Технологии искусственного интелекта

ТЕХНОЛОГИИ

ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

2019

Содержание

Глоссарий

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ

МАШИННОГО ОБУЧЕНИЯ

ВВЕДЕНИЕ

Компьютерное зрение

Основные этапы развития технологий искусственного интеллекта

Биометрическая идентификация

Текущая ситуация в России и мире

Обработка естественного языка, поиск и извлечение информации

из текстов

Эффект от применения технологий искусственного интеллекта

Распознавание речи

ИСТОРИЯ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Синтез речи

Машинное зрение

ОПРЕДЕЛЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Машинный перевод

Генерация текстов

СТАНДАРТИЗАЦИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Диалоговые системы (чат-боты)

Анализ тональности

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Основные элементы современных технологий искусственного интеллекта

Уровень готовности технологий искусственного интеллекта в России

Направления исследований

Ключевые технические характеристики технологий искусственного

интеллекта

Основные цели работ по развитию искусственного интеллекта

Взаимосвязь технологий искусственного интеллекта с другими сквозными

Теоретические основы технологий искусственного интеллекта

цифровыми технологиями

Экспертная система (интеллектуальные системы)

Наиболее перспективные направления реализации технологий

Машинное обучение

искусственного интеллекта в промышленности

ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ

Технологии искусственного интеллекта для антифрода.

Внешние и инсайдерские угрозы

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Тенденции развития технологий

Технологии искусственного интеллекта и операционная эффективность

Рыночные тенденции

Технологии искусственного интеллекта на транспорте

Примеры внедрения технологий искусственного интеллекта

ГЛАВНЫЕ ОГРАНИЧЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО

на транспорте

ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в логистике

Главные нерешённые вопросы технологий искусственного интеллекта

Технологии искусственного интеллекта в торговле

Ограничения применения искусственного интеллекта

Технологии искусственного интеллекта в криминалистике

Типичные ошибки при внедрении искусственного интеллекта

Технологии искусственного интеллекта в судебной системе

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО

Технологии искусственного интеллекта в медицине/здравоохранении

ИНТЕЛЛЕКТА

Примеры внедрения технологий искусственного интеллекта

Внедрение технологий искусственного интеллекта в реальные проекты

в здравоохранении

Технологии искусственного интеллекта в промышленности

Технологии искусственного интеллекта в ОПК

Примеры реализации технологийискусственного интеллекта

Примеры внедрения технологий искусственного интеллекта

в промышленности

в оборонно-промышленный комплекс

Технологии искусственного интеллекта в социальной сфере

Технологии искусственного интеллекта в государственном секторе

КЛЮЧЕВЫЕ КОМПАНИИ В МИРЕ В ОБЛАСТИ ТЕХНОЛОГИЙ

Технологии искусственного интеллекта в финансовом секторе

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в электроэнергетике

Компании мира – обзор

КЛЮЧЕВЫЕ КОМПАНИИ В РОССИИ В ОБЛАСТИ ТЕХНОЛОГИЙ

Размер российского рынка решений в сфере искусственного интеллекта

137

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Влияние искусственного интеллекта на рынок труда

138

Кто в России занимается технологиями искусственного

интеллекта и машинного обучения

106

НАЦИОНАЛЬНЫЕ СТРАТЕГИИ В ОБЛАСТИ ТЕХНОЛОГИЙ

Собственные решения компаний в области искусственного

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

139

интеллекта

108

Стратегия России в области технологий искусственного интеллекта

140

Российские компании и государственные органы, в которых

Стратегия США в области технологий искусственного интеллекта

142

применяются технологии искусственного интеллекта

110

Стратегия Европейского союза в области технологий искусственного

интеллекта

142

КЛЮЧЕВЫЕ МИРОВЫЕ УНИВЕРСИТЕТЫ В ОБЛАСТИ

Стратегия Германии в области технологий искусственного интеллекта

142

ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

111

Стратегия Великобритании в области технологий искусственного интеллекта

143

КЛЮЧЕВЫЕ РОССИЙСКИЕ УНИВЕРСИТЕТЫ В ОБЛАСТИ

Стратегия Франции в области технологий искусственного интеллекта

143

ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

120

Стратегия Китая в области технологий искусственного интеллекта

144

Стратегия Южной Кореи в области технологий искусственного интеллекта

144

РЫНОК ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

127

Мировой рынок искусственного интеллекта

129

ПРИЛОЖЕНИЕ №1

145

Российский рынок искусственного интеллекта

132

Теоретические основы технологий искусственного интеллекта

146

Размер мирового рынка решений в сфере искусственного интеллекта

135

Список использованных источников

154

Глоссарий

Алфавит – некоторое множество элементов-симво-

или несколько взаимосвязанных комплексов, об-

лов.

разующих единую инфраструктуру.

Апостериорная вероятность

– условная вероят-

10.

Глубокие нейронные сети (Deep Neural Networks)

ность случайного события в случае наличия опыт-

– многослойная нейронная сеть, в которой «усво-

ных данных.

енные» данные пропускаются через несколько

слоёв «нейронов»; на каждом слое результат пре-

Аппаратное обеспечение – система взаимосвя-

дыдущего слоя используется в качестве вводной

занных технических устройств, предназначенных

информации.

для ввода (вывода), обработки и хранения данных.

11.

Дистрибутивная гипотеза – лингвистические еди-

Априорная вероятность – это вероятность, присво-

ницы, встречающиеся в схожих контекстах, имеют

енная событию при отсутствии знания, поддержи-

близкие значения.

вающего его наступление.

12.

Интеллектуальные агенты, программные агенты

Архитектура вычислительной системы – конфигу-

(Intellectual Agents) – программы, самостоятельно

рация, состав и принципы взаимодействия (вклю-

выполняющие задания, указанные пользователем

чая обмен данными) элементов вычислительной

или другими программами, в течение длительных

системы.

промежутков времени, используются для помощи

Байесовский классификатор – широкий класс алго-

оператору или сбора информации.

ритмов классификации, основанный на принципе

13.

Коммодитизация – это период развития какой-ли-

максимума апостериорной вероятности.

бо технологии, когда создаваемые с их помощью

Большие данные (Big Data) – данные, собранные

товары или услуги становятся предметом массово-

автоматическим способом, слишком большие

го спроса.

для сбора и обработки вручную, позволяющие на-

14.

Комплекс технологических решений включает

ходить новые закономерности и знания, которые

в себя:

невозможно получить из локальных фрагментов

данных.

14.1

Информационно-коммуникационную структу-

ру.

Бытовой искусственный интеллект – специализи-

рованные программы искусственного интеллекта,

14.2

Программное обеспечение (в том числе в ко-

внедрённые в бытовые устройства и процессы. На-

тором используются методы машинного обу-

пример, алгоритм Т9 или выделение лиц на фото

чения).

в смартфонах и камерах.

Процессы и сервисы по обработке данных

14.3

Вычислительная система

– предназначенные

и поиску решений.

для решения задач и обработки данных (в том чис-

15.

Марковская модель (скрытая марковская модель

ле вычислений) программно-аппаратный комплекс

(СММ))

– статистическая модель, имитирующая

работу процесса, похожего на марковский процесс

23.

Обучающая выборка (Dataset, Training Set) – на-

29.

Предложение (в алфавите) – произвольная (конеч-

с неизвестными параметрами, задачей которой

бор прецедентов (объектов, случаев, событий, ис-

ная) цепочка символов этого алфавита.

является определение неизвестных параметров

пытуемых, текстов, фотографий, образцов, и т.п.),

30.

Представление знаний/Онтология

(Ontologies/

на основе наблюдаемых данных.

выбранных для обучения алгоритма из множества

Knowledge Management – представление инфор-

всех возможных прецедентов, называемого гене-

16.

Марковский процесс – случайный процесс, эво-

мации о мире в форме иерархии понятий такой,

ральной совокупностью.

люция которого после любого заданного значения

чтобы система искусственного интеллекта могла

временного параметра t не зависит от эволюции,

24.

Общедоступная платформа

– информационная

использовать её для решения сложных задач.

предшествовавшей t, при фиксированных параме-

система для сбора, обработки, хранения и опубли-

31.

Прогностические системы – системы, улавливаю-

трах процесса.

кования наборов данных, доступная для любого

щие взаимосвязи между переменными в наборах

пользователя в информационно-телекоммуника-

17.

Машинное обучение (Machine Learning)

– тех-

данных за прошлые периоды и их итогами.

ционной сети «Интернет».

нологии автоматического обучения алгорит-

32.

Разметка (Mark-up) – обработка обучающей вы-

мов искусственного интеллекта распознаванию

25.

Открытая библиотека искусственного интеллекта

борки для присвоения объектам в ней свойств,

и классификации на тестовых выборках объектов

– набор алгоритмов, предназначенных для раз-

распознаванию которых обучается алгоритм.

для повышения качества распознавания, обработ-

работки технологических решений на основе ис-

ки и анализа данных, прогнозирования.

кусственного интеллекта, описанных с использова-

33.

Разметка данных – этап обработки структуриро-

нием языков программирования и размещённых

ванных и неструктурированных данных, в процессе

18.

Набор данных – совокупность данных, прошедших

в сети «Интернет».

которого данным (в том числе текстовым докумен-

предварительную подготовку и обработку. Такой

там, фото- и видеоизображениям) присваиваются

набор данных должен соответствовать требовани-

26.

Открытые данные – архивы, библиотеки данных,

идентификаторы, отражающие тип данных (клас-

ями законодательства РФ об информации, инфор-

обычно хранящиеся на облачных хранилищах

сификация данных), и (или) осуществляется интер-

мационных технологиях и о защите информации..

и доступные для скачивания в любой точке мира

претация данных для решения конкретной задачи,

любому пользователю.

19.

Наивный байесовский классификатор

– про-

в том числе с использованием методов машинного

стой вероятностный классификатор, основанный

27.

Персонализация

– настройка программных

обучения.

на применении теоремы Байеса со строгими (наи-

средств, сайтов, магазинов, рекламы и продуктов

34.

Рекомендательные системы (Recommender System,

вными) предположениями о независимости.

под конкретных пользователей или потребителей,

Collaborative Filtering) – системы, выдающие реко-

на основе анализа данных об их индивидуальном

20.

Независимость событий – в теории вероятностей

мендации на основе неявных закономерностей,

поведении и интересах.

два случайных события называются независимы-

обнаруживаемых алгоритмами искусственного ин-

ми, если наступление одного из них не изменяет

28.

Перспективные методы искусственного интеллек-

теллекта с помощью анализа больших данных.

вероятность наступления другого.

та – методы, направленные на создание принци-

35.

Рекуррентные нейронные сети – (recurrent neural

пиально новой научно-технической продукции,

21.

Нейронная сеть (Artificial Neural Network

– ма-

network, RNN) – вид нейронных сетей, в которых

в том числе в целях разработки универсального

тематическая модель

(а также её программное

связи между элементами образуют направленную

(сильного) искусственного интеллекта (автономное

или аппаратное воплощение), состоящая из слоёв

последовательность, благодаря чему появляется

решение различных задач, автоматический дизайн

“нейронов”, передающих друг другу данные, и по-

возможность обрабатывать серии событий во вре-

физических объектов, автоматическое машинное

строенная по принципу организации и функцио-

мени или последовательные пространственные

обучение, алгоритмы решения задач на основе

нирования биологических нейронных сетей.

цепочки.

данных с частичной разметкой и (или) незначи-

22.

Нейронные сети прямого распространения (Feed-

тельных объёмов данных, обработка информации

36.

Рекуррентные нейронные сети

(Recurrent

Forward Networks) – нейронная сеть с многими сло-

на основе новых типов вычислительных систем,

Networks) – глубокие нейронные сети, где данные

ями, где данные распространяются только вперёд.

интерпретируемая обработка данных и иные ме-

могут распространяться между слоями вперёд

тоды).

и назад.

ГЛОССАРИЙ

37.

Свёрточные нейронные сети (Convolutional Neural

решений и перспективные методы искусственного

55.

Closed vocabulary – закрытый словарь. В системах

Networks) – многослойные нейронные сети с че-

интеллекта.

распознавания речи – словарь с ограниченным

редованием специальных свёрточных (суммиру-

количеством слов, на который настроена система

44.

Технологическое решение – технология, програм-

ющих) и обычных слоёв, наиболее эффективные

распознавания и который не может пополняться

ма для электронно-вычислительных машин (про-

для распознавания изображений.

пользователем.

грамма для ЭВМ), база данных или их совокуп-

38.

Сильный/человекоподобный искусственный ин-

ность, а также сведения о наиболее эффективных

56.

Deep learning

(также deep structured learning,

теллект (Strong AI, Super-AI)

– интеллектуальный

способах их использования.

hierarchical learning) – глубокое (глубинное) струк-

алгоритм, способный решать широкий спектр ин-

турированное или иерархическое машинное об-

45.

Экспертные системы

– система, использующие

теллектуальных задач как минимум наравне с че-

учение, набор алгоритмов и методов машинного

отраслевые знания (из медицины, химии, права)

ловеческим разумом.

обучения (machine learning) на основе различных

в сочетании с наборами правил, описывающими,

видов представления данных. Обучение может

39.

Слабый/специальный искусственный интеллект

как применять знания.

