Model i narzędzia do tworzenia i publikowania treści w oparciu o duże modele językowe
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 16 Nr 3 (2026)
-
Podejście oparte na głębokim uczeniu do automatycznego wykrywania raka skóry z analizą porównawczą różnych wielkości partii w klasyfikacji obrazów dermatologicznych
Abini M.A.5-13
-
Modelowanie i zasady zarządzania produkcją pasz granulowanych mieszanych z wykorzystaniem systemów informacyjno-analitycznych
Mahil Mammadov, Tural14-22
-
Inteligentny system automatycznego sterowania oparty na technologii IoT do energetycznie efektywnego suszenia zboża
Ainur Rustemova, Maria Yukhymchuk, Vladyslav Lesko, Marat Orynbet, Yurii Ivanov23-30
-
Projekt i walidacja eksperymentalna inteligentnego systemu zarządzania zapasami w lodówce opartego na technologii IoT-RPA
Lyudmila Samchuk, Yuliia Povstiana, Nataliia Lishchyna, Mykyta Ponomarenko31-38
-
Inteligentny system monitorowania gleby na rzecz zrównoważonego rolnictwa z wykorzystaniem TinyML i sieci czujników bezprzewodowych o bardzo niskim zużyciu energii
Muhammad Ovais Akhter39-48
-
Modelowanie działania dynamicznego systemu zarządzania kolejkami w supermarketach
Larysa Gumeniuk, Volodymyr Lotysh, Pavlo Humeniuk49-58
-
Eksperymentalna walidacja metod kompensacji błędów żyroskopów światłowodowych w warunkach półnaturalnych
Nurzhigit Smailov, Ainur Kuttybayeva, Yerlan Tashtay, Zhandos Dosbayev, Aruzhan Nazarova, Beibarys Sekenov, Aida Serbayeva, Akezhan Sabibolda59-63
-
Symulacja pracy czterokanałowego przepływomierza ultradźwiękowego o identycznych trajektoriach sygnału w kanałach akustycznych
Yosyp Bilynsky, Andrii Stetsenko64-68
-
Linia do grawerowania z zintegrowaną regeneracją elektrochemiczną służącą do odzyskiwania miedzi i ograniczania ilości osadu
Anatoliy Nester, Vadim Romanuke, Tetiana Yakovyshyna69-76
-
Metoda identyfikacji operatorów HCI w oparciu o ich „portrety wieloczynnikowe” subiektywizacji postrzegania obiektu HCI
Andrii Pukach, Vasyl Teslyuk, Artem Kazarian77-87
-
Udoskonalanie systemów diagnostycznych do analizy i sterowania trybami pracy w sieciach elektroenergetycznych
Igor Khomenko, Ruslan Lozhkin, Andrii Shkrebela, Oleksandr Miroshnyk, Anatolii Sereda, Taras Shchur, Mariana Bohach88-94
-
Modułowa architektura monolityczna dla oprogramowania zarządzającego stacjami ładowania pojazdów elektrycznych o wysokiej dostępności
Volodymyr Horshkov, Nataliia Lishchyna, Andrii Yashchuk, Olena Surynovych, Valerii Lishchyna95-102
-
Badanie wielopoziomowego falownika opartego na tranzystorach IGBT do zasilania bezzałogowego statku powietrznego na uwięzi z telemetrycznym monitorowaniem parametrów mocy
Kyrmyzy Taissariyeva, Kuanysh Muslimov, Gulim Jobalayeva, Ingkar Issakozhayeva, Zhansaya Ayapbergen103-107
-
Dynamiczne omijanie przeszkód przez bezpilotowe statki powietrzne z wykorzystaniem sterowania opartego na logice rozmytej i sieci neuronowej
Anton Makohonov, Ivan Marynych108-113
-
Hybrydowa platforma symulacyjno-eksperymentalna do wykrywania usterek w czasie rzeczywistym w przetwornikach podwyższających napięcie w instalacjach fotowoltaicznych z wykorzystaniem logiki rozmytej i łączności LoRa
Oussama Sait, Mabrouk Khemliche, Samia Latreche, Sait Belkacem, Hamza Khemliche114-122
-
Porównanie algorytmów uczenia maszynowego do wysoko precyzyjnego prognozowania mocy elektrowni fotowoltaicznych na skalę przemysłową
Ahmed Saidi, Abdelghani Draoui, Touhami Abdelouahed123-128
-
