The integration of modern computer technologies into the construction industry is transforming design and building processes, offering professionals numerous advantages. One of the most significant advancements is the adoption of virtual modeling tools, which enhance design accuracy, improve project quality, and reduce implementation time. These technologies also optimize material costs, making construction more efficient and cost-effective. A major milestone in this digital transformation is the widespread use of Building Information Modeling (BIM) technologies, such as Revit and Archicad. These programs create a unified software environment that streamlines project management across all stages, from initial design to construction and operation. Additionally, they enable the development of complex architectural forms through 3D printing, further expanding the potential of modern construction methods. The success of 3D printing in construction depends heavily on advanced materials, particularly fine-grained concrete with inorganic binders. While these materials enhance durability and structural integrity, their development remains a challenge due to strict technical requirements. Overcoming these challenges requires a scientifically grounded approach to optimizing material composition and ensuring seamless integration into additive manufacturing processes. In conclusion, the fusion of digital tools with construction methodologies significantly improves efficiency, precision, and sustainability.

Жҧмыста жеке қорғаныс қҧралдарын берудің «тізімдік» тәсілінен халықаралық тәжірибеде қолданылатынға кӛшуді негіздеу ҥшін Еуропалық Одақ, АҚШ, Канада, Ресей Федерациясы елдерінің мысалында нормативтік-қҧқықтық реттеудің халықаралық аспектісінде ӛнеркәсіптік кәсіпорында жеке қорғаныс қҧралдары қамтамасыз етудегі тәуекелге бағдарланған тәсілдің ерекшелігі қарастырылады. Қазіргі уақытта Қазақстан Республикасында ӛнеркәсіптік қауіпсіздік пен еңбекті қорғауды қамтамасыз ету мақсатында белгіленген нормалар негізінде жеке қорғану қҧралдарын беруге қатаң регламенттелген тәсіл қолданылады. Пандемия кезіндегі жаппай жҧқтыру жағдайлары тәуекелдің сипатын, оның ішінде кәсіби сипатын ескермей, қолданылатын нормативтік тәсілдің тиімсіздігін кӛрсетті. Сондықтан бҧл бағытта қауіпті ӛндірістік объектілерде, әсіресе зиянды еңбек жағдайларында жҧмыс істейтін қызметкерлердің кәсіби тәуекелін ескере отырып, жаңа тәсілдерді ғылыми негіздеу қажеттілігі туындайды.

Insurance is an integral element of the modern economic system. Nature and civilization generate new risks, so people, the state and business need similar insurance protection systems. Kazakhstan, in accordance with the program of innovative and industrial development, strives for dynamic growth of industry, its diversification, along with social and labor aspects of production activities. The main focus is not only on technology, modernization of equipment and investments, but also, first of all, on the safety of workers and the preservation of their ability to work. Real progress can be achieved taking into account the effective experience of developed countries in the field of occupational safety and health. In this regard, it will be necessary to pay attention to the foreign experience of economically developed countries with developed legislations that establish various standards regarding labor protection requirements

The paper considers a comparative analysis of the legal acts of providing workers with personal protective equipment of the European Union, the USA, Canada, the Russian Federation and other countries to justify the transition from the «list» approach to the issuance of personal protective equipment to the one used in international practice. Currently, the Republic of Kazakhstan uses a strictly regulated approach to the issuance of personal protective equipment based on established standards. The conditions of mass infection during the pandemic showed the ineffectiveness of the applied regulatory approach, without taking into account the nature of the risk. Therefore, in this direction there is a need for scientific substantiation of new approaches, taking into account the professional risk of the employee. During the review of international and domestic legal norms, key points of differences were identified, namely the use of a risk-based approach as the most modern and in line with modern trends and realities in ensuring the safe work of workers. Establishing a clear link with the results of occupational risk assessment will ensure the risk-oriented mechanisms for issuing personal protective equipment and training in safe work methods, which are modern measures of safe work in accordance with international legal practice

