Practical principles of integrating artificial intelligence into the technology of regional security predicting

Abstract

Objective. The aim is to enhance the efficiency of diagnostics for determining the level of air attack safety through the practical integration principles of artificial intelligence. Methodology. Models and technologies for safety diagnostics of the region (territorial community) have been explored. The process of building an artificial intelligence model requires differentiation of objects at a level to accumulate assessments-characteristics of aerial vehicles. The practical integration principles of artificial intelligence into the forecasting technology are based on the Region Safety Index, used for constructing machine learning models. The optimal machine learning model of the proposed approach is selected from a list of several models. Results. A technology for predicting the level of regional safety based on the Safety Index has been developed. The recommended optimal model is the Random Forest model ([('max_depth', 13), ('max_features', 'sqrt'), ('min_samples_leaf', 1), ('min_samples_split', 2), ('n_estimators', 79)]), demonstrating the most effective quality indicators of MAE; MAX; RMSE 0.005; 0.083; 0.0139, respectively. Scientific Novelty. The proposed approach is based on a linear model of the Region Safety Index, which, unlike existing ones, takes into account the interaction of factors. This allows for advantages of the proposed method over existing approaches in terms of the root mean square error of 0.496; 0.625, respectively. In turn, this influences the quality of machine learning models. Practical Significance. The proposed solutions are valuable for diagnosing the level of safety in the region of Ukraine, particularly in the context of air attacks.

Мета. Підвищення ефективності діагностики на предмет визначення рівня безпеки повітряної атаки за рахунок використання практичних засад інтеграції штучного інтелекту. Методика. Досліджено моделі та технології на предмет діагностики безпеки регіону (територіальної громади). Процес побудови моделі штучного інтелекту потребує диференціювання об’єктів на рівні для накопичення оцінок-характеристик літальних апаратів. Основою практичних засад інтеграції штучного інтелекту у технологію прогнозування є індекс безпеки регіону, котрий використовується для побудови моделей машинного навчання. Оптимальна модель машинного навчання запропонованого підходу обирається зі списку кількох моделей. Результати. Розроблено технологію прогнозування рівня безпеки регіону на основі індексу безпеки. У якості оптимальної моделі рекомендовано використовувати модель Random Forest ([('max_depth', 13), ('max_features', 'sqrt'), ('min_samples_leaf', 1), ('min_samples_split', 2), ('n_estimators', 79)]), що демонструє найефективніші показники якості MAE; MAX; RMSE 0,005; 0,083; 0,0139 відповідно. Наукова новизна. Запропонований підхід базується на основі лінійної моделі індексу безпеки регіону, що на відміну від існуючих враховує взаємодію факторів. Це дозволяє отримати переваги запропонованого методу над існуючими підходами за ознакою середньоквадратичного відхилення 0,496; 0,625 відповідно. У свою чергу, це впливає на якість моделей машинного навчання. Практична значимість. Запропоновані рішення є корисними для діагностики рівня безпеки регіону України, зокрема повітряних атак.