быть контролируемым, полуконтролируемым

(Narrow AI, Weak AI) – интеллектуальный алгоритм,

46.

Эргатические системы – это системы типа «чело-

(semi-supervised) или неконтролируемым. Исполь-

имитирующий человеческий разум в решении

век-машина», содержащие качественно разно-

зование в глубоком обучении рекуррентных ней-

конкретных узкоспециализированных задач.

родные компоненты – человека и технические

ронных сетей (recurrent neural networks), позволяет

40.

Смежные области использования искусственного

средства – машины и механизмы, промышленные

эффективно решать задачи в областях компьютер-

интеллекта – технологии и технологические реше-

изделия.

ного зрения, распознавания речи, обработки тек-

ния, в которых искусственный интеллект использу-

стов на естественном языке, машинного перевода,

47.

Эффект Балдвина – суть этого эффекта в том, что на-

ется в качестве обязательного, включая робототех-

биоинформатики и др.

выки, приобретаемые организмами в течение жиз-

нику и управление беспилотным транспортом.

ни в результате обучения, через некоторое число

57.

Deep neural network (DNN) – глубокая нейронная

41.

Теория функциональных систем Анохина – функ-

поколений оказываются записанными в геном.

сеть, глубинная нейронная сеть, ГНС, многослой-

циональная система состоит из определённого ко-

ная сеть, содержащая между входным и выходным

48.

Язык (над данным алфавитом)

– произвольное

личества узловых механизмов, каждый из которых

слоями несколько (много) скрытых слоёв нейро-

(возможно, бесконечное) множество предложений

занимает своё место и имеет определённое специ-

нов, что позволяет моделировать сложные нели-

в этом алфавите.

фическое назначение. Первый из них – афферент-

нейные отношения. ГНС сейчас всё чаще исполь-

ный синтез, в котором выделяют четыре обяза-

49.

Языковая модель – это распределение вероятно-

зуются для решения таких задач искусственного

тельных компонента: доминирующую мотивацию,

стей следующего слова в предложении, если зада-

интеллекта, как распознавание речи, обработка

ситуационную и пусковую афферентацию, а также

но его начало.

текстов на естественном языке, компьютерное зре-

память. Взаимодействие этих компонентов приво-

ние и т.п., в том числе в робототехнике.

50.

ASR (Automatic (Automated) Speech Recognition) –

дит к процессу принятия решения.

автоматическое распознавание речи.

58.

Dictation – речевой (голосовой) ввод текста.

42.

Тест Тьюринга, критерий Тьюринга – общий не-

51.

Audio command – речевая (голосовая) команда; ко-

59.

Dictation system – система речевого ввода текста.

формальный критерий того, создан ли «сильный

манда речевого интерфейса пользователя.

искусственный интеллект».

60.

Homophone – омофон. Буква или комбинация букв,

52.

Audio user interface

(AUI)

– речевой интерфейс

представляющих один и тот же звук речи, слова,

43.

Технологии искусственного интеллекта – техноло-

пользователя.

одинаковые по звучанию, но имеющие разный

гии, основанные на использовании искусственного

смысл и/или написание.

интеллекта, включая компьютерное зрение, обра-

53.

Audio-to-text (также audio to text) – преобразова-

ботку естественного языка, распознавание и син-

ние аудиозаписи речи в текст.

61.

Homophone error – омофоническая ошибка, воз-

тез речи, интеллектуальную поддержку принятия

никающая при компьютерном распознавании

54.

AVR (Automatic Voice Recognition) – автоматическое

близких по звучанию, но различных по смыслу

распознавание речи.

произносимых слов.

ГЛОССАРИЙ

62.

IPA (International Phonetic Alphabet) – международ-

72.

Phonetic alphabet – фонетический алфавит для син-

способность систем распознавания речи настраи-

ный фонетический алфавит (МФА), специальный

теза речи.

ваться в результате обучения на речь диктора.

набор символов для фонетической транскрипции

73.

Phonetic searching (также phonetic search) – фо-

84.

Speaker-dependent

(также speaker dependent

(phonetic transcription) слов.

нетический поиск; функция некоторых поисковых

recognition)

– зависимый от диктора, зависимое

63.

Limited-vocabulary recognition

– распознавание

систем, реализующих фонетические алгоритмы,

от диктора распознавание; система распознава-

речи в системе с ограниченным словарём; распоз-

которые сопоставляют двум словам со схожим

ния речи, требующая предварительного обучения

навание речевых команд для конкретной предмет-

произношением одинаковые коды, что позволяет

или настройки на речь говорящего.

ной области с использованием хранящегося в па-

осуществлять сравнение и индексацию множества

85.

Speaker-independent

– независимый от диктора;

мяти системы словаря звуков (фонем).

таких слов на основе их фонетического сходства.

система распознавания речи, не требующая пред-

64.

LVCSR

(Large vocabulary continuous speech

74.

Phonetics – фонетика.

варительного обучения, т.е. настройки на речь го-

recognition)

– распознавание слитной речи

ворящего.

75.

Phonology – фонология (от греч. Phone – звуки,

на большом словаре.

logos – слово, учение), раздел языкознания, наука

86.

Speech analyser – анализатор речи; анализатор ре-

65.

MRCP (Media Resource Control Protocol) – протокол

о звуковом строе языка.

чевых сигналов.

управления медиаресурсами. Используется в голо-

76.

PLS

(Pronunciation Lexicon Specification)

– спец-

87.

Speech analysis – анализ речевых сигналов.

совых порталах (voice portal) для взаимодействия

ификация лексикона

(словаря) транскрипций;

с системами автоматического распознавания речи

88.

Speech API (SAPI) – интерфейс прикладного про-

определяет транскрипции

(произношения) слов

(ASR, speech recognition) и преобразования текста

граммного обеспечения для голосовых (речевых)

для применения в программах распознавания

в речь (TTS).

технологий.

речи и синтеза речи.

66.

Multimodal application – приложения с комбиниро-

89.

Speech bandwidth – речевая полоса частот; диапа-

77.

Recognition accuracy – точность (правильность, до-

ванным вводом-выводом данных. Многомодаль-

зон речевых частот, которые могут быть переданы

стоверность) распознавания.

ные приложения объединяют распознавание речи

или зарегистрированы данной системой.

с другими формами ввода-вывода.

78.

Silent Speech Interface (SSI) – безмолвный речевой

90.

Speech coding – кодирование речевого сигнала.

интерфейс, распознавание безмолвной речи; по-

67.

Natural language – естественный язык, например,

зволяет распознавать речь с помощью компьютер-

91.

Speech command – голосовая (речевая) команда.

русский или английский, используемый при по-

ной обработки артикуляции мышц лица.

вседневном общении людей.

92.

Speech compression – сжатие речи.

79.

SISR (Speech Interpretation for Speech Recognition) –

68.

Natural language processing (NLP) – обработка есте-

93.

Speech data – речевые данные; акустическая ин-

интерпретация речи для её распознавания.

ственного языка, обработка текстов на естествен-

формация, выраженная в текстовой форме, в виде

ном языке; одно из направлений вычислительной

80.

Speaker − говорящий, диктор, чтец, оператор (в си-

строк слов.

лингвистики.

стеме распознавания речи).

94.

Speech digitization (также speech digitizing) – оциф-

69.

NLP application – приложение для обработки есте-

81.

Speaker identification – идентификация говорящего,

ровка речи, преобразование речи из аналоговой

ственного языка.

распознавание диктора.

формы в цифровую.

70.

NLP technology

(Natural-language processing

82.

Speaker verification – установление (подлинности)

95.

Speech generation – генерация речи.

Technology) – технологии обработки естественного

личности говорящего, верификация говорящего

96.

Speech input – речевой ввод.

языка.

(диктора).

97.

Speech output – речевой вывод.

71.

Open vocabulary – открытый словарь, который мо-

83.

Speaker-adaptive

– адаптация к диктору, с на-

жет пополняться пользователем.

стройкой (настраивающийся) на речь говорящего;

98.

Speech perception – восприятие речи.

ГЛОССАРИЙ

99. Speech processing – обработка речи (речевых сиг-

совокупность слов модели, содержит все уникаль-

система, способная распознавать речевые коман-

налов), обработка речевых данных.

ные для модели слова.

ды (для управления оборудованием) и сообщения

(например, для их сохранения и передачи в тексто-

100. Speech recognition (SR) – распознавание речи.

114. Voice assistant – голосовой помощник.

вом виде), опознавать пользователя по голосу.

101. Speech recognition system – система распознавания

115. Voice command-and-control – речевое (голосовое)

128. Voice recognizer device – 1. Устройство распозна-

речи.

управление.

вания голоса. 2. Устройство распознавания речи.

102. Speech recognizer

– распознаватель речи, про-

116. Voice device – голосовое устройство.

129. Voice synthesis – синтез речи компьютером по тек-

грамма распознавания речи.

117. Voice digitization – оцифровка речи; преобразова-

стовому файлу или фонетическому описанию.

103. Speech technology – речевые технологии; совокуп-

ние речи в цифровую форму для хранения или пе-

130. Voice texture – характер (характерные особенности)

ность технологий, связанных с синтезом и распоз-

редачи.

голоса, речи.

наванием речи.

118. Voice input – речевой ввод, ввод данных голосом

131.

Voice translation device – устройство-переводчик;

104. Speech understanding – понимание речи.

технология и средства для ввода в компьютер

автоматический (синхронный) переводчик устного

и распознавания речевых команд и данных.

105. Speech-to-text (STT) – преобразование речи в текст;

языка.

технология распознавания речи, позволяющая

119. Voice interaction – речевое взаимодействие с ком-

132. Voice-driven

– управляемый голосом; с речевым

преобразовывать произнесённые слова в текст.

пьютером.

интерфейсом.

106. Spoken word

– произносимое

(произнесённое)

120. Voice interface – речевой интерфейс пользователя.

133. Voice-first device (также voice first device) – голосо-

слово.

121. Voice morphing

– речевой морфинг; изменение

вой помощник, речевой помощник; к этой катего-

107. SRAPI (Speech Recognition API) – API для распозна-

(преобразование) звучания голоса одного челове-

рии приложений и гаджетов относятся разнообраз-

вания речи.

ка таким образом, чтобы он был похож на голос

ные интеллектуальные устройства с голосовым/

другого человека.

речевым интерфейсом ввода и вывода данных.

108. SRGS (Speech Recognition Grammar Specification) –

спецификация грамматики систем распознавания

122. Voice output – речевой вывод.

134. Voice-first platform (также voice platform) – голосо-

речи.

вая/речевая платформа.

123. Voice portal – голосовой (речевой) портал; система

109. SSML – язык разметки для синтеза речи.

нового поколения, где взаимодействие с клиентом

135. Voice-recognition system – 1. Система распознава-

осуществляется с помощью голосового браузера.

ния голоса. 2. Система распознавания речи.

110. Text to speech (также text-to-speech, TTS) – преоб-

разование текста в речь, синтез речи.

124. Voice processing – обработка речевых (голосовых)

136. Voice-recognition technology – технология распоз-

сообщений; совокупность технологий, включаю-

навания речи (голоса).

111. Transcription

– 1. Транскрипция.

2. Сама запись

щих голосовую почту, цифровые автоответчики,

(правильного) произношения слова.

137. VRS (Voice Recognition System (Software)) – система

справочные киоски и т.п.

(ПО) распознавания речи.

112. Verbal command – речевая команда.

125. Voice prompt – речевая подсказка в системах с ре-

113. Vocabulary

–

1. Словарь.

2. Словарный состав.

чевым интерфейсом.

3. Терминология.

4. В системах распознавания

126. Voice recognition – 1. Распознавание речи. 2. Рас-

речи – словарь звуков (фонем), с помощью кото-

познавание (идентификация) голоса.

рого компьютер распознаёт слова. 5. В системах

анализа и распознавания текстов, обработки есте-

127. Voice recognition engine

(также voice-recognition

ственного языка, машинного обучения, искусствен-

engine) – система (механизм) распознавания голоса

ного интеллекта и др. – объект, представляющий

(речи); аппаратно-программная или программная

ВВЕДЕНИЕ

ВЕДЕНИЕ

Основные этапы развития технологий искусственного интеллекта

ЛАБИРИНТНАЯ ГИПОТЕЗА

способствовала развивающееся параллельно направ-

наблюдаемым данным, из-за чего приобретённые зна-

ление компьютерной лингвистики. Системы, основан-

ния не обладают полной достоверностью. Следствием

Первые исследователи в области искусственного ин-

ные на знаниях, нашли широкое применение в виде

этого является проблема представления нечётких зна-

теллекта опирались на научные направления, изучаю-

экспертных систем, с которыми одно время отождест-

ний в условиях неопределённости.

