеннями[16].

Аналіз сигналів - віртуальна лабораторія для аналізу даних, яка дозволяє аналізувати дані, попередньо обробляти їх та розробляти моделі за допомогою TensorFlow.js.

Наукові обчислення MLitB - це перший прототип фреймворку машинного навчання, повністю написаний на JavaScript без Tensorflow.js. Він може проводити великомасштабні розподілені обчислення з різними класами пристроїв, використовуючи веб-браузери[17].

Для медичної діагностики, фронтенд веб-додатки з глибинним навчанням використовуються для широкого спектра випадків використання, що дозволяє широко використовувати методи глибокого навчання та плагіни для інтерактивного аналізу зображень і геноміки.

Оптимізація пропускної здатності Потокове відео та хмарні ігрові сервіси можна покращити, зменшивши затримки між введенням даних користувачем та отриманням зворотного зв'язку.

Класифікація зображень має широкий спектр застосувань для аналізу зображень з використанням глибокої згорткової нейронної мережі з переносним навчанням, де модель може точно класифікувати різні класи моделей камер, використовуючи набір даних Open-Image.

Виявлення об'єктів на основі методу динамічної класифікації об'єктів з використанням низькоякісних зображень за допомогою веб-камер

Висновки

З розвитком інтерфейсної розробки з'явилася можливість розгортання на інтерфейсі, таким чином, мігруючи від внутрішніх центрів обробки даних до клієнтів. Зовнішні інтерфейсні додатки для глибокого навчання мають ряд переваг, які пояснюються широким охопленням, зниженням витрат на сервері, своєчасним реагуванням та мають підвищені умови конфіденційності.

Проведений аналіз на основі літературного огляду застосування моделей глибокого навчання у розробці веб-середовища дозволяє зробити декілька припущень. Під час розробки веб-додатку необхідно враховувати етапи їх реалізації (створення UI/UX дизайну, Backend розробка, розробка зовнішнього інтерфейсу, тестування, розміщення та розгортання). Наведені етапи реалізації можуть застосовуватися сумісно з методами машинного навчання, де була наведена схема можливостей під час розробки інтерфейсних (front-end) веб- додатків з використанням глибокого навчання.

Проаналізовано ключові особливості застосування мов програмування, таких як Python та JavaScript для браузерних веб-додатків машинного навчання, а також використання TensorFlow.js для створення моделей машинного навчання, яка сумісна з API-інтерфейсами TensorFlow Python. Таким чином, на основі сучасних комп'ютерних технологій та використанням веб-бібліотек із застосуванням методів машинного навчання можна

Література

1. Іонченкова, в. О. (2019). Використання веб-сайтів у забезпеченні комунікативної функції бібліотек в Україні., УДК 316.7 ББК 78.6я431, C. 204-207 http://mdu.in.ua/Nauch/Konf/2019/zbirka_konferenciji_2019-ch2.pdf#page=204

2. Dinh, D., & Wang, Z. (2020). Modern front-end web development: how libraries and frameworks transform everything. https://um.fi/URN:NBN:fi:amk-2020060416939

3. Sotnik, S., Shakurova, T., & Lyashenko, V. (2023). Development Features Web- Applications. https://openarchive.nure.ua/handle/document/21600

4. Goh, H. A., Ho, C. K., & Abas, F. S. (2022). Front-end deep learning web apps development and deployment: a review. Applied Intelligence, 1-23. https://doi.org/10.1007/ s10489-022-04278-6

5. Andersson, V., & Roll, E. (2020). Front-end study and application of modern web-app technologies with the aim of improving an existing system (Bachelor's thesis, NTNU). https://hdl.handle.net/11250/2672185

6. Lian, Z., Yang, Q., Zeng, Q., & Su, C. (2022, May). Webfed: Cross-platform federated learning framework based on web browser with local differential privacy. In ICC 2022-IEEE International Conference on Communications (pp. 2071-2076). IEEE. https://doi.org/10.1109/ ICC45855.2022.9838421

7. Jodogne, S. (2023). Client-Side Application of Deep Learning Models Through Teleradiology. Studies in Health Technology and Informatics, 302, 997-1001. https://doi.org/ 10.3233/SHTI230325

8. Tosic, D. (2023). Artificial Intelligence-driven web development and agile project management using OpenAI API and GPT technology: A detailed report on technical integration and implementation of GPT models in CMS with API and agile web development for quality user- centered AI chat service experience. urn:nbn:se:miun:diva-48446

9. Kanber, B. (2018). Hands-on machine learning with JavaScript: solve complex computational web problems using machine learning. Packt Publishing Ltd. ISBN 9781788990301

