Обмеження навчання моделей комп'ютерного зору для систем розпізнавання психоемоційних станів в авіаційній інфраструктурі
У статті досліджуються епістемологічні та алгоритмічні обмеження сучасних моделей комп'ютерного зору (зокрема архітектури YOLOv8) щодо автоматизованого розпізнавання складних психоемоційних станів в умовах авіаційної інфраструктури. На основі трансдисциплінарної методології STEAM було реалізовано експериментальний проєкт, у межах якого шедеври світового мистецтва використовувалися як «стрес-тести» для оцінки здатності нейромережі до емоційного синтезу. Результати донавчання (fine-tuning) продемонстрували явище «алгоритмічної редукції»: система з високою точністю детектує базові мімічні патерни (наприклад, стан «Happy»), проте системно помиляється під час класифікації прихованих або складних когнітивних станів (наприклад, хибно ідентифікує відчай як здивування, а також має критично низьку точність розпізнавання для класу «Sad»). Обґрунтовано, що використання виключно статичної об'єктної детекції без урахування динамічного контексту є методологічно недостатнім для забезпечення авіаційної безпеки та ефективного профайлінгу. Доведено необхідність переходу до мультимодальних, контекстно-залежних архітектур штучного інтелекту (зокрема Zero-Shot Learning). Також наголошується на важливості трансформації підготовки майбутніх фахівців цивільної авіації: від пасивних користувачів технологій до аналітиків, здатних критично оцінювати межі можливостей ШІ.