Разработка онлайн-платформы для демонстрации и использования нейронных сетей различного назначения

Содержание

Введение

Глава 1. Теоретические основы построения веб-платформ для работы с нейронными сетями

1.1. Архитектуры нейронных сетей и области их применения: свёрточные, рекуррентные и генеративные сети, принципы их работы, решаемые задачи и влияние гиперпараметров на качество обучения.

1.2. Архитектурные решения для веб-платформ с ML-бэкендом: подходы к организации взаимодействия веб-интерфейса и нейросетевых моделей, механизмы REST API и WebSocket.

1.3. Анализ существующих платформ для демонстрации нейронных сетей (Google Colab, Kaggle, RunwayML, Teachable Machine, TensorFlow Playground) и формирование функциональных и нефункциональных требований к разрабатываемой платформе.

Глава 2. Проектирование и разработка онлайн-платформы

2.1. Проектирование архитектуры платформы и выбор технологического стека (Flask, PyTorch, TensorFlow, React, PostgreSQL), схема взаимодействия компонентов, организация аутентификации JWT и развёртывания через Docker Compose.

2.2. Разработка серверной части и интеграция моделей: реализация REST API на Flask-RESTX с организацией эндпоинтов, валидацией данных и обработкой ошибок; развёртывание нейросетевых моделей с загрузкой весов, управлением GPU и версионированием.

2.3. Разработка клиентской части: компонентная архитектура React-приложения, интерактивный интерфейс настройки гиперпараметров, визуализация процесса обучения в реальном времени через WebSocket и адаптивная вёрстка для настольных и мобильных устройств.

Глава 3. Экспериментальная оценка платформы

3.1. Реализация специализированных модулей платформы: модули классификации изображений Fashion MNIST на основе MobileNetV2 и прогнозирования временных рядов на базе LSTM, модули детекции объектов YOLOv8n, мультимодальной генерации описаний CLIP+GPT-2 и повышения разрешения SimpleSRModel.

3.2. Экспериментальный анализ влияния гиперпараметров: методология экспериментов с базовыми конфигурациями и диапазонами варьируемых параметров, результаты и сравнительный анализ метрик качества по всем модулям (accuracy, MAPE, mAP50, BLEU-4, PSNR, SSIM).

3.3. Тестирование и оценка практической применимости платформы: функциональное тестирование по 47 тест-кейсам и нагрузочное тестирование средствами Locust и Apache JMeter при трёх уровнях нагрузки, пользовательское тестирование по методологии SUS, области применения и направления дальнейшего развития системы.

Заключение

Список использованной литературы

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

Тема: Разработка онлайн-платформы для демонстрации и использования нейронных сетей различного назначения

ВВЕДЕНИЕ

Стремительное развитие технологий машинного обучения и глубоких нейронных сетей в последние годы обусловило формирование качественно нового технологического уклада, в котором интеллектуальные системы становятся неотъемлемым компонентом цифровой экономики и научно-исследовательской деятельности. Актуальность темы исследования определяется необходимостью создания специализированных веб-платформ, обеспечивающих доступность передовых нейросетевых технологий для широкого круга пользователей — от исследователей и разработчиков до представителей бизнеса и образовательного сообщества. Современные нейронные сети демонстрируют впечатляющие результаты в задачах компьютерного зрения, обработки естественного языка, прогнозирования временных рядов и генерации контента, однако их практическое применение зачастую требует глубоких технических знаний и значительных вычислительных ресурсов. В этих условиях разработка онлайн-платформы, предоставляющей интуитивно понятный интерфейс для демонстрации и использования нейронных сетей различного назначения, приобретает особую значимость.

