Proceedings of the International scientific and practical conference ―Research Horizons in the Modern World‖ (March 27-29, 2026) / Publisher website: www.naukainfo.com. – Warsaw, Poland, 2026. - 135 p.

49 112:2017, «інформація, що має критичне значення для завдань або безпеки користувача, має бути представлена таким чином, щоб вона була візуально домінуючої за рахунок використання контрасту, кольору або розміру» [1, розд. 7.1]. В інтерфейсах АСК критичні стани зазвичай маркуються високо контрастними кольорами. Коефіцієнт функціональної зв'язності (Sfunc) це найбільш значущий аналітичний компонент, що пов'язує графічну оболонку з фізикою процесів робототехнічного комплексу. Кожному графічному елементу зіставляється відповідна кількість фізичних вузлів чи критичних процесів. Наприклад, індикатор сумарного тиску в гідросистемі має максимальну зв'язність (Sfunc=1.0), оскільки його вихід межі норми впливає роботу всіх приводів. У той же час індикатор стану локального датчика освітленості матиме низьку вагу (Sfunc=0.15). Логіка пріорітизації зон з високим коефіцієнтом Wtotal співвідноситься з сучасними методами навчання нейромереж, такими як Focal Loss. Автори методу Lin et al. (2017) пропонують «зменшити вагу простих прикладів так, щоб їхній внесок у загальні втрати був невеликим... фокусуючи навчання на розрідженому наборі складних прикладів» [3, с. 2]. У нашому випадку це дозволяє моделі не розпорошувати ресурси на статичний фон, а концентруватися на критичних змінах телеметрії. Використання даної математичної моделі дозволяє автоматизувати процес генерації карт пріоритетів під час підготовки навчальної вибірки. Нейромережа в процесі навчання розуміє, що помилка в розпізнаванні об'єкта з високим значенням Wtotal призведе до значно більшого штрафу алгоритму оптимізації, ніж помилка в зоні з низькою вагою. Такий підхід забезпечує надточну роботу моделі саме в тих зонах інтерфейсу, де ціна помилки оператора чи автоматики найвища, що є ключовим фактором підвищення надійності інноваційних робототехнічних систем.