Ключові слова
штучний інтелект
причинно-наслідкові зв’язки
системний аналіз
технічні причини
автоматизація
Як цитувати
Анотація
У статті досліджено особливості судової залізнично-транспортної експертизи як інструменту встановлення механізму залізнично-транспортних пригод та визначення їх безпосередніх технічних причин в умовах розвитку сучасних технологій, зокрема алгоритмів штучного інтелекту. Проблематика дослідження полягає у складності встановлення причинно-наслідкових зв’язків у залізнично-транспортних пригодах, зумовлених комплексною взаємодією технічних, експлуатаційних та організаційних чинників. Метою дослідження є комплексний аналіз особливостей встановлення причинності у судовій залізнично-транспортній експертизі, визначення ролі сучасних аналітичних технологій у цьому процесі та обґрунтування меж їх застосування. Методологічною основою роботи стали загальнонаукові та спеціальні методи дослідження, зокрема системно-структурний та порівняльний, а також метод аналізу й узагальнення експертної практики. Це дозволило розглянути механізм залізнично-транспортної пригоди як динамічну систему взаємодії технічних, експлуатаційних та організаційних чинників і визначити їх місце у формуванні причинного ланцюга події. Наукова новизна полягає в обґрунтуванні системного підходу до встановлення причинно-наслідкових зв’язків у залізнично-транспортних пригодах, а також у визначенні ролі алгоритмів штучного інтелекту як допоміжного інструменту аналізу. Висновки підкреслюється, що повна автоматизація визначення безпосередньої технічної причини залізнично-транспортної пригоди на сучасному етапі є неможливою, а найбільш перспективним є гібридний підхід «експерт–штучний інтелект».
Посилання
Islam M. et al. (2022). Data-driven modeling of rail damage using machine learning techniques. Proceedings of the 40th International Conference on Nondestructive Evaluation. URL: https://pubs.acs.org/doi/abs/10.1021/acsanm.2c03564(accessed: 10.01.2026) [in English].
Keško A., Puška H. (2024). Artificial intelligence in predictive maintenance and fault detection on railway tracks. Advanced Technologies, Systems and Applications: Conference Proceedings, 128–134. URL: https://www.atct.ba/conference-proceedings/2024/18-artif icial-intelligence-in-predictive-maintenance-and-fault-detection-on-railway-tracks.pdf (accessed: 11.01.2026) [in English].
Liao Y., Han L., Wang H., Zhang H. (2022). Prediction models for railway track geometry degradation using machine learning: a review. Sensors, 22(19), Article 7275. DOI: https://doi.org/10.3390/s22197275 [in English].
Ahmed M., Palese J.W., Zarembski A. (2023). Predicting Track Geometry Using Machine-Learning Methods: research report. Newark: University of Delaware. 75 p. URL: https://rosap.ntl.bts.gov/view/dot/80897/dot_80897_DS1.pdf(accessed: 20.01.2026) [in English].
Hume P.C., Gräbe H., Markou G. (2024). Using machine learning techniques as track geometry predictors for railway track. Civil Engineering, 32(9), 27–32 [in English].
Batih A.V. (2024). Perspektyvy u obiednanni ekspertnoho ta shtuchnoho intelektu pry vykonanni zaliznychno-transportnykh ekspertyz [Prospects for combining expert and artificial intelligence in conducting railway transport examinations]. Sudovo-ekspertna diialnist: problemy, stratehii ta innovatsii: materialy mizhnarodnoi naukovo-praktychnoi konferentsii, Lviv, Chisinau, Kyiv, Odesa, November 28, 2024, 74–76. URL: https://hdl.handle.net/11300/31202 (accessed: 01.03.2026) [in Ukrainian].
Batih A.V. (2024). Zastosuvannia metodiv mashynnoho navchannia v zadachakh sudovoi zaliznychno-transportnoi ekspertyzy [Application of machine learning methods in the tasks of forensic railway transport examination]. Vplyv innovatsii na rozvytok sudovoi ekspertyzy: vid tradytsiinykh metodiv do tsyfrovoi transformatsii: materialy Vseukrainskoi naukovo-praktychnoi konferentsii, Lviv, April 26, 2024. Lviv: LNDISE Miu Ukrainy. 219 p. [in Ukrainian].