Впровадження дистиляції знань при розробці прогнозної моделі для визначення ефективності професійної освіти на авіатранспорті з використанням машинного навчання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.318533

Ключові слова:

управління стратегічними змінами, управління знаннями, організаційна ефективність, машинне навчання, дистиляція знань

Анотація

Об’єктом даного дослідження є результативність авіатранспортної професійно-технічної освіти. Проблема в цьому дослідженні, яку необхідно вирішити, полягає в складності моделі в машинному навчанні, яка потребує тривалого часу обробки та потребує великих ресурсів, тому процес передачі знань у дистиляції знань має здійснюватися ретельно, щоб модель студента могла захопити та відтворювати знання за зразком учителя без втрати точності та таких проблем, як змінні належного корпоративного управління, організаційної гнучкості та управління стратегічними змінами, які взаємопов’язані та їх важко точно змоделювати. Отримані результати представлені у формі моделі, яка може передбачити продуктивність професійної освіти за допомогою машинного навчання та дистиляції знань. Інтерпретація цього дослідження полягає у застосуванні алгоритму машинного навчання XGBoost і дистиляції знань. Отримані характеристики полягають у тому, що модель викладача має найкращі показники щодо втрат, тоді як модель студента з дистиляцією демонструє значне зменшення втрат порівняно з навчанням без дистиляції. Таким чином, доведено, що процес дистиляції допомагає моделям студентів отримувати знання від моделей викладачів, забезпечуючи точність прогнозування до 90 % і будучи ефективною альтернативою для прогнозування впливу основних факторів на результативність професійної освіти з повітряного транспорту. Очікується, що ці висновки внесуть значний внесок у розробку ефективніших моделей прогнозування в контексті професійно-технічної освіти, особливо у сфері повітряного транспорту