В данной статье рассматриваются современные методы лингвистического анализа, применяемые для обработки казахского языка, с целью автоматического выявления и извлечения текстовой информации. Особое внимание уделяется морфологическому, синтаксическому и семантическому анализу, а также их адаптации к особенностям казахского языка, который относится к агглютинативным языкам и характеризуется свободным порядком слов. Это создаёт определённые трудности при применении традиционных подходов, разработанных для языков с фиксированным порядком слов, таких как английский. В исследовательской работе анализируются современные подходы, включая методы на основе конечных автоматов, статистические модели, глубокие нейронные сети и трансформерные архитектуры. Рассматриваются существующие программные инструменты, такие как HFST, Apertium, KazNERD, BeeBERT и Kaz-RoBERTa и другие модели, специально адаптированные для языков со сложной морфологической структурой, а также их потенциал и ограничения в контексте обработки казахских текстов. Особое внимание уделяется вопросам точности морфологического анализа, устойчивости моделей к полисемии, а также способности справляться с редкими и сложными словоформами. Также обсуждаются практические области применения современных NLP-решений для казахского языка — в системах машинного перевода, автоматической классификации текстов, извлечении именованных сущностей и анализе тональности. Представлены конкретные примеры применения моделей в образовательной и юридической сферах. В заключении даны рекомендации по созданию национальных текстовых корпусов, развитию инструментов морфологического анализа, а также дальнейшему исследованию интеграции различных методологических подходов для повышения качества обработки казахского языка в задачах NLP.

Сегментация речи – это процесс разделения речевых сигналов на части, который является важным аспектом систем идентификации говорящего и распознавания речи. Этот процесс повышает эффективность системы, позволяя точно определять начало и конец речи. Использование детекторов речевой активности (VAD) играет важную роль в сегментации, поскольку они помогают определить границы между речью и тишиной. Однако наиболее распространенными ошибками при сегментации являются ложноположительные и ложноотрицательные результаты, которые негативно влияют на общую точность системы. В связи с этим необходимо снижать ошибки за счет различных подходов и методов. Такие меры, как снижение фонового шума, использование моделей глубокого обучения и увеличение данных, могут значительно улучшить качество сегментации. Использование методов и особенностей спектрального анализа позволяет четко различать речь и фоновый шум. Целью данного исследования является оптимизация процесса сегментации и анализ вероятности ошибок, повышение эффективности систем распознавания речи. В результате эта работа является основой для новых исследований и разработок в области распознавания речи. В статье рассматривается проблема сегментации речи для идентификации говорящего. В работе описаны возможные критерии сегментации – качественные и количественные характеристики звуковой речи, например, речевые задержки и интонация, а также их акустическое соотношение. Это позволяет специалисту выделить конкретные сегментные единицы (слоги, слова и т. д.), записать их структуру, выделить основные признаки.

В данной работе рассматривался распознавание именованных сущностей в казахском языке с использованием трансформерных моделей. Распознавание именованных сущностей (NER) - это раздел обработки естественного языка, который автоматически идентифицирует именованные сущности в текстовых данных и классифицирует их по предопределённым категориям. В ходе анализа предыдущих исследований было отмечено, что по данной теме на казахском языке требуется ещё много исследований. В качестве текстовых данных были взяты научные статьи в области информационных технологий, а при подготовке набора данных имена людей, названия учреждений, местоположения, а также термины в данной области были размечены как именованные сущности в формате IOB2. Для распознавания именованных сущностей рассматривались трансформерная модель библиотеки spaCy и большая языковая модель Llama. Для решения поставленной задачи были полностью описаны внутренние структурные блоки обеих моделей, дано формальное описание реализации NER в этих моделях и выполнена их тонкая настройка. Модели были обучены на подготовленном наборе данных и проведены различные тестирования. Полученные результаты сопоставлены с показателями других исследований и представлен сравнительный анализ.

