Введение. В настоящее время искусственные нейронные сети (ИНС) успешно применяются для технического диагностирования стальных канатов. Зачастую при этом используют дорогостоящие программные продукты с адаптированной средой реализации нейронных сетей, такие как STATISTICA, Amygdala, MATLAB Simulink. Наиболее доступным способом построения и обучения ИНС с финансовой точки зрения является написание собственного программного кода с использованием интерактивных библиотек, таких как TensorFlow, PyTorch, Scikit-learn. Однако такие библиотеки не являются полноценными адаптированными средами построения ИНС, и для их использования необходимо владеть первичными навыками программирования. Поэтому качество ИНС зависит не только от архитектуры, объема и состава обучающих выборок, но и от метода (среды) построения ИНС. Целью данного исследования является сравнение качества работы ИНС, построенных и обученных различными методами, по критерию тестовой производительности сети, доверительным уровням оценки технического состояния каната, а также трудоемкости и скорости обучения. В связи с этим создано новое программное обеспечение для решения задачи оценки технического состояния стального каната по комбинации различных браковочных показателей.Материалы и методы. Основой для обучения ИНС послужили статистическая база данных типовых повреждений стальных канатов, экспертная оценка их технического состояния. Программное обеспечение написано на языке программирования Python. Приведены различные методы программирования нейронной сети: ИНС, построенной на базе программного комплекса STATISTICA, и ИНС, построенной с использованием интерактивной библиотеки Scikit-learn. Для проверки работы ИНС было подготовлено 10 тестовых выборок. Оценка качества работы ИНС проводилась по тестовой производительности сети и доверительным вероятностям (уровням активации «победившего» нейрона) определения технического состояния каната.Результаты исследования. Построение ИНС с использованием интерактивной библиотеки Scikit-learn показало сравнительно большую трудоемкость построения и сравнительно небольшую скорость обучения. Тестовая производительность сети при объеме тестовой выборки 10 оказалась одинаковой для обеих построенных ИНС. При этом обнаружилась разница в показателе среднего доверительного уровня определения технического состояния стального каната по результатам работы ИНС, построенной на базе программного комплекса STATISTICA, и ИНС, построенной с использованием интерактивной библиотеки Scikit-learn.Обсуждение и заключение. Полученные результаты показали, что ИНС, построенная с использованием программного комплекса STATISTICA, при одинаковой архитектуре и параметрах обучения сети имеет более оптимальные программные алгоритмы по критериям доверительной вероятности и скорости обучения сети по сравнению с ИНС, построенной с использованием бесплатной библиотеки Skicit-learn. Однако показатель тестовой производительности ИНС оказался одинаковым для обеих ИНС. Такой результат обосновывает использование ведущими мировыми научно-исследовательскими и коммерческими центрами в области искусственного интеллекта библиотек TensorFlow, PyTorch, Scikit-learn. Полученный научный результат позволит численно оценить и сравнить качество искусственных нейронных сетей, имеющих одинаковые архитектуру и параметры обучения, но построенных различными методами, он будет полезным как для будущих научных исследований в этой области, так и для выбора оптимальной среды построения ИНС в промышленной сфере деятельности.