10. Li, C., & Li, C. (2019). Web front-end realtime face recognition based on TFJS. 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) (pp. 1-5). IEEE. https://doi.org/10.1109/CISP-BMEI48845.2019.8965963

11. Smilkov, D., Thorat, N., Assogba, Y., Nicholson, C., Kreeger, N., Yu, P.,... & Wattenberg, M. M. (2019). Tensorflow. js: Machine learning for the web and beyond. Proceedings of Machine Learning and Systems, 1, 309-321. https://arxiv.org/abs/1901.05350

12. Cai, S., Bileschi, S., Nielsen, E. D., & Chollet, F. (2020). Deep Learning with JavaScript: Neural networks in TensorFlow. js. Manning Publications. ISBN 9781617296178

13. Chua, J., Ong, L. Y., & Leow, M. C. (2021). Telehealth using PoseNet-based system for in-home rehabilitation. Future Internet, 13(7), 173. https://doi.org/10.3390/fi13070173

14. Rodrigues, R., Madeira, R. N., Correia, N., Fernandes, C., & Ribeiro, S. (2019). Multimodal web-based video annotator with real-time human pose estimation. In Intelligent Data Engineering and Automated Learning-IDEAL 2019: 20th International Conference, Manchester, UK, November 14-16, 2019, Proceedings, Part II 20 (pp. 23-30). Springer International Publishing. https://doi.org/10.1007/978-3-030-33617-2_3

15. Denoue, L., Carter, S., & Kim, C. (2019, October). CamaLeon: smart camera for conferencing in the wild. In Proceedings of the 27th ACM International Conference on Multimedia (pp. 1038-1040). https://doi.org/10.1145/3343031.3350583

16. Huang, C. Y., Liu, L. M., & Chen, Y. L. (2019). An online integrated fingerprint image system. International Journal of Machine Learning and Computing, 9(1), 51-56. https://doi.org/10.18178/ijmlc.2019.9.1.764

17. Ma, Y., Xiang, D., Zheng, S., Tian, D., & Liu, X. (2019, May). Moving deep learning into web browser: How far can we go?. In The World Wide Web Conference (pp. 1234-1244). https://doi.org/10.1145/3308558.3313639

References

1. Ionchenkova, V. O. (2019). Vykorystannia veb-saitiv u zabezpechenni komunikatyvnoi funktsii bibliotek v Ukraini [The use of websites in ensuring the communicative function of libraries in Ukraine] UDC 316.7 BSC 78.6ya431, P. 204. Retrieved from http://mdu.in.ua/Nauch/Konf/2019/zbirka_konferenciji_2019-ch2.pdf#page=204 [in Ukrainian]

2. Dinh, D., & Wang, Z. (2020). Modern front-end web development: how libraries and frameworks transform everything. Retrieved from https://um.fi/URN:NBN:fi:amk-2020060416939 [in English].

3. Sotnik S., Shakurova T., Lyashenko V. Development Features Web-Applications // International Journal of Academic and Applied Research (I.JAAR). - 2023. - Vol. 7(1). - pp. 79-85. Retrieved from https://openarchive.nure.ua/handle/document/21600 [in English].

4. Goh, H. A., Ho, C. K., & Abas, F. S. (2022). Front-end deep learning web apps development and deployment: a review. Applied Intelligence, P. 23. Retrieved from https://doi.org/10.1007/s10489-022-04278-6 [in English].

5. Andersson, V., & Roll, E. (2020). Front-end study and application of modern web-app technologies with the aim of improving an existing system (Bachelor's thesis, NTNU). Retrieved from https://hdl.handle.net/11250/2672185 [in English].

6. Lian, Z., Yang, Q., Zeng, Q., & Su, C. (2022, May). Webfed: Cross-platform federated learning framework based on web browser with loc al differential privacy. In ICC 2022-IEEE International Conference on Communications (pp. 2071-2076). IEEE. Retrieved from https://doi.org/10.1109/ICC45855.2022.9838421 [in English].

7. Jodogne, S. (2023). Client-Side Application of Deep Learning Models Through Teleradiology. Studies in Health Technology andI^fo^^at^cs, 302, pp. 997-1001. Retrieved from https://doi.org/10.3233/SHTI230325 [in English].

8. Tosic, D. (2023). Artificial Intelligence-driven web development and agile project management using OpenAI API and GPT technology: A detailed report on technical integration and implementation of GPT models in CMS with API and agile web development for quality user- centered AI chat service experience. Retrieved from https://miun.diva-portal.org/smash/record.jsf? pid=diva2%3A1764392&dswid=7808 [in English].