Біографії авторів

Daniel D Rumani, Banyuwangi Aviation Academy

Doctor of Management

Department of Computer Science

Darmeli Nasution, Universitas Pembangunan Panca Budi

Master of Computer

Department of Computer Science

Okvi Nugroho, Universitas Muhammadiyah Sumatera Utara

Master of Computer

Department of Computer and Technology

Посилання

  1. Gryshova, I., Kyzym, M., Khaustova, V., Korneev, V., Kramarev, H. (2020). Assessment of the Industrial Structure and its Influence on Sustainable Economic Development and Quality of Life of the Population of Different World Countries. Sustainability, 12 (5), 2072. https://doi.org/10.3390/su12052072
  2. Malik, S., Muhammad, K., Waheed, Y. (2023). Nanotechnology: A Revolution in Modern Industry. Molecules, 28 (2), 661. https://doi.org/10.3390/molecules28020661
  3. Angelopoulos, A., Michailidis, E. T., Nomikos, N., Trakadas, P., Hatziefremidis, A., Voliotis, S., Zahariadis, T. (2019). Tackling Faults in the Industry 4.0 Era – A Survey of Machine-Learning Solutions and Key Aspects. Sensors, 20 (1), 109. https://doi.org/10.3390/s20010109
  4. Tarihoran, A. D. B., Hubeis, M., Jahroh, S., Zulbainarni, N. (2023). Developing an Integrated Conceptual Model of Dynamic Capabilities for MSME in Agribusiness Sector: A Systematic Review. Proceedings of the Business Innovation and Engineering Conference (BIEC 2022), 61–79. https://doi.org/10.2991/978-94-6463-144-9_7
  5. Serin, F., Alisan, Y., Erturkler, M. (2022). Predicting bus travel time using machine learning methods with three-layer architecture. Measurement, 198, 111403. https://doi.org/10.1016/j.measurement.2022.111403
  6. Sun, X., Wandelt, S., Zhang, A. (2021). Technological and educational challenges towards pandemic-resilient aviation. Transport Policy, 114, 104–115. https://doi.org/10.1016/j.tranpol.2021.09.010
  7. de la Torre, R., Corlu, C. G., Faulin, J., Onggo, B. S., Juan, A. A. (2021). Simulation, Optimization, and Machine Learning in Sustainable Transportation Systems: Models and Applications. Sustainability, 13 (3), 1551. https://doi.org/10.3390/su13031551
  8. Nogueira, R. P. R., Melicio, R., Valério, D., Santos, L. F. F. M. (2023). Learning Methods and Predictive Modeling to Identify Failure by Human Factors in the Aviation Industry. Applied Sciences, 13 (6), 4069. https://doi.org/10.3390/app13064069
  9. Lin, X., Zhong, W., Lin, X., Zhou, Y., Jiang, L., Du-Ikonen, L., Huang, L. (2024). Component modeling and updating method of integrated energy systems based on knowledge distillation. Energy and AI, 16, 100350. https://doi.org/10.1016/j.egyai.2024.100350
  10. Zhang, Y., Shen, J., Li, J., Yao, X., Chen, X., Liu, D. (2024). A new lightweight framework based on knowledge distillation for reducing the complexity of multi-modal solar irradiance prediction model. Journal of Cleaner Production, 475, 143663. https://doi.org/10.1016/j.jclepro.2024.143663
  11. Li, Y., Li, P., Yan, D., Liu, Y., Liu, Z. (2024). Deep knowledge distillation: A self-mutual learning framework for traffic prediction. Expert Systems with Applications, 252, 124138. https://doi.org/10.1016/j.eswa.2024.124138
  12. Zhang, L., Liu, Y., Zeng, Z., Cao, Y., Wu, X., Xu, Y. et al. (2024). Package Arrival Time Prediction via Knowledge Distillation Graph Neural Network. ACM Transactions on Knowledge Discovery from Data, 18 (5), 1–19. https://doi.org/10.1145/3643033
  13. Alruwais, N., Zakariah, M. (2023). Evaluating Student Knowledge Assessment Using Machine Learning Techniques. Sustainability, 15 (7), 6229. https://doi.org/10.3390/su15076229
  14. Li, J., Li, Y., Xiang, X., Xia, S.-T., Dong, S., Cai, Y. (2020). TNT: An Interpretable Tree-Network-Tree Learning Framework using Knowledge Distillation. Entropy, 22 (11), 1203. https://doi.org/10.3390/e22111203
  15. Li, X., Dong, D., Liu, K., Zhao, Y., Li, M. (2022). Identification of Mine Mixed Water Inrush Source Based on Genetic Algorithm and XGBoost Algorithm: A Case Study of Huangyuchuan Mine. Water, 14 (14), 2150. https://doi.org/10.3390/w14142150
  16. Tseng, Y.-S., Yang, M.-H. (2023). Using Kernel Density Estimation in Knowledge Distillation to Construct the Prediction Model for Bipolar Disorder Patients. Applied Sciences, 13 (18), 10280. https://doi.org/10.3390/app131810280
  17. Phillips, P. A., Wright, C. (2009). E-business’s impact on organizational flexibility. Journal of Business Research, 62 (11), 1071–1080. https://doi.org/10.1016/j.jbusres.2008.09.014
  18. Arnold, V., Benford, T., Canada, J., Sutton, S. G. (2011). The role of strategic enterprise risk management and organizational flexibility in easing new regulatory compliance. International Journal of Accounting Information Systems, 12 (3), 171–188. https://doi.org/10.1016/j.accinf.2011.02.002
  19. Okorie, O., Subramoniam, R., Charnley, F., Patsavellas, J., Widdifield, D., Salonitis, K. (2020). Manufacturing in the Time of COVID-19: An Assessment of Barriers and Enablers. IEEE Engineering Management Review, 48 (3), 167–175. https://doi.org/10.1109/emr.2020.3012112
  20. Shukla, S. K., Sushil, Sharma, M. K. (2019). Managerial Paradox Toward Flexibility: Emergent Views Using Thematic Analysis of Literature. Global Journal of Flexible Systems Management, 20 (4), 349–370. https://doi.org/10.1007/s40171-019-00220-x
  21. Lee, J., Jang, D., Park, S. (2017). Deep Learning-Based Corporate Performance Prediction Model Considering Technical Capability. Sustainability, 9 (6), 899. https://doi.org/10.3390/su9060899
  22. Tutcu, B., Kayakuş, M., Terzioğlu, M., Ünal Uyar, G. F., Talaş, H., Yetiz, F. (2024). Predicting Financial Performance in the IT Industry with Machine Learning: ROA and ROE Analysis. Applied Sciences, 14 (17), 7459. https://doi.org/10.3390/app14177459
  23. Vukovic, D. B., Spitsina, L., Gribanova, E., Spitsin, V., Lyzin, I. (2023). Predicting the Performance of Retail Market Firms: Regression and Machine Learning Methods. Mathematics, 11 (8), 1916. https://doi.org/10.3390/math11081916
  24. Rithanasophon, T., Thitisiriwech, K., Kantavat, P., Kijsirikul, B., Iwahori, Y., Fukui, S. et al. (2023). Quality of Life Prediction on Walking Scenes Using Deep Neural Networks and Performance Improvement Using Knowledge Distillation. Electronics, 12 (13), 2907. https://doi.org/10.3390/electronics12132907
Впровадження дистиляції знань при розробці прогнозної моделі для визначення ефективності професійної освіти на авіатранспорті з використанням машинного навчання

##submission.downloads##

Опубліковано

2024-12-24

Як цитувати

Rumani, D. D., Nasution, D., & Nugroho, O. (2024). Впровадження дистиляції знань при розробці прогнозної моделі для визначення ефективності професійної освіти на авіатранспорті з використанням машинного навчання. Eastern-European Journal of Enterprise Technologies, 6(3 (132), 58–65. https://doi.org/10.15587/1729-4061.2024.318533

Номер

Том 6 № 3 (132) (2024): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2024 Daniel D Romani, Darmeli Nasution, Okvi Nugroho

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.