щие интеллект природный или естественный. В первой

влялся искусственный интеллект. Экспертные системы

половине XX века при исследовании психологами по-

оказались способны строить формальные описания

МЕТАОБУЧЕНИЕ ИСКУССТВЕННОГО

ведения животных было обнаружено, что поиск играет

задач, сформулированных на ограниченном естествен-

очень большую роль при реакции на ситуацию, для ко-

ном языке для одной узкой предметной области, зна-

ИНТЕЛЛЕКТА

торой нет готового решения. Для низших животных этот

ния о которой были в них заложены. Следуя такому

поиск происходит во внешнем пространстве, а у выс-

представлению, была переосмыслена суть мышления

Ещё одна группа проблем связана с применением ме-

ших животных такой поиск переходит из перепро-

– поиск решения проблемы в системах, основанных

тодов обучения к самой проблеме обучения, т.е. с мета-

изводства движения в сложный внутренний процесс

на знаниях, теперь являлся проблемой манипулирова-

обучением. При решении задач приобретения знаний

поиска в ментальном пространстве или «лабиринте»

ния знаниями [43].

их представления предполагаются заданными априо-

состояний, достижимых путём выполнения доступных

ри, и нужно лишь построить систему знаний в рамках

действий. Эти исследования позволили сформулиро-

этих представлений. Тогда как в задачах метаобучения

вать лабиринтную гипотезу мышления.

МАШИННОЕ ОБУЧЕНИЕ

ставится вопрос об автоматическом построении самих

представлений знаний, детали которых могут силь-

«Лабиринтная» гипотеза мышления получила развитие

По мере развития данного направления была выявле-

но меняться в зависимости от предметной области.

в области исследований искусственного интеллекта,

на проблема автоматического приобретения знаний,

Решение данной проблемы необходимо для снятия

первоначальный предмет исследования которых со-

которая была сформулирована как проблема машин-

существенного ограничения машинных систем – спо-

ставляли интеллектуальные игры и доказательство тео-

ного обучения. Важность обучения понималась мно-

собности функционировать только в узкой предметной

рем, т.к. поиск играл в них ключевую роль. Ранними ис-

гими учёными в области искусственного интеллекта,

области.

следователями искусственного интеллекта полагалось,

но после исследований в области представления зна-

что интеллект состоит в решении проблем, а процесс

ний стало ясно, насколько большой объём информации

решения представляет собой поиск пути от исходных

получает человек в процессе обучения, и насколько

ВОПЛОЩЁННЫЕ СИСТЕМЫ

данных к ответу в пространстве возможных реше-

трудоёмко закладывать эти знания в машинные систе-

ний. Такой подход имеет существенное ограничение:

В дальнейшем развитие технологий искусственного

мы вручную. Машинное обучение стало центральным

для них формализованное описание задачи должно

интеллекта было связано с универсализацией машин-

направлением исследований в области искусственного

составляться человеком. Отсюда возникает проблема

ных систем вследствие получения ими более широкого

интеллекта, выделившись в самостоятельное направ-

формирования самого «лабиринта», для решения ко-

доступа к информации в рамках исследования вопло-

ление в 1980-е годы. Учёные перестали рассматривать

торой необходимо, чтобы система могла применять

щённых систем, т.е. систем, помещённых в конкрет-

интеллект как некий готовый продукт, который можно

знания о предметной области; помимо указанной про-

ное информационное, физическое или социальное

воспроизвести, или как фиксированную способность

блемы не удалось создать универсальный алгоритм,

окружение. В воплощённых системах подразумева-

к решению задач и манипулированию знаниями.

который бы эффективно решал произвольную задачу

ется, что поступающая информация должна служить

В задачах поиска была сформулирована проблема

поиска в произвольном «лабиринте».

основой обучения, в результате которого формируется

автоматического построения эвристик поиска – оп-

Проблема представления знаний стала одной

система знаний с целью их применения для решения

тимизации поиска, т.к. методы машинного обучения

из главных с середины 1970-х годов. Этому во многом

поставленных задач.

применяются к неопределённым и противоречивым

ВЕДЕНИЕ

СИЛЬНЫЙ И СЛАБЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Поиск

Представление

Обучение

Технологические решения, разработанные с использованием методов машин-

ного обучения, являются примером искусственного интеллекта, способного ре-

шать только узкоспециализированные задачи – это т.н. слабый искусственный

Построение

Манипулирование

Представление

интеллект (Narrow AI, Weak AI).

Метаобучение

эвристик

знаниями

нечетких знаний

Создание сильного или универсального (Strong AI, Super AI), т.е. искусствен-

ного интеллекта, способного, подобно человеку, решать различные задачи,

мыслить, взаимодействовать и адаптироваться к изменяющимся условиям,

Рассуждения в условиях

является сложной научно-технической проблемой, решение которой находится

неопределенности

на пересечении различных сфер научного знания

– естественно-научной,

технической и социально-гуманитарной.

Решение этой проблемы может привести не только к позитивным изменениям

Рисунок 1 – Структура базового уровня области искусственного интеллекта

в ключевых сферах жизнедеятельности, но и к негативным последствиям,

вызванным социальными и технологическими изменениями, которые сопутствуют

развитию технологий искусственного интеллекта [43].

Когнитивные операции

Поиск

Представление

Обучение

СМЕНА ПАРАДИГМ В ИССЛЕДОВАНИЯХ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

Подходы к реализации

Исследования в области искусственного интеллекта начались с парадигмы «мыш-

Эволюционные

Экспертные

Мультиагентные

ление как поиск» и с разработки методов решения формально поставленных за-

ИНС

вычисления

системы

дач. Дальнейшая смена парадигм была связана с увеличением универсальности

машинных систем, благодаря уменьшению объёма информации, подготавливае-

мой для них человеком [42]:

￮ На первом этапе развития искусственного интеллекта описание каждой

Предметные области

задачи формировалось человеком.

Машинный

Системы речевого

Доказательство

Компьютерное

￮ На втором этапе человек задавал описание некоторой узкой предметной

перевод

общения

теорем

зрение

области, включающей целый комплекс задач.

￮ На третьем этапе машинная система получает возможность частично

строить описание предметной области самостоятельно в рамках заданного

Рисунок 2 – Объединение направлений исследований искусственного интеллекта и области их применения.

человеком представления.

На рисунке 1 представлена схема, условно изображающая структуру базового

уровня области искусственного интеллекта, той её части, которая к настоящему

времени является устоявшейся.

Последующее развитие искусственного интеллекта связано с дальнейшей

искусственного интеллекта можно охарактеризовать как этап синтеза, на котором

универсализацией машинных систем и получением ими более широкого

происходит объединение методов, полученных ранее в рамках изолированных

доступа к информации в рамках направления, исследующего воплощённые

направлений исследований.

системы, т.е. системы, помещенные в конкретное информационное, физическое

На рисунке 2 представлено объединение направлений исследований

или социальное окружение. Современное состояние в области исследований

искусственного интеллекта и области их применения.

ВЕДЕНИЕ

Текущая ситуация в России и мире

Современное состояние технологий искусственного

60-х годов, то в Китае сделан прорыв в этом направле-

Разговорный искусственный интеллект.

интеллекта характеризуется объединением методов

нии за последние 10 лет.

Распознавание текстов и речи, лингвистический

и подходов, разработанных в рамках не связанных

Мировые лидеры в разработке решений и внедрения

анализ.

между собою исследований.

в практику технологий искусственного интеллекта, та-

При разработке технологий искусственного интеллек-

кие как Google, Amazon, Facebook, Apple, NetFlix, Baidu,

Экспертные, рекомендательные, информацион-

та используют достижения науки в генной инженерии,

Tencent, Alibaba, Tesla, Yandex уже доказали эффектив-

но-аналитические системы, автоматизация проек-

биотехнологиях, ядерном синтезе, квантовой физике,

ность долгосрочных инвестиций в область искусствен-

тирования и управления.

нанотехнологиях, робототехнике, микроэлектрони-

ного интеллекта, опередив по капитализации многих

ке, освоении космического пространства, создании

лидеров традиционных областей деятельности.

Специализированные процессоры и вычисли-

беспилотного транспорта и телекоммуникационных се-

тельные системы для искусственного интеллекта,

тей нового поколения. Прорыв в данных областях стал

дизайн-центр по проектированию специализи-

Как отмечают международные эксперты, в Рос-

возможен за счёт развития современных информаци-

рованных микросхем, микропроцессоров, микро-

сии сегодня существуют хорошие возможности

онных технологий и разработки новых вычислитель-

контроллеров, чипсетов и приборов для устройств

по развитию технологий искусственного интел-

ных средств. Дальнейшее развитие информационных

и систем с искусственным интеллектом.

лекта, благодаря:

технологий и экономики будет определяться способ-

ностью создать и внедрить в практику технологию,

Техническое зрение, обнаружение, распознава-

Созданию условий для развития искусственного

объединяющую академические знания и практиче-

ние, дешифрация, классификация изображений.

интеллекта, провозглашенных после подписания

ский опыт наблюдений и деятельности людей, а также

10 октября 2019 года Президентом Российской Фе-

Информационно-управляющие системы, робото-

методы и средства их применения. По согласованным

дерации В.В. Путиным Национальной стратегии

техника, умные машины.

оценкам различных экспертов такой технологией дол-

развития искусственного интеллекта на период

жен стать «искусственный интеллект».

до 2030 года.

«Умные» сети и системы в энергетике, связи, город-

В научных кругах существует мнение, что перевод тер-

ском хозяйстве и в других отраслях, «умный дом»,

мина «искусственный интеллект» с английского языка

Наличию подготовленного научного сообщества,

«умный город».

на русский (artificial intelligence) не совсем корректен,

способного решать проблемы, возникающие

так как слово «intelligence» несёт множество смыслов,

при создании и внедрении систем искусственного

интеллекта.

На сегодняшний день в отечественной промыш-

в том числе «ум», «сообразительность» и даже «раз-

ленности нашли наибольшее применение:

ведка». В этой связи, в России термин «искусственный

Достаточно высокой компьютерной грамотности

интеллект», зачастую, понимается как технология, спо-

￮ экспертные системы;

молодого поколения пользователей, способных

собная заменить человека в задачах, связанных с при-

к обучению новым технологиям.

￮ рекомендательные системы;

нятием решений в условиях неопределённости или от-

сутствия необходимой информации, и рассматривается

￮ информационно-управляющие системы;

более широко.

В рамках Программы создания и развития Цен-

￮ информационно-аналитические системы;

На мировом рынке искусственного интеллекта выделя-

тра Национальной технологической инициативы

ются два лидера – США и Китай [15]. Данные страны

на базе МФТИ по направлению «Искусственный

￮ робототехника;

сумели создать передовые центры компетенций в дан-

интеллект» выделено семь ключевых направле-

￮ системы технического зрения.

ной области. Однако, если в США соответствующие на-

ний, которые определяют содержание техноло-

учные исследования и разработки ведутся с середины

гии «Искусственный интеллект»:

ВЕДЕНИЕ

Наибольшее внедрение технологий искусственного интеллекта происходит в корпоративном секторе экономики посредством создания структурных подраз-

делений, отвечающих за корпоративные данные и их обработку. Данным подразделениям поручают поиск, разработку и внедрение на промышленных пред-

приятиях готовых решений, основанных на технологиях искусственного интеллекта. В российском корпоративном рынке можно выделить ряд крупных промыш-

ленных компаний, активно внедряющих решения в области искусственного интеллекта в производственные процессы: ПАО «Газпром», ПАО «Сибур Холдинг»,

ПАО «Северсталь», ПАО «Уралкалий», ГК «Русагро», ТК «Мираторг», Segezha Group [15], [16].

Эффект от применения технологий искусственного интеллекта

Широкое внедрение технологий искусственного интеллек-

та в промышленности существенно и повсеместно изменит

не только процесс промышленного производства, но и со-

стояние рынка труда.

По оценкам экспертов [44], к 2022 году из-за роботиза-

ции труда будет сокращено 75 миллионов рабочих мест,

но при этом создано 133 миллиона новых.

В России 54% работников потребуется серьёзное переобу-

чение или повышение квалификации.

86% работодателей не планируют вкладывать в обучение

сотрудников, а готовы нанимать новых, обладающих соот-

ветствующими знаниями.

Внедрение решений в области охраны труда – применение

видеоаналитики, составление тепловых карт, анализ нали-

чия комплектов средств индивидуальной защиты на работ-

никах, контроль опасных зон – позволяет снизить уровень

травматизма на производстве в среднем до 50% [45].

Несмотря на оптимизм, большинство внедряющих техноло-

гии искусственного интеллекта компаний пока так и не нау-

чились извлекать из них реальную выгоду.

При этом количество компаний, в которых видят риски из-

за внедрения технологий искусственного интеллекта, за по-

следние два года выросло – с 37% до 45% [46].

ИСТОРИЯ

РАЗВИТИЯ

ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

Первые вычислительные модели, вдохновлённые принципом работы

нейронных связей мозга человека, начали разрабатываться до появ-

ления экспертных систем, в 1940-х годах. Они повлияли на развитие

информационных систем, помогающих человеку принимать решения.

В 1950-х годах появились экспертные системы, описывающие алгоритм

действий по выбору решения в зависимости от конкретных условий.

Опираясь на данные исследования, инженеры и учёные начали пред-

принимать попытки по разработке искусственного.