9. Kanber, B. (2018). Hands-on machine learning with JavaScript: solve complex computational web problems using machine learning. Packt Publishing Ltd. ISBN 9781788990301 [in English].

10. Li, C., & Li, C. (2019). Web front-end realtime face recognition based on TFJS. 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) (pp. 1-5). IEEE. Retrieved from https://doi.org/10.1109/CISP-BMEI48845.2019. 8965963 [in English].

11. Smilkov, D., Thorat, N., Assogba, Y., Nicholson, C., Kreeger, N., Yu, P.,... & Wattenberg, M. M. (2019). Tensorflow. js: Machine learning for the web and beyond. Proceedings of Machine Learning and Systems, 1, pp. 309-321. Retrieved from https://arxiv.org/abs/1901. 05350 [in English].

12. Cai, S., Bileschi, S., Nielsen, E. D., & Chollet, F. (2020). Deep Learning with JavaScript: Neural networks in TensorFlow. js. Manning Publications. ISBN 9781617296178 [in English].

13. Chua, J., Ong, L. Y., & Leow, M. C. (2021). Telehealth using PoseNet-based system for in-home rehabilitation. Future Internet, 13(7), P. 173. Retrieved from https://doi.org/ 10.3390/fi13070173 [in English].

14. Rodrigues, R., Madeira, R. N., Correia, N., Fernandes, C., & Ribeiro, S. (2019). Multimodal web-based video annotator with real-time human pose estimation. In Intelligent Data Engineering and Automated Learning-IDEAL 2019: 20th International Conference, Manchester, UK, November 14-16, 2019, Proceedings, Part II 20 (pp. 23-30). Springer International Publishing. Retrieved from https://doi.org/10.1007/978-3-030-33617-2_3 [in English].

15. Denoue, L., Carter, S., & Kim, C. (2019, October). CamaLeon: smart camera for conferencing in the wild. In Proceedings of the 27th ACM International Conference on Multimedia (pp. 1038-1040). Retrieved from https://doi.org/10.1145/3343031.3350583 [in English].

16. Huang, C. Y., Liu, L. M., & Chen, Y. L. (2019). An online integrated fingerprint image system. International Journal of Machine Learning and Computing, 9(1), pp. 51-56. Retrieved from https://doi.org/10.18178/ijmlc.2019.9.1.764 [in English].

17. Ma, Y., Xiang, D., Zheng, S., Tian, D., & Liu, X. (2019, May). Moving deep learning into web browser: How far can we go?. I^ T^e World Wide Web Conference (pp. 1234-1244). Retrieved from https://doi.org/10.1145/3308558.3313639 [in English].

Размещено на Allbest.ru

...

Подобные документы

  • Вивчення технологій програмування Internet-сайтів. Розробка інтерактивного інтерфейсу Web-додатків засобами бібліотеки Codeigniter. Інтернет-проекти на основі Ajax-технології. Обробка запиту засобами Codeigniter. Асинхронний обмін даними способами Ajax.

    курсовая работа [1,3 M], добавлен 12.06.2014

  • Інструменти для розробки сайту. Застосування парсингу HTML-сторінок для створення web-системи з реалізації комп’ютерних комплектуючих по магазинах постачальниках з оптимальним пошуком при формуванні заказу. Аналіз можливостей фреймворку Code Igniter.

    дипломная работа [918,4 K], добавлен 08.06.2013

  • Особливості архітектури комп'ютерних мереж. Апаратні та програмні засоби комп'ютерних мереж, їх класифікація та характеристика. Структура та основні складові комунікаційних технологій мереж. Концепції побудови та типи функціонування комп'ютерних мереж.

    отчет по практике [1,2 M], добавлен 12.06.2015

  • Застосування, види комп'ютерних презентацій. Властивості та переваги комп'ютерних презентацій. Види мультимедійних презентацій. Програма для підготовки презентацій PowerPoint 2007. Програма для створення потокових презентацій Windows Movie Maker.

    контрольная работа [2,6 M], добавлен 11.09.2015

  • Історія створення комп’ютерних комунікацій та принципи їх побудови. Характеристика устаткування для створення комп’ютерних мереж. Поняття адресації, види протоколів, їх розвиток, комбінування та особливості використання. Стандарти бездротових мереж.

    курс лекций [1,3 M], добавлен 04.06.2011

  • Апаратні та програмні засоби комп'ютерних мереж, необхідність об'єднання ПК у одне ціле - локальну обчислювальну мережу. Вимоги, які висуваються до сучасних технологій обміну даними. Середовище обміну, канали, пристрої передавання та приймання даних.

