МЕТОД ІНТЕРПОЛЯЦІЇ ДЛЯ ПРОГНОЗУВАННЯ МЕТРИК ВИКОРИСТАННЯ ХМАРНИХ ОБЧИСЛЕНЬ В СТАТИСТИЧНОМУ НАВЧАННІ
Bibliographic record
Abstract
МЕТОД ІНТЕРПОЛЯЦІЇ ДЛЯ ПРОГНОЗУВАННЯ МЕТРИК ВИКОРИСТАННЯ ХМАРНИХ ОБЧИСЛЕНЬ В СТАТИСТИЧНОМУ НАВЧАННІ Анотація.В статті висвітлюються питання використання методів обчислень для інтерполяції та прогнозування кількості підприємств в Україні, що використовують хмарні обчислення та мають доступ до мережі Інтернет.Наведено основні категорії хмарних послуг, визначені на законодавчому рівні України.Розкриваються такі особливості використання хмарних технологій як-от: економія використання ресурсів, мобільність та здатність до масштабованості, дотримання безпеки даних.Обумовлюється можливість використання методу інтерполяції для розробки базової моделі прогнозування в статистичному навчанні.Підтверджується можливість використання інтерполяції поліномами Лагранжа та Ньютона в системі статистичного навчання з позиції встановлення базового опису функції для навчальної вибірки даних та її адаптації із зменшенням похибки.З використанням методів обчислення проведено оцінювання № 4(32) 2024 1193 динаміки статистичних метрик використання хмарних технологій підприємствами України як: частка кількості підприємств, що купують послуги хмарних обчислень; кількість підприємств, які мають доступ до мережі Інтернет в Україні.Інформаційну базу обчислення та розробки функції прогнозу становила неповна вибірка статистичних даних діяльності підприємств України за 2018-2022 рр., поновлення якої отримано методом інтерполяції.Підтверджено гіпотезу про спадаючу тенденцію кількості підприємств, які використовують хмарні обчислення та мають доступ до мережі Інтернет.Порівнюються результати оцінювання прогнозу на основі поліномів Лагранжа та Ньютона.Обґрунтовується важливість перспектив подальших досліджень у цій галузі для виявлення потенційних викликів та можливостей для українських підприємств у впровадженні технологій хмарних обчислень.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".