В 1950 математик Алан Тьюринг предложил набор критериев, по кото-

рым машина может считаться мыслящей. В знаменитом «тесте Тьюрин-

га» человек, задающий письменные вопросы, должен определиться,

кем является его собеседник – человеком или машиной. Сам Тьюринг

полагал, что к 2000 году машины будут способны обмануть 30% судей,

однако несмотря на экспонентное развитие вычислительных мощно-

стей, формально эту границу ещё ни одной разработке преодолеть

не удалось. На смену экспертным системам пришло машинное обуче-

ние, позволяющее информационным системам самостоятельно фор-

мировать правила и находить решение, анализируя зависимости и ис-

пользуя исходные наборы данных без предварительного составления

человеком перечня возможных решений.

ИСТОРИЯ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1832

1835

1914

1930

1940

Семён Корсаков изобретает

Машина Чарльза Бэббиджа

Устройство Леонардо Кеведо

Концепция «Крошка-машина»

Моделирование мышления:

перфокарты и 5 «интеллекту-

для игры в шахматы.

для обучения искусственного

нейрокибернетический и ло-

альных машин».

разума как ребёнка.

гический подходы. Нейронные

сети. ЭВМ. Простейшие робо-

ты. Устройства для распозна-

вания речи.

1997

1990

1980

Компьютер IBM Deep

Прикладные экспертные

Свёрточные нейросети. Ма-

Обучение с подкреплением.

В начале 1980-х гг. учёные

Blue обыгрывает чем-

системы. Нейронные

шинное обучение без учите-

Первые автономные

в области теории вычислений

пиона мира по шахма-

процессоры. Автономные

ля. Нейросетевой машинный

автомобили. Система

Барр и Файгенбаум

там Гарри Каспарова.

военные БПЛА.

перевод. Классификация

кодирования лицевых

предложили определение

Первые беспилотные

и распознавание лиц.

движений. Нейросетевая

искусственного интеллекта.

системы управления

ассоциативная память.

Экспертные системы,

автотранспортом.

Неокогнитрон. Компьютерная

основанные на нечёткой

лингвистика. Первые системы

логике. Продукционные

машинного зрения.

системы.

2000

2010

2011

2013

Библиотека Torch. NVidia

Виртуальные помощники.

IBM Watson победила бессмен-

Интернета и социальных сетей.

Исследования по сортировке

Cuda. Экспертные систе-

Системы распознавания лиц

ных чемпионов последних лет

Исчезает ключевой истори-

изображений.

мы на нейросетях. Deep

DeepFace. Искусственный

в игре Jeopardy! (российский

ческий стоп-фактор развития

В июле 2013 года для обуча-

Learning. Тестирование

интеллект для стратегических

аналог программы – «Своя

искусственного интеллекта –

ющегося компьютера была

автономного транспор-

игр. Разработка сильного

игра»). Внедрение в устройства

мощнейшие вычислительные

открыта возможность загрузки

та. Выявление объектов

искусственного интеллекта.

компании Apple голосового

системы, которые можно стро-

изображений из интернета

на фото и видео. Корпора-

Гуманоидные роботы Boston

помощника Siri. Появле-

ить как на дешевых серверных

в режиме 24 на 7 с тем, чтобы

тивные системы распозна-

Dynamics и Toyota. Коммерче-

ние крупнейшего открытого

мощностях, так и в крупнейших

он сам мог выявить и постро-

вания лиц.

ские чат-боты. Сенсорный ИИ.

источника персональных

облачных платформах в режи-

ить взаимосвязи между ними.

данных и кликстрима в виде

ме pay-as-you-go.

ИСТОРИЯ РАЗВИТИЯИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1950

1954

1956

1960

Тест Тьюринга. Первая кон-

Оливер Селфридж написал

ПО для игры в шахматы.

Появление термина

Исследования в МГУ

ференция по ИИ в Dartmouth,

статью «Глаза и уши компьюте-

«искусственный интеллект».

и Академии наук СССР.

США. Вопросно-ответные

ра» о машинном зрении.

Джозеф Вейценбаум (Joseph

системы. Первый алгоритм

Фрэнк Розенблатт представил

Weizenbaum) разработал

обучения. Компьютерные се-

компьютерную реализацию

первого виртуального

мантические сети. Универсаль-

персептрона.

собеседника (компьютерную

ный решатель задач. Системы

программу), которая

синтеза речи.

поддерживает диалог

с человеком.

1970

1966

1964

Экспертная система Mycin.

В СССР создан толковый

В. Ф. Турчиным был

Опубликована работа

Однослойный перцептрон.

Машинный перевод.

словарь по искусственному

разработан язык рекурсивных

ленинградского логика Сергея

Нейросеть ADALINE.

Лавренсе Робертс представил

интеллекту. Язык Prolog.

функций Рефал.

Маслова «Обратный метод

Промышленные роботы.

концепцию машинного

Простейшие алгоритмы

установления выводимости

Алгоритмы цифровой

Первый виртуальный

построения трёхмерных

распознавания образов.

в классическом исчислении

обработки изображений.

собеседник Eliza поддерживает

образов объектов.

Алгоритм backpropagation.

предикатов».

Программы обработки

диалог с человеком.

Ганс-Хельмут Нагель

Когнитрон. Андроиды.

Первые системы обработки

естественного языка.

представил теорию анализа

Язык программирования

изображений.

Алгебраическая теория

динамических сцен.

роботов.

распознавания образов.

2016

2017

2018

Развитие специализирован-

Искусственный интеллект

Gamalon представила техноло-

Создание универсальной систе-

игроков в сложных многополь-

ных систем искусственного

победил профессиональных

гию самообучения по фраг-

мы понимания естественного

зовательских играх Dota и Quake

интеллекта и исследования

игроков в покер.

ментам данных. По своей

языка GLUE – General Language

3 Arena. Применение аппарата

путей создания искусственного

эффективности и точности об-

Understanding Evaluation (общая

Программа Libratus, разра-

фундаментальной математики

разума. Искусственный интел-

учения новая разработка соот-

оценка понимания естествен-

ботанная в Университете

для формирования новых архитек-

лект Google DeepMind впервые

ветствует мощным нейронным

ного языка). Решена задача

Карнеги-Меллона, победи-

тур нейронных сетей и совершен-

одолел профессионального

сетям. Появился новый класс

распознавания объектов на изо-

ла в 20-дневном покерном

ствования алгоритмов машинного

игрока в го.

устройств — “умные” колонки.

бражении. Обучение с подкре-

турнире «Brains Vs. Artificial

обучения. Разработка автоматиче-

[20], [21], [22], [60]

плением позволило искусствен-

Intelligence: Upping the Ante».

ского поиска оптимальных архитек-

ному интеллекту выигрывать

тур нейронных сетей.

у команд профессиональных

ОПРЕДЕЛЕНИЕ

ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

ОПРЕДЕЛЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Интеллект (от лат. intellectus – ощущение, вос-

В национальной стратегии развития искусственного интеллекта на период до 2030 года согласно указу

приятие, разумение, понимание, понятие, рас-

президента Российской Федерации от 10.10.2019 № 490 даётся следующее определение искусственного

судок), или ум – качество психики, состоящее

интеллекта [1]:

из способности приспосабливаться к новым си-

Искусственный интеллект – комплекс технологических решений, позволяющий имитировать когнитивные

туациям, способности к обучению и запомина-

функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать

нию на основе опыта, пониманию и примене-

при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуаль-

нию абстрактных концепций и использованию

ной деятельности человека.

своих знаний для управления окружающей

средой.

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых яв-

ляется то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением

Другими словами, интеллект – это общая спо-

человек.

собность к познанию и решению трудностей,

которая объединяет все познавательные спо-

Основные свойства искусственного интеллекта:

собности человека: ощущение, восприятие, па-

￮ понимание языка;

мять, представление, мышление, воображение.

￮ обучение;

Существует ряд определений искусственного

￮ способность мыслить;

интеллекта, которые в той или мере дополняют

￮ способность действовать.

и уточняют друг друга.

В начале 1980-х гг. учёные в области теории

Искусственный интеллект применим в тех областях, где есть большой объём накопленных данных. Они бы-

вычислений Барр и Файгенбаум предложили

вают разных типов. Когда есть несколько типов данных, с ними справиться один аналитик. Искусственный

следующее определение искусственного интел-

интеллект оказывается эффективным, когда параметров тысячи, причём часть из них неструктурированные.

лекта (ИИ).

Искусственный интеллект – это область ин-

форматики, которая занимается разработкой

Существуют четыре фактора, благодаря которым можно говорить об искусственном

интеллектуальных компьютерных систем, то есть

интеллекте как о глобальном тренде.

систем, обладающих возможностями, которые

мы традиционно связываем с человеческим

разумом, – понимание языка, обучение, спо-

собность рассуждать, решать проблемы и т.д.

Данных стало

Рост

Развитие

Снижение

гораздо больше.

вычислительных

соответствующих

себестоимости

мощностей

областей

решений,

компьютеров.

математики.

использующих

технологии

искусственного

интеллекта.

ВЕДЕНИЕ

СТАНДАРТИЗАЦИЯ

ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

СТАНДАРТИЗАЦИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Стандартизация искусственного интеллекта.

интеллекта на английском, но и на русском языке. Доку-

В рамках работы на международном уров-

мент должен быть утверждён в начале 2021 года.

не России удалось добиться ряда решений,

которые будут иметь долгосрочный эффект

Развитие продуктов и услуг на базе искусственного ин-

для развития в стране технологий искусствен-

теллекта требует однозначной трактовки используемых

ного интеллекта. Разработка русскоязычной

понятий всеми участниками рынка. Стандарт термино-

версии стандарта, еще и со столь ранней

логии позволит унифицировать «язык», на котором об-

фазы – гарантия синхронизации с междуна-

щаются разработчики, заказчики и профессиональное

родным полем, а развитие подкомитета ISO/

сообщество, классифицировать такие свойства про-

IEC и инициация международных документов

дуктов на базе технологий искусственного интеллекта,

с российским соредакторством – это фунда-

как «безопасность», «воспроизводимость», «достовер-

мент для дальнейшего продвижения интере-

ность» и «конфиденциальность». Единая терминология

16 апреля

2019 года подкомитет ISO/IEC

(англ.

сов российских разработчиков за рубежом.

также станет важным фактором для развития техноло-

International Organization for Standardization

– меж-

гий искусственного интеллекта в рамках Национальной

В России ведётся разработка ряда националь-

дународная организация по стандартизации)

технологической инициативы – алгоритмы искусствен-

ных стандартов, утверждение которых запла-

по стандартизации в области искусственного интел-

ного интеллекта используют более 80% компаний в пе-

нировано на конец 2019 – начало 2020 года.

лекта поддержал предложение Технического комитета

риметре НТИ. Кроме того, решение ISO/IEC позволит

Кроме того, совместно с компаниями, рабо-

«Кибер-физические системы» о разработке стандарта

укрепить авторитет и расширить влияние российских

тающими в сфере искусственного интеллекта,

«Artificial intelligence. Concepts and terminology» на рус-

экспертов при дальнейшей разработке международных

идёт работа по формированию плана нацио-

ском языке в дополнение к базовой английской версии.

стандартов.

нальной стандартизации на 2020 год и далее.

Терминологический стандарт

«Artificial intelligence.

В ходе заседания эксперты ISO/IEC поддержали разра-

Concepts and terminology» является основополагаю-

ботку проекта международного документа Information

щим для всего семейства международных норматив-

Technology

– Artificial Intelligence

(AI)

– Overview of

но-технических документов в области искусственного

Computational Approaches for AI Systems, в котором

интеллекта. Кроме терминов и определений, данный

Россия выступает в качестве соредактора. Документ

документ содержит концептуальные подходы и прин-

предоставляет обзор современного состояния си-

ципы построения систем с элементами искусствен-

стем искусственного интеллекта, описывая основные

ного интеллекта, описание взаимосвязи технологий

характеристики систем, алгоритмы и подходы, а так-

искусственного интеллекта с другими сквозными тех-

же примеры специализированных приложений в об-

нологиями, а также базовые принципы и рамочные

ласти искусственного интеллекта. Разработкой этого

подходы к нормативно-техническому регулированию

проекта документа займётся специально созданная

искусственного интеллекта.

в рамках подкомитета рабочая группа

«Вычисли-

По итогам заседания профильного подкомитета ISO/

тельные подходы и вычислительные характеристики

IEC в Дублине эксперты ISO/IEC поддержали предло-

систем Искусственного интеллекта»

(SC

42 Working

жение делегации из России о синхронной разработке

Group 5 «Computational approaches and computational

терминологического стандарта в сфере искусственного

characteristics of AI systems») [47].