Степень изученности проблематики создания веб-ориентированных платформ для работы с моделями машинного обучения характеризуется наличием как фундаментальных теоретических работ, посвященных архитектурным решениям распределенных систем и принципам организации ML-бэкенда, так и прикладных исследований, анализирующих пользовательский опыт взаимодействия с интеллектуальными системами. Существующие решения, такие как Google Colab, Kaggle, RunwayML и TensorFlow Playground, демонстрируют различные подходы к реализации функционала работы с нейросетевыми моделями, однако каждое из них обладает специфическими ограничениями и ориентировано на определенную целевую аудиторию. Основные дискуссионные вопросы в данной области связаны с выбором оптимальной архитектуры взаимодействия клиентской и серверной частей, обеспечением масштабируемости и производительности при обработке запросов к вычислительно емким моделям, а также разработкой эффективных механизмов визуализации процесса обучения и работы нейронных сетей в реальном времени.

Нерешенными задачами остаются проблемы создания универсальной платформы, объединяющей демонстрацию различных типов нейросетевых архитектур с возможностью интерактивной настройки гиперпараметров и проведения пользовательских экспериментов, а также обеспечения доступности таких систем для пользователей с различным уровнем технической подготовки. Комплексный подход к проектированию информационной системы, интегрирующей современные веб-технологии, фреймворки глубокого обучения и механизмы управления вычислительными ресурсами, представляет собой актуальное направление научных исследований на стыке информационных технологий, машинного обучения и проектирования пользовательских интерфейсов.

Цель выпускной квалификационной работы заключается в разработке онлайн-платформы для демонстрации и использования нейронных сетей различного назначения с реализацией интерактивного интерфейса настройки гиперпараметров и визуализации результатов работы моделей.

Для достижения поставленной цели необходимо решить следующие задачи:

• провести анализ архитектур нейронных сетей и архитектурных решений для веб-платформ с ML-бэкендом, а также изучить существующие платформы для демонстрации нейронных сетей и сформировать требования к разрабатываемой системе;
• спроектировать архитектуру онлайн-платформы с выбором технологического стека, разработать серверную часть с интеграцией нейросетевых моделей и создать клиентский интерфейс с механизмами интерактивной настройки и визуализации;
• реализовать специализированные модули платформы для различных задач машинного обучения, провести экспериментальный анализ влияния гиперпараметров на качество моделей и выполнить комплексное тестирование системы с оценкой ее практической применимости;
• обобщить полученные результаты и сформулировать рекомендации по использованию и дальнейшему развитию разработанной платформы.

Объектом исследования выступает процесс проектирования и разработки информационных систем для демонстрации и использования нейронных сетей в веб-среде.

Предметом исследования являются архитектурные решения, технологические подходы и методы реализации онлайн-платформы, обеспечивающей интеграцию нейросетевых моделей с веб-интерфейсом и механизмами интерактивного взаимодействия.

Методологическую базу исследования составляют теоретические концепции проектирования информационных систем, включающие объектно-ориентированный подход, паттерны проектирования архитектуры веб-приложений и принципы построения RESTful API. Теоретическая основа работы базируется на фундаментальных положениях теории нейронных сетей и глубокого обучения, концепциях организации распределенных вычислений и методах оптимизации производительности веб-приложений. Методы исследования включают системный анализ существующих решений в области ML-платформ, сравнительный анализ технологических стеков и архитектурных паттернов, экспериментальное исследование влияния гиперпараметров на характеристики нейросетевых моделей, функциональное и нагрузочное тестирование разработанной системы с применением специализированных инструментов Locust и Apache JMeter. Материалы исследования охватывают экспериментальные данные, полученные при обучении и тестировании нейросетевых моделей на стандартных наборах данных Fashion MNIST, временных рядах, изображениях для детекции объектов и задачах генерации описаний. Программное обеспечение включает фреймворки Flask и Flask-RESTX для разработки серверной части, библиотеки PyTorch и TensorFlow для работы с нейронными сетями, React для создания клиентского интерфейса, PostgreSQL для организации хранилища данных, Docker Compose для контейнеризации и развертывания системы.

Источниковая база исследования формируется из соврем

…