    реферат [549,2 K], добавлен 18.03.2010

  • Західний регіональний центр інформаційних технологій - "Інфотехцентр" як один з лідерів ринку комп’ютерної техніки та комп’ютерних інформаційних технологій. Особливості розробки сайту (веб-ресурсу) з інформацією по мовах програмування різних напрямків.

    отчет по практике [714,6 K], добавлен 30.03.2010

  • Основні поняття мультимедіа технології, їх різновиди та функціональні особливості, області застосування. Програма Macromedia Flash, її характеристика та особливості. Огляд даної технології, робота з текстом і звуком, можливі сценарії, застосування в web.

    дипломная работа [285,0 K], добавлен 10.11.2010

  • Історія розвитку інформаційних технологій. Швидка зміна концептуальних представлень, технічних засобів, методів і сфер їх застосування. Основні види, можливості та сфера застосування комп'ютерної графіки. Векторна та об'єктно-орієнтована графіка.

    курсовая работа [725,5 K], добавлен 28.03.2015

  • Розробка методики інформаційно-творчого характеру, що інтегрально впливає на якість освоєння й виконання технічних і тактичних прийомів у баскетболі. Проектування програми "ІНФОРМБАСКЕТ" для обробки інформації змагальної діяльності в баскетболі.

    дипломная работа [3,2 M], добавлен 10.07.2012

  • Поняття пам’яті в комп’ютері. Класифікація сучасних персональних комп’ютерів за їх ознаками. Основні принципи будови та функціонування комп'ютерних систем. Функціональність смартфонів і комунікаторів в порівнянні із звичайними мобільними телефонами.

    курсовая работа [70,3 K], добавлен 31.01.2014

  • Передумови та фактори, що зумовлюють необхідність комп’ютеризації у аптеці. Задачі та цілі, що вирішуються при використанні комп’ютерних програм в аптеці. Порівняльний аналіз деяких інформаційних систем для вибору постачальника лікарських засобів.

    курсовая работа [318,4 K], добавлен 01.03.2013

  • Характеристика формування навичок розробки додатків із використанням кнопкових компонентів у середовищі програмування Visual Studio. Створення програми, що переводить числа з однієї системи числення до іншої. Особливість застосування додатку Converter.

    практическая работа [249,7 K], добавлен 01.12.2022

  • Термінологія, сучасне діловодство: сутність, особливості, структура, фіксація. Базові групи документів, що підлягають реєстрації. Використання комп’ютерних технологій на етапі документування та організація документообігу. Сімейства текстових редакторів.

    курсовая работа [44,9 K], добавлен 19.09.2010

  • Поняття інформаційних технологій, їх види та етапи розвитку. Особливості впровадження сучасних інформаційних технологій у різних сферах діяльності: рівні операційної діяльності, у керуванні та прийнятті управлінських рішень. Перспективи їх розвитку.

    контрольная работа [21,3 K], добавлен 07.02.2011

  • DirectX як набір API функцій, розроблених для вирішення завдань, пов'язаних з ігровим і відеопрограмуванням в операційній системі Microsoft Windows. Етапи створення тривимірних графічних додатків на базі платформи dotNET. Аналіз компонентної моделі COM.

    дипломная работа [4,4 M], добавлен 22.10.2012

  • Використання комп'ютерних технологій та програмного забезпечення. Загальні відомості про середовище візуального програмування Delphi 7. Аналітичний огляд програм, які вирішують задачі методом Крамера або методом Гауса. Розробка програми "Лічильник задач".

    курсовая работа [2,7 M], добавлен 10.04.2014

  • Загальна характеристика навчально-наукового комп'ютерного центру. Державні норми влаштування і обладнання кабінетів комп'ютерної техніки. Створення довідкової бази про факультет комп’ютерних систем для приймальної комісії у вигляді сайту для абітурієнтів.

    отчет по практике [72,0 K], добавлен 07.07.2010

  • Аналіз сучасних та класичних технологій розробки настільних тестових програм, методів каріотипування людини. Підхід до побудови настільних додатків на основі веб-технологій. Розроблення інструкції користувача для швидкого опанування тестової програми.

    дипломная работа [1,4 M], добавлен 07.09.2016

  • Розробка та тестування додатків, які базуються на елементах мови програмування Java, принципи програмування в її середовищі. Вивчення переваг Java-платформи, прикладний програмний інтерфейс та особливості сучасних засобів створення Java-додатків.

    дипломная работа [2,8 M], добавлен 22.06.2011

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.