ТЕХНОЛОГИИ

ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ǃǓǤǢǡǚǠǓǕǓǠǛǘ ǙǘǤǥǡǕ

ǃǓǤǢǡǚǠǓǕǓǠǛǘ ǣǘǪǛ

ƴǛǡǟǘǥǣǛǲ

ƽǡǟǢǯǱǥǘǣǠǡǘ

ǃǓǤǢǡǚǠǓǕǓǠǛǘ

ǚǣǘǠǛǘ

ǃǓǤǢǡǚǠǓǕǓǠǛǘ Ǣǡ ǔǛǡǟǘǥǣǛǛ

/U: ǛǠǧǡǣǟǓǩǛǲ

Ǥ ǗǓǥǪǛǝǡǕ

ǃǓǤǢǡǚǠǓǕǓǠǛǘ ǤǛǟǕǡǞǡǕ

ƳǠǓǞǛǚ Ǜ ǤǛǠǥǘǚ ǣǘǪǛ

ƷǛǓǞǡǖ ǠǓ ǘǤǥǘǤǥǕǘǠǠǡǟ ǲǚǮǝǘ

ǁǔǣǓǔǡǥǝǓ

ǘǤǥǘǤǥǕǘǠǠǡǖǡ ǲǚǮǝǓ

ƻǠǧǡǣǟǓǩǛǡǠǠǮǜ ǢǡǛǤǝ ǓǠǓǞǛǚ ǥǘǝǤǥǡǕ

ƿǓǫǛǠǠǮǜ ǢǘǣǘǕǡǗ 3:

ƻǤǝǦǤǤǥǕǘǠǠǮǜ

ǁǤǟǮǤǞǘǠǛǘ

ǛǠǥǘǞǞǘǝǥ

ǐǝǤǢǘǣǥǠǮǘ ǤǛǤǥǘǟǮ

ǂǣǡǖǠǡǤǥǛǪǘǤǝǛǘ ǤǛǤǥǘǟǮ

ƳǠǓǞǛǚ ǗǓǠǠǮǨ

ǂǣǘǗǤǥǓǕǞǘǠǛǘ ǚǠǓǠǛǜ ǁǠǥǡǞǡǖǛǲ

ǂǣǘǗǛǝǥǛǕǠǓǲ ǓǠǓǞǛǥǛǝǓ

ǂǣǡǟǮǫǞǘǠǠǮǘ

ƴǘǤǢǛǞǡǥǠǛǝǛ

Рисунок 3 – Структура технологий

ƷǘǜǤǥǕǛǘ

ǃǡǔǡǥǮ

искусственного интеллекта

ƷǡǟǓǫǠǛǘ ǣǡǔǡǥǮ

ǂǣǡǖǣǓǟǟǠǮǘ ǓǖǘǠǥǮ

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Основные элементы современных технологий искусственного

интеллекта

Современные технологии искусственного интеллекта базируются

на трёх ключевых составляющих:

1. Алгоритмы обучения искусственных нейронных сетей [48],

[49].

Открытость стала тем триггером, который вывел искусственный интеллект

в одну из самых перспективных областей – большинство базовых алгоритмов

Скрытые

современного машинного обучения публикуется под открытыми лицензиями –

узлы

OpenSource. Открытые библиотеки, такие как, например, платформа TensorFlow,

Входные

определяют технологические стандарты в области машинного обучения. Все

узлы

участники рынка технологий искусственного интеллекта позиционируют себя

открытыми для кооперации.

Искусственная нейронная сеть состоит из трёх компонентов:

Выходные

￮ входной слой;

узлы

￮ вычислительные слои;

￮ выходной слой.

В обучении искусственных нейронных сетей выделяют два подхода:

￮ Стохастический. Изменяют параметры сети случайным образом. При этом

сохраняются только те изменения, которые привели к улучшениям. Яркой

иллюстрацией данного подхода является «прямое распространение

ошибки».

￮ Детерминированный. Итеративно корректирует параметры сети,

основываясь на её текущих параметрах, величинах входов, фактических

и желаемых выходов. Яркой иллюстрацией данного подхода является

«обратное распространение ошибки».

2. Вычислительные мощности [50], [51].

Запуск программного обеспечения искусственного интеллекта на компьютере

обычно требует высокой скорости и большого объёма памяти, хотя некоторые

простые приложения могут работать и на 8-битном процессоре. Успех развития

Рисунок 4 – Слои искусственной нейронной сети

современных технологий искусственного интеллекта обусловлен технологией

CUDA от компании NVidia.

CUDA – программно-аппаратная архитектура параллельных вычислений, ко-

торая позволяет существенно увеличить вычислительную производительность

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

благодаря использованию графических процессоров

￮ блок (Block) – объединение тредов, которое

под быстрые параллельные вычисления с использова-

фирмы Nvidia, позволяющих проводить сверхбыстрые

выполняется целиком на одном SM. Имеет свой

нием нейронных сетей.

и массивные параллельные вычисления.

уникальный идентификатор внутри грида;

Архитектура CUDA даёт разработчику возможность

￮ тред (Thread, поток) – единица выполнения

3. Размеченные структурированные

по своему усмотрению организовывать доступ к набору

программы. Имеет свой уникальный

данные.

инструкций графического или тензорного ускорителя

идентификатор внутри блока;

и управлять его памятью.

Алгоритмы и вычислительные мощности сегодня

￮ варп (Warp) – 32 последовательно идущих треда,

не являются узким местом, а вот качественных данные

Программная часть CUDA содержит в себе всё

выполняется физически одновременно;

не хватает, именно данные – ключ к успешному раз-

необходимое для разработки программы: расширения

￮ ядро (Kernel) – параллельная часть алгоритма,

витию технологий искусственного интеллекта. Владель-

языка С, компилятор, API для работы с графическими

выполняется на гриде.

цем и правообладателем данных может быть государ-

адаптерами и набор библиотек.

На центральном процессоре – хосте – выполняются

ство, компания или частное лицо.

только последовательные части алгоритма программы,

подготовка и копирование данных на устройство, зада-

Основные термины и отношения между ними:

ние параметров для ядра и его

￮

хост (Host) – центральный процессор,

запуск. Параллельные части алгоритма оформляются

управляющий выполнением программы;

в ядра, которые выполняются на большом количестве

￮

устройство (Device) – видеоадаптер, выступающий

тредов на устройстве.

в роли сопроцессора центрального процессора;

Нейрочипы

(Neural Processing Unit, Neuromorphic

￮

грид (Grid) – объединение блоков, которые

Processor, Tensor Processing Unit, ASIC) – узкоспециализи-

выполняются на одном устройстве;

рованные процессоры, специально оптимизированные

Кеш инструкций

ПРИМЕРЫ РАЗМЕЧЕННЫХ ДАННЫХ

Планировщик “варпов”

(деформаций)

Год постройки

Спальни Ванные комнаты Кв. футов

Цена

Диспетчерский пункт

1901

1,800

$200,000

Набор регистров (4096 х 32-bit)

1995

2,500

$350,000

LD/ST

Ядро

Специальные

1980

1,300

$150,000

LD/ST

функции

LD/ST

(SFU)

Ядро

1922

1,900

$400,000

LD/ST

Ядро

Специальные

#бургер #картофель фри #еда #счастливый

1950

2,200

$220,000

LD/ST

функции

LD/ST

(SFU)

Ядро

LD/ST

Хэштеги пользователей

Цены на дома

LD/ST

Специальные

Ядро

LD/ST

функции

Рисунок 5 – Примеры размеченных данных

Рисунок 6 – Архитектура CUDA NVidia

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Направления исследований

Область искусственного интеллекта является крайне неоднородной. В ней существуют раз-

личные направления исследований, которые выделяются либо по задаче (или предметной

области), требующей интеллектуального анализа, либо по используемому инструментарию,

либо по разрабатываемой модели мышления.

К направлениям, выделяемым на основе решаемой задачи, относятся:

￮ машинный перевод;

￮ автоматическое реферирование и информационный поиск;

￮ системы речевого общения;

￮ игровой интеллект, доказательство теорем и автоматизация научных исследований;

￮ компьютерное зрение;

￮ извлечение данных;

￮ сочинение текстов и музыки и др.

Перечисленные направления характеризуются тем, что значительная часть проводимых

в них исследований посвящена не процессам мышления, а предмету интеллектуального

анализа.

Направления искусственного интеллекта, выделяемые по развиваемому

в них инструментарию, включают:

￮ искусственные нейронные сети;

￮ эволюционные вычисления;

￮ распознавание образов;

￮ экспертные системы;

￮ эвристическое программирование;

￮ мультиагентный подход и т.д.

Отличие данных направлений в том, что в них развивается аппарат решения большого

класса задач. Эта группа направлений более неоднородна, чем первая. В ней существу-

ют направления (например, ИНС), которые претендуют на то, чтобы называться отдельным

подходом к искусственному интеллекту в целом.

К направлениям третьего типа можно отнести:

￮ поиск в пространстве решений;

￮ представление знаний;

￮ машинное обучение.

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Основные цели работ по развитию

искусственного интеллекта

Автоматизация человеческой деятельности, в особенности тех её видов, которые

традиционно считались интеллектуальными.

Создание компьютерных моделей, имитирующих процессы решения человеком тех или иных

интеллектуальных задач в целях объяснения сущности этих процессов.

Создание усилителя интеллекта (УИ). Методология УИ направления не сильно, но отличается

от методологии направления исследования искусственного интеллекта. Но что отличается

существеннее – это прогнозируемые социальные последствия.

Стоит отметить, что первым двум целям соответствуют и два различных подхода к искусственному

интеллекту, которые обычно называются техническим (или эвристическим) и бионическим.

В рамках технического подхода психофизиологическая достоверность моделей мыслительных про-

цессов приносится в жертву эффективности, с которой эти модели решают поставленные перед ними

задачи, и интеллектуальность компьютерных программ определяется по тому, насколько хорошие

результаты они получают по сравнению с человеком.

При бионическом подходе, напротив, необходимым считается сходство самих процессов решения

некоторой задачи компьютерной программой и человеком в ущерб качества конечного результата.

Зачастую эти два подхода противопоставляют друг другу. Сторонники бионического подхода утвер-

ждают, что бессмысленно пытаться создать искусственный интеллект, не познав естественного,

который является единственным примером интеллекта, то есть того объекта, который хотят повторить

исследователи искусственного интеллекта.

В действительности, эти два подхода просто преследуют две несколько разные цели и друг другу

не противоречат.

Существует ещё один подход к искусственному интеллекту, называемый эволюционным, в рамках

которого предлагается имитировать не мыслительные процессы уже сформировавшегося интел-

лекта взрослого человека, а сам процесс становления этого интеллекта в онто₁– и филогенезе₂,

возможно, начиная с весьма ранних этапов эволюции.

Специалисты по искусственному интелету ставят перед собой не глобальную цель создания мыс-

лящих машин, а более конкретные задачи поиска автоматического решения некоторых интеллекту-

ально трудных задач, либо моделирования отдельных аспектов мышления человека или животных.

1. Онтогенез (от др. греч. ὄντος, ontos «сущий» + γένεσις, genesis «зарождение») – индивидуальное развитие организма, совокупность последова-

тельных морфологических и биохимических преобразований, претерпеваемых организмом от оплодотворения до конца жизни. У многоклеточных

животных в составе онтогенеза принято различать фазы эмбрионального (под покровом яйцевых оболочек) и постэмбрионального (за пределами

яйца) развития, а у живородящих животных пренатальный (до рождения) и постнатальный (после рождения) онтогенез [53], [54].

2. Филогенез, или филогени́я (др. греч. φῦλον, phylon – племя, раса и др.греч. γενετικός, genetikos – имеющий отношение к рождению) – исто-

рическое развитие организмов и живой природы. В биологии филогенез рассматривает развитие биологического вида во времени. Биологическая

классификация основана на филогенезе, но методологически может отличаться от филогенетического представления организмов. Был предложен

немецким естествоиспытателем второй половины XIX века Эрнстом Геккелем [55], [56].

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Теоретические основы технологий искусственного интеллекта

Теоретические основы технологий

Для обоих компонентов существует определённая специализация. Первый подход применяется для разработки экс-

искусственного интеллекта базируются

пертных, рекомендательных (экспертно-советующих), информационно-управляющих систем и роботизированных ком-

плексов.

на двух основных компонентах [43]:

Второй – для решения задач распознавания образов (текста, изображений, речи, смыслов и т.д.). Наибольший практи-

«Интеллектуальный агент»

ческий эффект применения технологий искусственного интеллекта ожидается от синтеза этих двух компонентов при ре-

(эспертные системы).

шения конкретных задач.

Различия в принципах, заложенных в качестве теоретической основы рассматриваемых подходов, обусловили их до-

«Нейронные сети».

стоинства и недостатки.

Достоинства технологий

Недостатки технологий

Достоинства технологий

Недостатки технологий

«интеллектуального агента»

«нейронных сетей»

￮

Алгоритмизация рассматриваемых

￮

Трудоёмкость разметки большого

￮

Объяснимость результатов

￮

Отсутствие необходимости

процессов и явлений ведёт к неизбеж-

объёма данных для создания

применения инструментов

в формализации объектов

ным допущениям и упрощениям.

представительной обучающей

и «прозрачность» выработанных

и процессов предметной

решений.

￮

Критерии, используемые при принятии

выборки.

области в виде классических

решений, являются статичными и уз-

￮

Высокая чувствительность

функциональных зависимостей.

￮

Наличие классической обратной

коспециализированными.

к соответствию структуры

связи в системе управления.

￮

Результаты работы напрямую зависят

￮

Возможность автоматической

и потока информации данным

￮

Возможность накапливать

от компетентности и согласованности

обработки больших объёмов

обучающей выборки.

структурированные знания,

экспертов, формирующих правила

накопленных ранее данных.

￮

Абсолютная нечувствительность

то есть исключительно полезную

выработки решений.

к возникновению новых,

￮

Способность накапливать

информацию для достижения

￮

Отсутствие даже малой части входных

не проявляющихся ранее условий

опыт решения конкретной

определённой цели.