По всему миру сельское хозяйство является основной отраслью продовольственного обеспечения населения и играет важную роль в экономике нашей страны. В Республике Казахстан имеется 25,7 млн. гектаров пахотных земель. Одним из способов его эффективного использования является использование возможностей современных технологий, в том числе направлении искусственного интеллекта - машинное обучение. Использование возможностей машинного обучения в сельском хозяйстве может способствовать повышению эффективности, оптимизации процессов, определению подходящих культур для выбранного место, прогнозированию урожайности, защите растений от вредителей и т. д. помогает решать важные для фермеров задачи. В этой статье было рассмотрено решение задачи прогнозирования подходящих культур для посева, в зависимости от состава почвы и количества осадков, путем объединения нескольких методов машинного обучения в ансамбль. Для создания ансамблевой модели были проведены различные тесты более 10 методов машинного обучения. В результате теста методы дерева решений, логистическая регрессия, классификатор Наивного Байеса, классификатор K-Nearest Neighbours и многослойный персептрон показали более высокую точность. Эти методы были объединены в ансамблевую модель с помощью стекинга и были получены две новые ансамблевые модели Stacking with ML models и Stacking with ML and NN models. Показатели точности нсамблевых моделей составили соответственно Stacking with ML models - 99,95%, Stacking with ML and NN models - 76,9%.

В данной статье представлены результаты анализа алгоритмов машинного обучения для сентиментального анализа данных на казахском языке, и в результате анализа опрделены эффективные алгоритмы. В связи с увеличением объем казахскоязычного контента в социальных сетях, новостях и интернет-магазинах, также возросла потребность в инструментах и ​​методах обработки данных на казахском языке в целях получения ценной информации о мнениях и взглядах людей. Поэтому набор данных, использованный в исследовании, был собран из реальных интернет-магазинов и новостных сайтов. Объем собранный набор данных составляет 1500 записей, 80% из которых использовались для обучения алгоритмов, а 20% — для тестирования. Для сентиментального анализа данных рассмотрены алгоритмы маштнного обучения такие как логистическая регрессия, мультиномиальный наивный байесовский метод, метод опорных векторов (SVM), XGBoost и длинная краткосрочная память (LSTM) глубокого обучения. В ходе исследования тестирован алгоритмы увеличивая набора данных с 500 записей до 1500 записей, а также были реализованы и протестированы различные методы алгоритмов, такие как индивидуальный, ансамблевый и расширенный. Результаты, полученные в ходе тестирования, были представлены по показателям точности алгоритмов.

В настоящее время теория и методы машинного обучения (МО) быстро развиваются и все шире используются в различных областях науки и техники, в частности в производстве, образовании и медицине. Слабо контролируемое обучение – это часть исследований в области машинного обучения, направленная на разработку моделей и методов анализа различных типов информации. При формулировании задачи обучения со слабо контролируемой обучением предполагается, что некоторые объекты в модели определены неправильно. Эту неточность можно понимать по-разному. Слабо контролируемое обучение – это тип метода машинного обучения, при котором модель обучается с использованием неполных, неточных или неточных сигналов наблюдения, а не с использованием полностью проверенных данных. Слабо контролируемое обучение часто возникает в реальных задачах по разным причинам. Это может быть связано с высокой стоимостью процесса маркировки данных, низкой точностью датчиков, недостатком опыта экспертов или человеческой ошибкой. Например, маркировка плохого контроля осуществляется в случаях, полученных методами краудсорсинга: для каждого объекта имеется набор различных оценок, качество которых зависит от мастерства исполнителей. Другой пример – проблема обнаружения объекта на изображении. Ограничительные линии – это распространенный способ указания местоположения и размера объектов, обнаруженных на изображении, в задачах обнаружения объектов. В статье представлен алгоритм решения многокритериальной задачи слабо контролируемой регрессии с использованием метрики Вассерштейна, различной регуляризации и матрицы коассоциации в качестве матрицы подобия. В работе также был усовершенствован алгоритм расчета средневзвешенной матрицы коассоциаций. Мы сравниваем предложенный алгоритм с существующими алгоритмами обучения с учителем и обучения без учителя на синтетических и реальных данных.