Badanie dynamicznych zmian poziomu bezpieczeństwa systemu ochrony informacji
Olha Saliieva, Yurii Yaremchuk129-133
-
Nowy generator hiperchaotyczny: realizacja obwodu i analiza
Volodymyr Rusyn, Petro Kindrachuk, Bogdan Markovych134-138
-
Strategie zapewnienia funkcjonalnej stabilności złożonej sieci sensorowej na podstawie badan dynamiki zachowania równań ewolucyjnych
Valentyn Sobchuk, Yurii Kravchenko, Mykhaylo Sharapov, Oleksandr Laptiev, Andrii Sobchuk139-143
-
Opracowanie odpornej transmisji DVB-T2 OFDM: ocena BER i ograniczanie zakłóceń kanałowych dla niezawodnej transmisji wysokiej rozdzielczości
Olarewaju Peter Ayeoribe144-149
-
Wykrywanie anomalii sieciowych w czasie rzeczywistym w O-RAN z wykorzystaniem głębokiego uczenia się na dużych danych przesyłanych strumieniowo
Satya Sumanth Vanapalli, Rajesh Polepogu, Parish Venkata Kumar K, Vijayasankar Anumala, Vinodh Babu Panguluri, Lakshmi Narayana Jammula, Brahmaiah Madamanchi, Sravani Duvvu, Bhanusree Nanduri, Syam Sundar Musinala150-158
-
Techniczna analiza predykcyjna dużych zbiorów danych do planowania zasobów w oparciu o Apache Spark
Bakhshali Bakhtiyarov, Aynur Jabiyeva, Ulkar Musavi159-166
-
Konwersja modeli wokselowych na siatki poligonowe z zachowaniem integralności strukturalnej i możliwości edycji
Semen Duvanov, Iryna Baranowa167-172
-
Metoda Fuzzy Delphi do identyfikacji kluczowych parametrów w optymalizacji inteligentnych systemów sterowania w procesach rafinacji ropy naftowej
Kamala Aliyeva173-179
-
Metoda określania podstaw klasyfikacji danych jako informacji służbowych oraz stopnia ograniczenia dostępu "Do użytku służbowego"
Yurii Dreis, Oleh Harasymchuk180-183
-
Model i narzędzia do tworzenia i publikowania treści w oparciu o duże modele językowe
Artem Kazarian, Vasyl Teslyuk, Andrii Pukach184-190
-
Ocena użyteczności serwisów internetowych zawierających mapy interaktywne
Łukasz Sendecki, Sergiusz Skalski, Mariusz Dzieńkowski191-197
-
Model rozmyty do oceny poziomu kompetencji w zakresie bezpieczeństwa cyfrowego w populacjach o różnych profilach społecznych
Volodymyr Polishchuk, Vasyl Sehlianyk, Inna Polishchuk, Andrii Shafar198-203
-
Inteligentny moduł do oceny produktywności pracowników zdalnych w systemach monitorowania czasu pracy
Aigul Moldakalykova, Maria Yukhymchuk, Gulzhan Kashaganova, Vladyslav Lesko, Yurii Ivanov, Natalia Sachaniuk-Kavets’ka204-209
-
Hybrydowy model uczenia maszynowego do prognozowania i oceny rankingów uniwersytetów
Nurzhigit Smailov, Nursultan Kuldeyev, Akezhan Sabibolda, Raigul Ustemirova210-216
Archiwum
-
Tom 16 Nr 3
2026-09-30 30
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
W artykule przedstawiono architekturę, model oraz możliwości funkcjonalne systemu służącego do automatycznego generowania, tłumaczenia i publikowania treści w oparciu o duże modele językowe. Znaczenie tego rozwiązania wynika z potrzeb przedsiębiorstw, platform edukacyjnych i projektów społeczno-politycznych w zakresie szybkiego tworzenia materiałów wielojęzycznych, a także z konieczności przeciwdziałania kampaniom dezinformacyjnym. Proponowane rozwiązanie wyróżnia się wszechstronnością i łatwością wdrożenia, nawet w środowiskach o ograniczonych zasobach, przewyższając istniejące analogiczne rozwiązania, które zazwyczaj obejmują jedynie poszczególne etapy zarządzania treścią. Przyszły rozwój systemu zakłada integrację funkcji monitorowania, automatycznego skalowania oraz wdrożenie wielopoziomowego zarządzania rolami.