данных, используемой в модели дела-

и обстоятельств, затрудняющая

практической задачи.

ют его неработоспособным.

прогнозирование.

￮

Возможность «менять правила

во время игры», то есть изменять

￮

Решения основаны на очевидных зако-

￮

Способность выявлять

￮

Непрозрачность

целеполагание, добавлять, удалять

номерностях и не учитывают неявные

и устанавливать неявные

и необъяснимость выработанных

и редактировать правила, входящие

связи и взаимозависимости.

(корреляционные) связи

решений.

в базу знаний.

￮

Несовершенство методов формализа-

исследуемых процессов

￮

Невозможность использования

ции и представления данных, описы-

и явлений.

«обученной» нейронной сети

￮

Результаты работы моделей

вающих взаимодействие различных

для решения других аналогичных

предсказуемы и доступны

объектов.

задач.

для оптимизации, в том числе

и многокритериальной.

￮

Оценки принятых решений носят ве-

￮

Отсутствие единой топологии

роятностный характер.

нейронных сетей для решения

универсальных задач.

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Несмотря на наличие множества подходов как к по-

Нисходящий (англ. Top-Down AI),

Восходящий (англ. Bottom-Up AI),

ниманию задач искусственного интеллекта, так и соз-

семиотический – создание экспертных систем, баз

биологический – изучение нейронных сетей

данию интеллектуальных информационных систем,

знаний и систем логического вывода, имитирующих

и эволюционных вычислений, моделирующих

можно выделить два основных подхода к разработке

высокоуровневые психические процессы: мышление,

интеллектуальное поведение на основе биологических

искусственного интеллекта:

рассуждение, речь, эмоции, творчество и т. д.;

элементов, а также создание соответствующих

вычислительных систем, таких как нейрокомпьютер

или биокомпьютер.

Экспертная система (интеллектуальные системы)

Экспертная система (ЭС) – это программный комплекс, который оперирует знаниями в определённой предметной области в целях решения проблем или выработки реко-

мендаций. Экспертные системы имеют многочисленные применения: диагностика неисправностей в технических и биологических системах, планирование, проектирование,

анализ сложных объектов, а также анализ наблюдательных данных. При этом от ЭС требуется не только получить какое-то решение, но и объяснить его пользователю.

Таким образом, ЭС включает следующие

Для функционирования экспертной

Для создания ЭС требуется использование основных

основные функции:

системе требуется наличие следующих

результатов, которые были достигнуты в рамках двух

компонентов:

главных парадигм в ИИ: поиске в пространстве реше-

￮ приобретение знаний (то есть передача

полезного опыта решения проблемы от экспертов

ний и представлении знаний. К этому также добавляют-

￮ базы знаний;

или некоторого другого источника знаний

ся результаты, полученные в области систем общения

и преобразование его в вид, позволяющий

на естественном языке. Такая концентрация основных

￮ машины логического вывода (или подсистемы

использовать эти знания в программе);

вопросов ИИ в одном месте на некоторое время сдела-

манипуляции знаниями);

￮ представление знаний;

ла проблему экспертных систем одной из центральных

￮ блока общения.

в области искусственного интеллекта [43].

￮ управление процессом поиска решений;

￮ разъяснение принятого решения.

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Машинное обучение

Развитие экспертных систем показало, что одной

из наиболее трудоёмких задач является приобрете-

Входное

Выходное

ние знаний или заполнение базы знаний для описа-

ния конкретной предметной области. В связи с этим,

представление

на первый план выходит задача автоматического при-

Система

обретения знаний или задача машинного обучения

машинного

[43].

обучения

Методы машинного обучения различаются в зависи-

мости от того, имеет ли обучающая информация ко-

Обучающая

Результат

личественный, логический или символьный характер.

информация

обучения

От этого зависит как привлекаемое выходное пред-

ставление, так и алгоритм обучения, в основе которого

лежит поиск. В зависимости от входного представле-

ния поиск может реализовываться либо в непрерыв-

ном пространстве, либо в виде методов эвристическо-

го программирования.

Рисунок 7 – Машинное обучение как преобразование информации

Методы машинного обучения

подразделяют на:

￮ обучение с учителем;

обучения поведение системы меняется в процессе

В зависимости от имеющейся информации

￮ обучение с подкреплением;

функционирования, что уменьшает её предсказуемость

и характера обучающей выборки можно

￮ обучение без учителя, также называемое

и осложняет адаптацию человека к этой системе, если

выделить следующие задачи:

самообучением.

она используется в качестве инструмента.

￮ задача классификации (распознавания

Машинное обучение делится на инкрементное и не-

Распознавание в машинном обучении – это отнесение

без обучения);

инкрементное. В неинкрементном обучении вся обу-

некоторого неизвестного объекта по его описанию

￮ задача группирования.

чающая информация предоставляется системе одно-

к одному из классов.

временно. В инкрементном же обучении обучающие

В задачах распознавания образов

В распознавании образов можно выделить

примеры предоставляются системе последовательно,

применяются следующие методы:

следующие методы:

и система должна корректировать результаты обуче-

￮ метод эталонных образов;

ния, выполненного по предыдущим примерам, на ос-

￮ логические (работающие с логическими

￮ метод ближайшего соседа;

нове новой информации.

представлениями);

Неинкрементное обучение чаще используется в при-

￮ синтаксические (работающие с символьными

￮ метод решающих функций;

кладных задачах, поскольку соответствует одноразо-

представлениями);

￮ метод линейных решающих функций;

вой настройке системы. В случае инкрементного

￮ дискриминантные (работающие с непрерывными

￮ метод опорных векторов;

представлениями).

￮ обобщённые решающие функции и ядра.

НАИБОЛЕЕ

ПОПУЛЯРНЫЕ

РЕАЛИЗАЦИИ

ТЕХНОЛОГИИ

МАШИННОГО

ОБУЧЕНИЯ

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Компьютерное зрение

Технологии компьютерного зрения означают обработку визуальной информации

для извлечения полезных знаний. Эта технология уже находит широкое приме-

нение в робототехнике. В данное направление технологий машинного обучения

входит множество задач [17]:

￮ детектирование объектов;

￮ трекинг объектов;

￮ распознавание образов;

￮ сегментация;

￮ оценка глубины расстояния.

ДЕТЕКТИРОВАНИЕ ОБЪЕКТОВ

Детектирование объектов на изображениях и в видео – базовая задача техно-

логии компьютерного зрения. Она состоит в поиске и определении координат

Рисунок 8 – Пример технологии компьютерного зрения

и размеров прямоугольников, которые наиболее плотно описывают местополо-

жение интересующего объекта или объектов.

Долгое время задача решалась без использования искусственных нейронных

сетей. Например, обнаружение лиц на изображениях с достаточной точностью

и скоростью было реализовано в 2001 г. Однако подобные методы могли находить

объекты лишь в одном ракурсе. Именно применение многослойных свёрточных

сетей позволило решать задачу для изображений больших размеров быстро и ка-

чественно.

В рамках этой задачи также решается распознавание отдельных характеристик об-

наруженных объектов, например, после обнаружения лица на изображении ре-

шается задача его распознавания и соотнесения с конкретным человеком. Таким

образом, может быть осуществлена биометрическая идентификация.

ТРЕКИНГ ОБЪЕКТОВ

Естественным развитием детектирования объектов является их трекинг на ви-

део, т.е. отслеживание перемещений одного и того же обнаруженного объек-

та в видеопотоке. Данная задача решена в обобщённом виде при помощи

рекуррентных нейросетей

– создан инструмент, который предсказывает

будущее состояние визуальной сцены с учётом тех объектов, которые оказались

Рисунок 9 – Пример технологии трекинга объектов

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

невидимы или загорожены. При этом используются

не только данные с камер, но и, например, лазерных

дальномеров.

Трекинг объектов применяется для лучшего понимания

визуальной сцены, предсказания поведения объектов

и принятия решений системой, оснащённой искус-

ственным интеллектом. Типичное применение, напри-

мер, реализация беспилотных автомобилей.

СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ

Ещё одна близкая по смыслу задача к детектирова-

нию объектов состоит в определении, какие пиксели

на изображении соответствуют обнаруженному объек-

ту – строится разбиение изображения на области, при-

надлежащие различным объектам.

Благодаря использованию свёрточных сетей, а также

Рисунок 10 –

принципов переноса обучения³ сегментация изобра-

Пример технологии оценки глубины

жения с высоким качеством может быть реализована

в реальном времени.

ОЦЕНКА ГЛУБИНЫ И РАССТОЯНИЯ

Задача состоит в определении расстояния до объек-

тов, используя фотографии или видеопоток, разбива-

ясь на определение расстояния до объектов на изо-

бражениях по одной и многим фотографиям. В общем

случае данная задача обобщается восстановлением

3-мерной геометрии объекта по серии 2-мерных сним-

ков. Для решения с высоким качеством используются

3-мерные свёрточные LSTM-сети – комбинация свёр-

точных и рекуррентных сетей. Задача оценки глубины

актуальна как для реализация беспилотных автомоби-

лей, так и для решения задачи захвата предметов.

Рисунок 11 – Пример технологии сегментации изображений

3. Перенос обучения – техника при осуществлении машинного обучения, при которой знания, полученные при решении одной задачи (например, распознавание легковых автомобилей), применяются для решения другой

задачи (например, распознание грузовиков).

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Биометрическая идентификация

Биометрическая аутентификация

– процесс доказа-

Существует целый ряд технологий

тельства и проверки подлинности через предъявление

биометрической идентификации [57]:

пользователем своего биометрического образа и пу-

тём преобразования этого образа в соответствии с за-

￮

система распознавания лиц;

ранее определенным протоколом аутентификации.

￮

идентификация по радужной оболочке глаза;

Биометрические системы аутентификации – системы

аутентификации, использующие для удостоверения

￮

анализ химического состава потоотделения;

личности людей их биометрические данные.

￮

анализ химического состава запаха тела;

Биометрические системы состоят из двух

частей:

￮

анализ микровибраций пальцев и микродвижений

￮ аппаратных средств;

руки;

￮ специализированного программного

￮

анализ скорости сердцебиения и формы

обеспечения.

и размера сердца;

￮

отпечатки пальцев;

Аппаратные средства включают в себя биометрические

сканеры и терминалы. Они фиксируют тот или иной

￮

голосовая биометрия;

биометрический параметр – отпечаток пальца, радуж-

ную оболочку глаз, рисунок вен на ладони или пальце

￮

распознавание людей по походке;

– и преобразуют полученную информацию в цифро-

вую модель, доступную компьютеру. А программные

￮

анализ действий пользователя – длина шага,

средства эти данные обрабатывают, соотносят с базой

усилия, прикладываемые для удержания

данных и выносят решение, кто предстал перед скане-

равновесия, и скорость передвижения;

ром.

￮

стилометрия Клавиатурный почерк –

Для того, чтобы биометрическая система смогла в даль-

распознавание индивидуального почерк автора

нейшем идентифицировать пользователя, в ней не-

при наборе текста на смартфоне или планшете;

обходимо сначала зарегистрировать сведения о его

Рисунок 12 – Биометрическая идентификация

идентификаторах. Коммерческие системы в отличие

￮

анализ осанки;

от систем, применяемых силовыми и правоохрани-

тельными органами, хранят не изображения реаль-

￮

идентификации личности по губам;

ных идентификаторов, а их цифровые модели. Когда

￮

анализ рисунка вен на ладони;

пользователь повторно обращается к системе, вновь

формируется модель его идентификатора, и она

￮

тест ДНК;

сравнивается с моделями, уже занесенными ранее

в базу данных [56].

￮

идентификации личности по ушной раковине.

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Обработка естественного языка, поиск

Точка приложения

свертки

и извлечение информации из текстов

(4 x 0)

(0 x 0)

При применении алгоритмов машинного обучения

(0 x 0)

сети – выбрать наиболее подходящие в данный момент

(0 x 0)

к языковым данным долго сохранялась проблема – не-

диалога.

(0 x 1)

возможность уловить значение нового слова, если оно

(0 x 1)

явно не было обозначено и предъявлено в процессе

(0 x 0)

ОБУЧЕНИЕ С ПЕРЕНОСОМ ЗНАНИЙ

Ядро свертки

обучения модели.

(0 x 1)

Одним из наиболее важных алгоритмов, качественно

+ (-4 x 2)

Результат свертки

Обучение с переносом знаний (от англ. transfer learning)

улучшивших понимание семантики слов, был алгоритм

-8

позволяет решать задачу анализа текста. Это приём, со-

word2vec, предложенный Томашем Миколовым в 2013

стоящий в том, что модель обучается решать некоторую

году.

задачу A, а затем внутреннее представление данных,

Задача заключается в том, чтобы научиться выражать

выученное моделью, используется для решения других

понятие смысла слова математически, т.е. сопоставить

задач B, C …. Этот приём особенно важен, когда есть

Рисунок 13 – Пример операции свёртки

каждому слову вектор в многомерном пространстве (в

много данных для решения задачи A, а для решения

первых работах Миколова рассматривалось 50-мер-

задачи B данных недостаточно.

ное или 100-мерное пространство), так, чтобы близ-

СВЁРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ

ким по смыслу словам соответствовали геометрически

близкие вектора, а далёким словам – далёкие.

РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ

Свёрточные нейронные сети являются на данный мо-

Опираясь на дистрибутивную гипотезу, – смысл слова

мент самой успешной моделью применения глубинно-

Однако для понимания смысла предложения часто бы-

определяется контекстом, в котором оно часто встреча-

го или глубокого обучения.

вает недостаточно понимания смысла отдельных слов.

ется – исследователи построили модель, которая долж-

Свёрточные нейронные сети работают на основе

Следующим важным этапом в развитии алгоритмов

на предсказывать слово по его соседям; или наоборот,

фильтров, которые занимаются распознаванием опре-

работы с текстами стало создание рекуррентных ней-

предсказывать соседей, когда дано слово.

делённых характеристик изображения. Фильтр – это

ронных сетей, подходящих для построения языковых

Современные языковые модели научились гене-

моделей.

коллекция кернелов1; иногда в фильтре используется

рировать тексты, по стилю почти не отличимые

один кернел. Фильтр перемещается вдоль изображе-

Рекуррентная нейронная сеть работает следую-

от человеческих. Однако современные алгоритмы пока

ния и определяет, присутствует ли некоторая искомая

щим образом. Она

«читает» предложение слева

не позволяют достаточно хорошо контролировать

характеристика в конкретной его части. Для получения

направо. На каждом шаге она выдает вектор, так

смысл сгенерированного текста.

ответа такого рода совершается операция свёртки, ко-

называемое

«скрытое представление», в котором

торая является суммой произведений элементов филь-

Именно поэтому в реальных приложениях генератив-

должна быть закодирована вся важная информация

тра и матрицы входных сигналов.

ные модели (то есть нейронные сети, генерирующие

об уже пройденном отрезке текста. На основе скрытого

тексты и ответы пользователям) используются доволь-

представления делается предсказание следующего

Если некоторая искомая характеристика присутствует

но слабо. Более распространены так называемые ран-

слова. На следующем шаге модель принимает на вход

во фрагменте изображения, операция свёртки на выхо-

жирующие модели: инженер заготавливает коллекцию

текущее слово и предыдущее скрытое представление,

де будет выдавать число с относительно большим зна-

из десятков, а иногда и сотен тысяч предложений

затем вычисляет на основе них следующее скрытое

чением. Если же характеристика отсутствует, выходное

и реплик на все случаи жизни; задача нейронной

представление, предсказывает слово, и т.д [16].

число будет маленьким [58].

4. Кернел – это обычная матрица чисел, называемых весами, которые «обучаются» с целью поиска на изображениях определенных характеристик.

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Распознавание речи

Примерами наиболее успешного применения технологии распознавания речи

Лев Толстой

могут служить программные продукты, использующиеся в call-центрах. Одним

Сервер

из ключевых компонентов таких систем является модуль распознавания речи.

Технология распознавания речи широко применяется в сфере образования,

Лев Толстой

в различных программных продуктах, направленных на изучение иностранных

языков.

Различают три вида ошибок распознавания речи, которые влияют

на её качество:

￮ замена – вместо какого-то слова распозналось другое;

￮ вставка – в результате распознавания присутствует лишнее слово;

Акустическая

￮ удаление – когда слово не распозналось вовсе.

модель

Все три вида ошибок объединяются в метрике, которая называется уровнем по-

словной ошибки (Word Error Rate). Она представляет собой процентное отношение

т о

суммы замен, вставок и удалений к общему числу произнесённых слов.

Наиболее продвинутая нейросетевая архитектура Transformer за счёт применения

механизма внимания (attention) позволят эффективно учитывать широкий контекст,

выводя качество языкового моделирования на принципиально новый уровень.

Интересной особенностью нейросетевых акустических моделей является наличие

Рисунок 14 – Технология распознавания речи

двух ветвей в архитектуре. Первая ветвь обрабатывает информацию, поступающую

с одного микрофона, вторая использует все имеющиеся микрофоны одновременно,

учитывая многоканальную информацию.

Так как в задаче распознавания речи с удалённого микрофона, уровень посторон-

него шума в аудио, как правило высокий, авторы используют комплексный подход

к шумоочистке:

￮ снижение реверберации исходного аудио, при помощи взвешенной ошибки

Современный уровень развития автоматического распознавания речи делает

предсказания (Weighted Prediction Error – WPE);

возможным использование таких технологий в широком спектре программ-

￮ разделение звука различных источников в местах их наложения, при помощи

ных продуктов, которые применяются в разнообразных областях человеческой

Guided Source Separation (GSS);

жизни [16].

￮ повышение уровня целевого речевого сигнала, за счёт формирования

диаграммы направленности (beamforming – BF). В качестве beamforming

подхода в работе используется минимизация выходного шума (Minimum

Variance Distortionless Response – MVDR).

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Образцы

Синтез речи

Мел*-спектрограмма

звуковой волны

Подобные системы включают три базовых компонента:

Пять одномерных

Глубокая нейронная

свёрточных слоев с 512

сеть для генерации

￮ модуль распознавания речи;

фильтрами в каждом

необработанных

(Post-Net)

звуковых сигналов

￮ диалоговая система;

￮ модуль синтеза речи;

Синтез речи требует более скрупулёзной разработки моделей ИИ, т.к. любой изъ-

Линейная

проекция

ян непременно будет услышан, вызывая некоторое подсознательное отторжение

Два слоя

полносвязных слоёв

сети с долгой

у пользователей, называемое эффектом «зловещей долины».

по 256 нейронов

краткосрочной

каждый (Pre-Net)

памятью

Остановить процесс

Линейная

токенизации**

Синтезированная речь должна удовлетворять следующим

проекция

требованиям:

￮ узнаваемость – соответствие индивидуальным характеристикам голоса диктора;

Местоположение

Чувствительность

￮ естественность;

Внимание

￮ разборчивость;

￮ выразительность – разнообразие интонаций, правильная расстановка пауз

Двунаправленная

Три одномерных

Встраивание

нейронная сеть

и фразовых ударений;

Входной текст

свёрточных слоя

символов

с долгой краткосрочной

нейронной сети

памятью

￮ эмоциональность.

* Мел – (от др.-греч. μελος — звук) — психофизическая единица высоты звука, применяется главным образом

Система text-to-speech (TTS) включает три ключевых компонента:

в музыкальной акустике.

￮ транскриптор – grapheme-to-phoneme (G2P), который разбивает входной текст

** Токенизация – в области информационной безопасности процесс замены конфиденциального элемента данных

на неконфиденциальный эквивалент, называемый токеном, который не имеет самостоятельного смысла/значения

на предложения и раскрывает сокращения, аббревиатуры и числа и строит

для внешнего или внутреннего использования.

фонемную транскрипцию, используя базу правил и словарь словесных

ударений;

Рисунок 15 – Архитектура нейросетевой модели синтеза речи

￮ алгоритм преобразования параметрического представления речевого сигнала,

последовательности фонем, в последовательность параметров речевого

ИИ открыл множество новых возможностей

сигнала;

в области синтеза речи:

￮ вокодер, генерирующий звуковую волну по набору параметров.

￮ управление просодическими характеристиками;

￮ изменение стиля речи;

Все эти три компонента могут быть реализованы в виде нейронных сетей и обучены

￮ генерация нескольких голосов из одной модели;

с помощью методов глубокого обучения.

￮ генерация ранее неизвестных голосов;

Используемые при этом технологии рекуррентных слоёв и свёрточных слоёв

￮ передача интонации высказывания по образцу;

превосходят по естественности и плавности синтезируемой речи технологию

￮ адаптация к голосу диктора от нескольких минут речи;

конкатенативного синтеза, в которой речь собирается из маленьких звуковых фраг-

ментов, выбираемых из большой заранее записанной голосовой базы оптимальным

￮ автоматический перевод речи с одного языка на другой минуя этап

образом [16].

распознавания.

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Машинное зрение

Машинное зрение – это применение компьютерного зрения для промышленности

и производства. Системы машинного зрения запрограммированы для выполнения

узкоспециализированных задач, таких как подсчет объектов на конвейере, чтение се-

ПО для анализа изображений

рийных номеров или поиск поверхностных дефектов.

Технологии машинного зрения помогают оборудованию увидеть процесс производ-

ства чего-либо, проанализировать данные и принять информированное решение.

Решаемые задачи:

￮ распознавание;

￮ идентификация и обнаружение;

Робот-сортировщик

Камера

￮ восстановление 3D формы по 2D изображениям;

￮ оценка движения;

￮ восстановление сцены;

￮ восстановление изображений;

￮ сегментация изображений;

￮ анализ оптического потока.

Конвейер

Системы машинного зрения оснащаются:

с продукцией

￮ обычными цифровыми или иногда даже аналоговыми камерами, которые

реагируют на специальные датчики в случае, если что-то пошло не так,

получают сырое изображение, обрабатывают его, распознают элементы и их

закономерности, принимают решение и отдают сигнал другим системам;

￮ умными камерами. В этом случае камеры самостоятельно проводят часть

Направление движения

анализа и разгружают процессоры системы.

Сейчас машины уже узнают до 98% объектов, т.е. не только фиксируют наличие,

Рисунок 16 – Технология машинного зрения

но и определяют, что именно они видят. Системы машинного зрения фиксируют аб-

солютно все объекты и действия, которые через картинку поступают в их процессоры

[59], [61].

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Машинный перевод

В зависимости от языковой пары и предметной области, а в реальности от того,

насколько ваши данные похожи на данные, использованные при обучении моде-

ƽǦǗǓ ǛǗǘǟ ǟǮ Ǥ ǂǲǥǓǪǝǡǟ%

лей машинного перевода, качество результатов различных систем может сильно

ƴǡǞǯǫǡǜ ǔǡǞǯǫǡǜ Ǥǘǝǣǘǥ

меняться.

ƻ Ǡǘ ǣǓǤǤǝǓǙǘǟ ǟǮ ǡ Ǡǘǟ

Новым подходом к машинному переводу является массовое внедрение доменно-

ǁ Ǡǘǥ Ǜ

адаптивного машинного перевода, который позволяет дополнительно обучать уни-

версальные или специализированные модели на своих собственных данных и повы-

сить качество машинного перевода в задачах конкретного бизнес-заказчика.

Языковая модель

Эта технология отличается от полностью кастомизированного машинного перевода,

когда на заказ с нуля обучается модель машинного перевода для конкретной задачи.

Главные отличия заключаются в том, что доменно-адаптивный перевод требует су-

щественно меньше данных для дополнительного обучения – можно начинать с де-

Рисунок 17 – Предиктивная модель машинного перевода

сятков тысяч параллельных сегментов текста, а не с миллионов, а также существенно

более дёшев и быстр [16].

Генерация текстов

Одной из методик машинного обучения являются предиктивные модели,

в них способность к длительной памяти, как это было сделано в LSTM (Long Short-

предсказывающие значения своих будущих входов. Такая модель обучения языку

Term Memory). Они предсказывают язык гораздо лучше, чем n-граммы. Модели языка

должна уметь предсказывать, как можно продолжить текущий отрывок текста, а в ко-

из нескольких слоев LSTM действительно показывают эффект длинной памяти и с не-

нечном итоге – уметь генерировать связный и осмысленный текст.

давнего времени стали основной рабочей технологией во многих практических NLP

Качество моделей языка можно измерять, например, через вероятность угадыва-

приложениях. Например, Google Translate использует с 2017 г. 8-слойные LSTM в каче-

ния следующего слова по предыдущему контексту. Обычно используют связанную

стве кодера и декодера смысла предложений.

с ней величину Perplexity Per Word, равную числу попыток, требующихся модели

В 2017 г. в Google Brain появилась альтернативная не рекуррентная архитектура,

для угадывания следующего слова.

Transformer, позволяющая эффективно учитывать очень далёкие корреляции за счёт

оригинальной схемы кодирования положения слов с использованием преобразова-

Долгое время в ходу были простейшие модели языка – n-граммы, представляющие

ния Фурье. Эта обычная архитектура seq2seq, использующаяся в машинном переводе.

собой марковские модели. В реальном языке корреляции между словами спадают

с расстоянием степенным образом, гораздо медленнее, чем в марковских моделях,

Но главная проблема на сегодняшний день состоит в том, что модель генерирует речь

где эти корреляции экспоненциально затухают с расстоянием между словами. Т.е.

слово за словом. Т.е., хотя она и генерирует связный текст, глядя далеко назад, она

в естественных языках не существует характерной длины – в предсказание дают

не держит мысль, глядя далеко вперёд. У неё нет плана диалога и намерения донести

вклад все временные масштабы – слова, фразы, предложения, абзацы и т.д. При-

до собеседника какую-то идею, как-то подвести его к ней. Она просто развивает

мером таких систем могут быть многослойные рекуррентные модели, если встроить

определённую тему, не зная, куда её занесет ход мыслей [16].

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Диалоговые системы (чат-боты)

Диалоговые системы стали стандартом взаимодействия

￮ с одной стороны, многие компании хотят

На данный момент, не существует единых

человека с машиной. Они нашли применение прак-

автоматизировать однотипные диалоги

показателей оценки качества чат-ботов, но

тически во всех отраслях, упрощая взаимодействие

с пользователями (например, покупки

есть самые популярные:

между людьми и компьютерами. Они легко интегри-

через интернет или техподдержку);

руются в веб-сайты, платформы обмена сообщениями

Показатели пользователей

￮ с другой стороны, многих привлекает задача

и устройства.

