2. Обучение моделей искусственного интеллекта на основе разработанных алгоритмов и тестирование полученных результатов

Модели ИИ были обучены на основе разработанных алгоритмов, используя обширные наборы данных, включающие аудио, видео и текстовые данные респондентов. Для обучения использовались методы глубокого обучения, включая сверточные нейронные сети (CNN) для анализа изображений и рекуррентные нейронные сети (RNN) для обработки последовательных данных.

Сбор и подготовка данных
Для обучения моделей ИИ использовались два основных набора данных:

1. Набор данных RealLifeTrial: Содержит реальные данные, включающие аудио и видео записи, текстовые документы, а также интервью респондентов.
2. Экспериментальный набор данных: Созданный в лабораторных условиях набор данных, содержащий высококачественные видеозаписи и аудиозаписи, специально подготовленные для анализа аномального поведения.

Для каждого набора данных был выполнен процесс предварительной обработки, включающий:

• Очистку данных от шума и артефактов.
• Нормализацию данных для приведения их к единому формату.
• Разметку данных для обучения с учителем, что включало идентификацию и маркировку аномальных и нормальных высказываний.

Обучение моделей
Для обучения моделей использовались следующие архитектуры нейронных сетей:

• Сверточные нейронные сети (CNN): Применялись для анализа изображений и видеокадров. Эти сети позволяют эффективно выделять пространственные признаки, такие как микроэкспрессии, движения глаз и мимика.
• Рекуррентные нейронные сети (RNN): Применялись для анализа последовательных данных, таких как аудио и текстовые данные. В частности, использовались LSTM (Long Short-Term Memory) сети, которые хорошо справляются с задачами, связанными с временными зависимостями.

Процесс обучения включал следующие этапы:

1. Инициализация моделей: Настройка параметров моделей и инициализация весов.
2. Обучение моделей: Модели обучались на тренировочных данных с использованием метода обратного распространения ошибки и оптимизатора Adam. Для предотвращения переобучения использовались методы регуляризации, такие как Dropout.
3. Валидация моделей: Модели проверялись на валидационных данных для оценки их производительности и настройки гиперпараметров.
   
4. Тестирование моделей: Окончательное тестирование моделей проводилось на тестовых данных, не использованных в процессе обучения.
   

Результаты тестирования
Результаты тестирования показали высокую точность и эффективность разработанных моделей в детектировании аномального поведения респондентов. Основные показатели включают:

• Точность (Accuracy): Доля правильно классифицированных примеров в общем количестве тестовых примеров.
• Чувствительность (Recall): Способность модели правильно идентифицировать аномальные высказывания.
• Специфичность (Precision): Способность модели правильно идентифицировать нормальные высказывания.
• F1-Score: Гармоническое среднее точности и чувствительности, дающее сбалансированную оценку производительности модели.
  

3. Создание веб-сервиса по обнаружению аномального поведение респондента

Описание выполненных работ. В рамках проекта была разработана облачная архитектура для детектирования обманчивого поведения респондентов. Работы включали в себя:

• Разработку и внедрение алгоритма обнаружения обмана на языке программирования Python. Алгоритм обрабатывает видео и аудио данные, анализируя выражения лица, жесты и голосовые параметры респондентов для определения уровня правдивости. Использовались библиотеки машинного обучения для обеспечения высокой точности и производительности.  
• Создание пользовательского интерфейса веб-сервиса с применением JavaScript и фреймворка VueJS3, что позволило добиться интуитивного и удобного взаимодействия для пользователей. Пользователи могут загружать видео для анализа и получать результаты в доступной форме.
• Разработка высокопроизводительного бэкенда на основе Python и FastAPI, обеспечивающего быструю обработку данных и взаимодействие с базами данных и API.
• Развертывание серверной части на платформе EC2 (Amazon Web Services), что обеспечило масштабируемость и надежность системы при работе с большими объемами данных.
• Использование Docker для контейнеризации всех компонентов системы. Это позволило создать независимые, изолированные среды для фронтенда, бэкенда и базы данных, обеспечив удобство развертывания и управления микросервисной архитектурой.

Примененные методы и технологии:

• Python: Для реализации бэкенд-логики и алгоритмов машинного обучения.
• JavaScript (VueJS3): Для разработки современного и удобного пользовательского интерфейса.
• Amazon Web Services (EC2): Для развертывания серверной инфраструктуры, обеспечивающей бесперебойную работу и масштабируемость сервиса.
• Docker: Для контейнеризации и упрощения процесса развертывания, управления и масштабирования всех компонентов системы.

В результате проделанных работ был создан функциональный веб-сервис, предоставляющий пользователям возможность загружать видео для анализа и получать процентную оценку правдивости респондента. Система обеспечивает точную и быструю обработку данных, демонстрируя высокую надежность и удобство использования благодаря контейнеризированной архитектуре.