Słowa kluczowe:
Cele Zrównoważonego Rozwoju (SDG)
- Innowacyjność, Przemysł, Infrastruktura
Bibliografia
[1] Acharya, J. N., & Suthar, A. C. (2022). Docker Container Orchestration Management: A Review. In H. Sharma, V. K. Vyas, R. K. Pandey, & M. Prasad (Eds), Proceedings of the International Conference on Intelligent Vision and Computing (ICIVC 2021) (Vol. 15, pp. 140–153). Springer International Publishing. https://doi.org/10.1007/978-3-030-97196-0_12 DOI: https://doi.org/10.1007/978-3-030-97196-0_12
[2] American Sunlight Project. (2025). A Pro-Russia Content Network Foreshadows the Automated Future of Info Ops. https://static1.squarespace.com/static/6612cbdfd9a9ce56ef931004/t/67fd396818196f3d1666bc23/1744648558879/PK+Report.pdf
[3] Antu Ahmed, S., Chen, H., & Richards, C. K. (2023). Using LLM (Large Language Model) to Improve Efficiency in Literature Review for Undergraduate Research. Empowering Education with LLMs - the Next-Gen Interface and Content Generation 2023. CEUR Workshop Proceedings, 3487(2), 1–9. https://ceur-ws.org/Vol-3487/short2.pdf
[4] Bhosale, S. T., Patil, T., & Patil, P. (2015). SQLite: Light database system. International Journal of Computer Science & Mobile Computing, 4(4), 882–885. https://ijcsmc.com/docs/papers/April2015/V4I4201599a35.pdf
[5] Burrell, J. (2023). Special issue on domain name system (DNS). Journal of Cyber Policy, 8(2), 137–141. https://doi.org/10.1080/23738871.2024.2312922 DOI: https://doi.org/10.1080/23738871.2024.2312922
[6] Ćatović, A., Buzađija, N., & Lemes, S. (2022). Microservice development using RabbitMQ message broker. Science, Engineering and Technology, 2(1), 30–37. https://doi.org/10.54327/set2022/v2.i1.19 DOI: https://doi.org/10.54327/set2022/v2.i1.19
[7] Chang, Y., Wang, X., Wang, J., Wu, Y., Yang, L., Zhu, K., Chen, H., Yi, X., Wang, C., Wang, Y., Ye, W., Zhang, Y., Chang, Y., Yu, P. S., Yang, Q., & Xie, X. (2024). A Survey on Evaluation of Large Language Models. ACM Transactions on Intelligent Systems and Technology, 15(3), 1–45. https://doi.org/10.1145/3641289 DOI: https://doi.org/10.1145/3641289
[8] Chodak, G., & Błażyczek, K. (2024). Large Language Models for Search Engine Optimization in E-commerce. In D. Garg, J. J. P. C. Rodrigues, S. K. Gupta, X. Cheng, P. Sarao, & G. S. Patel (Eds), Advanced Computing (Vol. 2053, pp. 333–344). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-56700-1_27 DOI: https://doi.org/10.1007/978-3-031-56700-1_27
[9] Cummings, L. (2023). Content Management System 3.0: Emerging Digital Writing Workspaces. In O. Kruse, C. Rapp, C. M. Anson, K. Benetos, E. Cotos, A. Devitt, & A. Shibani (Eds), Digital Writing Technologies in Higher Education (pp. 261–275). Springer International Publishing. https://doi.org/10.1007/978-3-031-36033-6_17 DOI: https://doi.org/10.1007/978-3-031-36033-6_17
[10] Daly, J. (2025). Researchers Reveal How Russia’s Propaganda Network “Infects” Leading AI Chatbots. UNITED24 Media. https://united24media.com/war-in-ukraine/researchers-reveal-how-russias-propaganda-network-infects-leading-ai-chatbots-7106
[11] Edwards, L., & Binns, R. (2024). Reputation Management in the ChatGPT Era (Version 2). arXiv. https://doi.org/10.48550/ARXIV.2412.06356
[12] Ghatora, P. S., Hosseini, S. E., Pervez, S., Iqbal, M. J., & Shaukat, N. (2024). Sentiment Analysis of Product Reviews Using Machine Learning and Pre-Trained LLM. Big Data and Cognitive Computing, 8(12), 199. https://doi.org/10.3390/bdcc8120199 DOI: https://doi.org/10.3390/bdcc8120199
[13] Ifargan, T., Hafner, L., Kern, M., Alcalay, O., & Kishony, R. (2025). Autonomous LLM-Driven Research—From Data to Human-Verifiable Research Papers. NEJM AI, 2(1). https://doi.org/10.1056/AIoa2400555 DOI: https://doi.org/10.1056/AIoa2400555
[14] Kazarian, A. G., Teslyuk, V. M., & Kazymyra, I. Ya. (2021). Selection of the Optimal Structure of Hidden Layers of the Artificial Neural Network for Energy Efficiency Analysis. Ukrainian Journal of Information Technology, 3(1), 30–36. https://doi.org/10.23939/ujit2021.03.030 DOI: https://doi.org/10.23939/ujit2021.03.030
[15] Kostrzewa, D., & Miłosz, M. (2024). Comparative analysis of the Express.js and ElysiaJS frameworks in the context of web application development. Journal of Computer Sciences Institute, 32, 246–250. https://doi.org/10.35784/jcsi.6335 DOI: https://doi.org/10.35784/jcsi.6335
[16] Liu, H., Tahmasbi, A., Haque, E. S., & Jain, P. (2025). LLMs for Customized Marketing Content Generation and Evaluation at Scale (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2506.17863
[17] Ministry for Europe and Foreign Affairs. (2024a). Foreign digital interference – Result of investigations into the Russian propaganda network Portal Kombat. Government of France. https://www.diplomatie.gouv.fr/en/french-foreign-policy/security-disarmament-and-non-proliferation/news/2024/article/foreign-digital-interference-result-of-investigations-into-the-russian
[18] Ministry for Europe and Foreign Affairs. (2024b). Russian disinformation: The better we know it, the better we can respond. Government of France. https://www.diplomatie.gouv.fr/IMG/pdf/a4_dp-vs_desinfo-ukraine_eng_web-22-02-24_cle48c1c1.pdf
[19] Sadeghi, M., & Blachez, I. (2025). A well-funded Moscow-based global ‘news’ network has infected Western artificial intelligence tools worldwide with Russian propaganda. NewsGuard Reality Check. https://www.newsguardrealitycheck.com/p/a-well-funded-moscow-based-global
[20] Saleh, A., Morabito, R., Dustdar, S., Tarkoma, S., Pirttikangas, S., & Lovén, L. (2026). Towards Message Brokers for Generative AI: Survey, Challenges, and Opportunities. ACM Computing Surveys, 58(1), 1–37. https://doi.org/10.1145/3742891 DOI: https://doi.org/10.1145/3742891
[21] Satapathy, A., & Livingston, J. (2016). A Comprehensive Survey on SSL/ TLS and their Vulnerabilities. International Journal of Computer Applications, 153(5), 31–38. https://doi.org/10.5120/ijca2016912063 DOI: https://doi.org/10.5120/ijca2016912063
[22] Shah, H., & Soomro, T. R. (2017). Node.js Challenges in Implementation. Global Journal of Computer Science and Technology: E Network, Web & Security, 17(2), 72–83. https://computerresearch.org/index.php/computer/article/view/1735
[23] Shu, D., Zhao, H., Liu, X., Demeter, D., Du, M., & Zhang, Y. (2024). LawLLM: Law Large Language Model for the US Legal System. Proceedings of the 33rd ACM International Conference on Information and Knowledge Management, 4882–4889. https://doi.org/10.1145/3627673.3680020 DOI: https://doi.org/10.1145/3627673.3680020
[24] Singhal, N., Mohan, T., & Sarkar, S. (2013). A comparative study based on open source content management systems. Indian Journal of Computer Science and Engineering, 1(4), 267–276.
[25] Sobieraj, M., & Kotyński, D. (2024). Docker Performance Evaluation across Operating Systems. Applied Sciences, 14(15), 6672. https://doi.org/10.3390/app14156672 DOI: https://doi.org/10.3390/app14156672
[26] Söylemez, M., Tekinerdogan, B., & Kolukısa Tarhan, A. (2022). Challenges and Solution Directions of Microservice Architectures: A Systematic Literature Review. Applied Sciences, 12(11), 5507. https://doi.org/10.3390/app12115507 DOI: https://doi.org/10.3390/app12115507
[27] Teslyuk, V. M., Kazymyra, I. Ya., Kordiiaka, Yu. M., & Rybak, I. R. (2022). Models and Tools for Automated Determining the Statistical Profile of Ukrainian-Language Texts. Ukrainian Journal of Information Technology, 4(1), 37–43. https://doi.org/10.23939/ujit2022.01.037 DOI: https://doi.org/10.23939/ujit2022.01.037
[28] Tsmots, I. G., Teslyuk, V. M., Opotiak, Yu. V., & Pikh, I. V. (2022). Models and Tools for Debugging and Testing Mobile Systems for Neuro-Like Cryptographic Protection of Data Transmission. Ukrainian Journal of Information Technology, 4(2), 45–55. https://doi.org/10.23939/ujit2022.02.045 DOI: https://doi.org/10.23939/ujit2022.02.045
[29] Wang, M., Jayaraman, P. P., Ranjan, R., Mitra, K., Zhang, M., Li, E., Khan, S., Pathan, M., & Georgeakopoulos, D. (2015). An Overview of Cloud Based Content Delivery Networks: Research Dimensions and State-of-the-Art. In A. Hameurlain, J. Küng, R. Wagner, S. Sakr, L. Wang, & A. Zomaya (Eds), Transactions on Large-Scale Data- and Knowledge-Centered Systems XX (Vol. 9070, pp. 131–158). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-46703-9_6 DOI: https://doi.org/10.1007/978-3-662-46703-9_6
[30] Williams, A. R., Burke-Moore, L., Chan, R. S.-Y., Enock, F. E., Nanni, F., Sippy, T., Chung, Y.-L., Gabasova, E., Hackenburg, K., & Bright, J. (2025). Large language models can consistently generate high-quality content for election disinformation operations. PLOS ONE, 20(3), e0317421. https://doi.org/10.1371/journal.pone.0317421 DOI: https://doi.org/10.1371/journal.pone.0317421
[31] Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., Min, Y., Zhang, B., Zhang, J., Dong, Z., Du, Y., Yang, C., Chen, Y., Chen, Z., Jiang, J., Ren, R., Li, Y., Tang, X., Liu, Z., … Wen, J.-R. (2026). A Survey of Large Language Models (Version 19). arXiv. https://doi.org/10.48550/ARXIV.2303.18223 DOI: https://doi.org/10.1007/s11704-026-60308-3
[32] Zhou, N., Georgiou, Y., Pospieszny, M., Zhong, L., Zhou, H., Niethammer, C., Pejak, B., Marko, O., & Hoppe, D. (2021). Container orchestration on HPC systems through Kubernetes. Journal of Cloud Computing, 10(1), 16. https://doi.org/10.1186/s13677-021-00231-z DOI: https://doi.org/10.1186/s13677-021-00231-z
##plugins.themes.bootstrap3.article.details##
Abstract views: 5
Downloads: 6