создать систему, которая будет человеку

1.1. Общее количество пользователей.

«электронным другом».

По назначению можно выделить три

основных типа диалоговых систем:

Современные интеллектуальные

1.2. Активные пользователи.

￮ общего назначения (чат-боты);

диалоговые системы имеют сложную

1.3. Вовлечённые пользователи.

￮ задачеориентированные, целеориентированные

архитектуру, и она может варьироваться в

системы;

зависимости от задач, но можно выделить

1.4. Новые пользователи.

три основных части:

￮ способные вести диалог на любую тему,

Метрики сообщений

«болталки».

￮

модуль понимания естественного языка (NLU);

Архитектура чат-ботов состоит из набора правил

￮

диалоговыи менеджер (DM);

1.5. Сообщения о начале разговора.

и заранее подготовленных ответов. Диалоговые системы

￮

модуль генерации естественного языка (NLG).

сегодня развиваются только в двух направлениях:

1.6. Сообщения бота.

1.7. Общие сообщения.

1.8. Потерянные сообщения.

1.9. Новые разговоры.

Модуль понимания

естественного языка

Метрики бота

(NLU)

1.10. Уровень удержания.

Диалоговый

менеджер

1.11. Скорость завершения цели.

(Dialogue manager)

1.12. Время завершения цели/сообщения.

Модуль генерации

1.13. Количество неудач.

естественного языка

(NLG)

1.14. Удовлетворенность пользователей [16].

Рисунок 18 – Архитектура чат-бота

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Анализ тональности

Целью анализа тональности является определение

отношения говорящего, пишущего или другого субъ-

екта к какой-либо теме, либо общей контекстуальной

полярности или эмоциональной реакции на документ,

действие или событие.

Полярность тональности

Полярность является основной метрикой анализа

тональности.

Кастомизированные модели

IBM Watson, Meaning Cloud и Salesforce Einstein

позволяют создавать кастомизированные модели

для учёта специфического сленга или языка,

используемого в некоторой конкретной области.

Аспектная оценка тональности

Модели, основанные на аспектной оценке

тональности, всегда зависят от предметной

области.

Оценка тональности, основанная

на извлечении сущностей

Извлечение сущностей позволяет

проанализировать тональность по отношению

к каждой сущности, упомянутой в предложении.

Языковая поддержка

Большая часть сервисов поддерживает

английский язык (13 провайдеров из 15, два

оставшихся – LexSent и Boson NLP работают

только на китайском языке).

Следующий по частоте встречаемости язык –

испанский (8 вендоров), затем – немецкий

и французский (по 6 вендоров) [16].

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Уровень готовности технологий искусственного

интеллекта в России

Таблица 1 – Оценка уровня готовности технологий искусственного интеллекта в России [26]

Уровень

Сопоставление с мировым

Наименование технология ИИ

Определение технологии

готовности⁵

уровнем

Класс решений, которые находят, отслеживают и классифицируют объекты,

Соответствует мировому

Компьютерное зрение

а также синтезируют видео/изображения.

уровню

Класс решений, направленных на понимание языка и генерацию текста, несущего

Соответствует мировому

Обработка естественного языка

смысл, а также общение на естественном языке при взаимодействии компьютера

уровню

и человека.

Класс решений, позволяющих осуществлять перевод речевого запроса

Соответствует мировому

Распознавание и синтез речи

в текстовый вид, в том числе анализ тембра и тональности голоса, распознавание

уровню

эмоций, а также синтезировать речь.

Рекомендательные системы

Класс решений, обеспечивающий выполнение процесса без участия человека,

Соответствует мировому

и интеллектуальные системы

поддержку в выборе решений, а также предсказание объектов, которые будут

уровню

поддержки принятия решений

интересны пользователю.

Перспективные методы

Методы и технологии, развитие которых влияет на все текущие технологии,

Соответствует мировому

и технологии в ИИ

а также на создание новых технологий в области ИИ.

уровню

Класс решений, позволяющих восстанавливать двигательные, чувствительные

Соответствует мировому

Нейропротезирование

и познавательные функции, возможности человека.

уровню

Нейроинтерфейсы,

Класс решений, позволяющих отслеживать и влиять на нервную систему

Соответствует мировому

нейростимуляция и нейросенсинг

человека, посредством инвазивных и неинвазивных методов.

уровню

5. Уровень готовности технологии (УГТ) дан согласно ГОСТ Р 57194.1-2016. Он обозначает степень готовности научно-технической продукции или технологии к промышленному производству и эксплуатации целевых технических систем. Определяется по шкале

УГТ, которая имеет девять качественных градаций от УГТ1 до УГТ9. Уровень УГТ1 говорит о том, что выявлены и опубликованы фундаментальные принципы, сформулирована идея решения той или иной физической или технической проблемы, произведено её

теоретическое и/или экспериментальное обоснование. УГТ 9 говорит о том, что продемонстрирована работа реальной системы в условиях реальной эксплуатации, технология подготовлена к серийному производству

6. Согласно протоколу заседания Наблюдательного совета АНО «Цифровая экономика» от 24 мая 2019 г. № 13 было рекомендовано исключить Нейортехнологии (Нейропротезирование, Нейроинтерфейсы, нейростимуляция и нейросенсинг) из перечня

приоритетных субтехнологий и продолжить их развитие в рамках Национальной Технологической Инициативы

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Ключевые технические характеристики

технологий искусственного интеллекта

Таблица 2 – Ключевые технические характеристики технологий искусственного интеллекта [26]

Наименование

Ключевые технические характеристики

технологии ИИ

Объём данных для обучения.

Скорость обработки и передачи информации.

Требования к качеству аудио данных.

Требования к качеству фото и видео данных.

Скорость обработки данных.

Пословная ошибка.

Объём данных для обучения.

Распознавание

Точность анализа (вероятность ошибки,

Точность анализа (вероятность ошибки, по сравнению

и синтез речи

по сравнению с человеком и др. устройствами).

Компьютерное

с человеком и др. устройствами).

Акустические возможности (определение частоты,

зрение

тембра, силы, исключение шумов).

Оптические возможности (определение цветов,

Требования к аппаратному обеспечению

расстояний и размеров, поиск по шаблонам и др.).

(качество и количество устройств ввода, требования

к памяти, CPU).

Требования к аппаратному обеспечению (увеличение

разрешения видеосенсоров, динамический диапазон

Скорость обработки и передачи информации.

и объёем вычислительной мощности для обработки).

Необходимое качество данных для обучения.

Объём данных для обучения.

Рекомендательные

Скорость обработки и передачи информации.

системы

Точность (качество вывода).

и интеллектуальные

Интерпретируемость ответа (объяснимость).

Необходимый объём текстовых библиотек

системы поддержки

Способность адаптироваться к изменениям входных

для обучения системы.

принятия решений

данных (самообучаемость).

Точность анализа (вероятность ошибки,

Требования к аппаратному обеспечению.

Обработка

по сравнению с человеком и др устройствами).

Потенциал масштабирования.

естественного языка

Требования к аппаратному обеспечению

Энергопотребление.

(качество и количество устройств ввода, требования

Решение задач экспоненциальной сложности.

к памяти, CPU).

Перспективные

Количество задач, решаемых с помощью ИИ.

методы

Пословная ошибка.

и технологии в ИИ

Количество успешных решений с применением

перспективного метода.

Требования к аппаратному обеспечению.

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Взаимосвязь технологий искусственного интеллекта

с другими сквозными цифровыми технологиями

Таблица 3 – Взаимосвязь технологий искусственного интеллекта с другими сквозными цифровыми технологиями [26]

Наименование

сквозной цифровой

Характер взаимосвязи ИИ с данной технологией

сквозной цифровой

Характер взаимосвязи ИИ с данной технологией

технологии

Принятие решений за робота.

Примеры совместных решений:

Интерпретация данных.

￮ Использование технологии «Рекомендательные

Примеры совместных решений:

системы и системы поддержки принятия

решений» для принятия решений на основе

￮ использование технологии «Рекомендательные

Промышленный

данных с различных устройств;

системы и системы поддержки принятия

интернет

￮ Использование технологии «Компьютерное

решений» для принятия решений роботом;

Компоненты

зрение» для обеспечения контроля

￮ использование технологии «Компьютерное

робототехники

работоспособности устройств промышленного

зрение» для обеспечения робота необходимой

и сенсорика

интернета.

информацией об окружающем пространстве;

Оптимизация процессов создания опытных

￮ использование технологии «Распознавание

Новые

образцов.

и синтез речи» для обеспечения коммуникации

производственные

робота с людьми.

Системы оптимизации и управления производством

технологии

на основе ИИ.

Обучение и работа на больших данных.

Использование механизмов предиктивной

Расчёт дополненной реальности.

аналитики.

Примеры совместных решений:

Большие данные

Обработка и утилизация данных с использованием

￮ Использование технологии «Компьютерное

ИИ и машинного обучения.

Технологии

зрение» для обеспечения систем виртуальной/

Повышение качества и консистентности данных

виртуальной

дополненной реальности информацией

при помощи data mining.

и дополненной

о совершаемых действиях;

реальностей

Технологии

В перспективе – снижение затрат на обмен

￮ Использование технологии «Распознавание

беспроводной связи

данными.

и синтез речи» для обеспечения более полного

погружения человека в систему.

Системы

Низкий уровень связи, так как блокчейн

распределённого

децентрализованная система хранения

реестра

и обработки данных, а ИИ – централизованная.

Повышение функционала датчиков.

Промышленный

Повышение точности расчётов на основе

В перспективе – возможность использования

Квантовые

интернет

полученной информации.

квантовых технологий для хранения данных

технологии

и выполнения вычислений.

НАИБОЛЕЕ ПОПУЛЯРНЫЕ РЕАЛИЗАЦИИ ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ

Наиболее перспективные направления реализации технологий

искусственного интеллекта в промышленности

По мнению экспертов, наиболее перспективными направлениями использования технологий искусственного интеллекта

в промышленности в ближайшей перспективе являются:

￮

создание интеллектуальных экспертных систем

￮

разработка детерминированных методов

поддержки принятия решений по управлению

обучения нейронных сетей для разметки данных

производством, основанных на анализе

экспертами;

больших данных (Big Data) и использовании

￮

создание формализованных баз знаний

специализированных баз знаний;

предметной области;

￮

оптимизация технологических процессов

предприятий на основе создания цифровых

￮

разработка детерминированных событийных

двойников объектов промышленного

моделей цифровых двойников объектов

производства;

реального мира;

￮

снижение влияния «человеческого фактора»

￮

создание информационно-управляющих систем

при обеспечении безопасности сложных

и роботизированных комплексов, самостоятельно

эргатических систем;

формирующих технологические цепочки

производства;

￮

разработка методов формализации и обработки

￮

организация сервисного обслуживания

неструктурированной разнородной информации;

промышленного предприятия на основе

￮

создание автоматизированных систем

прогнозирования отказов промышленного

классификации и расследования неблагоприятных

оборудования, его отдельных узлов и агрегатов;

событий.

￮

разработка методологии создания

информационно-управляющих систем

с элементами искусственного интеллекта на базе

системного объединения экспертных систем

поддержки принятия решений и рекурсивных

нейронных сетей;

￮

разработка методологии управления состоянием

сложных эргатических систем в режиме реального

времени;

￮

разработка методов конструирования архитектур

рекурсивных нейронных сетей;

ВЕДЕНИЕ

ПЕРСПЕКТИВНЫЕ

НАПРАВЛЕНИЯ

РАЗВИТИЯ

ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ ИИ

Тенденции развития технологий

Научные исследования:

Глобальные тенденции:

￮

совершенствование и придание нюансов уже существующим решениям

￮ освобождение человека от рутинных действий, замена или снижение

на рынке системы машинного обучения и ИИ, реализующееся

интенсивности интеллектуального труда в отдельных профессиях вплоть

под воздействием конкуренции и инвестиционных циклов;

до полной замены специалистов отдельных профессий на интеллектуальные

устройства;

￮

развитие адаптационных функций, включая коммуникативные навыки

и восприятие человеческих эмоций. Для эффективного дополнения

￮ построение цифрового интерактивного информационно-технического

деятельности человека вычислительной мощью систем ИИ востребованы

пространства, кооперация людей и машин в мыслящие системы;

дальнейшие исследования в области развития интерактивных функций

￮ обоснование и поддержка сложных и ответственных решений, надёжное

взаимодействия систем ИИ с человеком, повышение объясняющей роли

и эффективное управление сложными объектами и процессами;

алгоритмов машинного обучения, а также изучение влияния ИИ на социум;

￮ более эффективная обработка информации, характеризуемой многократно

￮

дальнейшие исследования в области алгоритмов обучения без учителя

возрастающим объёмом и разнообразием типов;

и алгоритмов с частичным привлечением учителя для поиска новых решений

в условиях ограниченных наборов данных;

￮ снижение неопределённости за счёт повышения эффективности работы

с данными из предметной области;

￮

продолжение исследований в области Computational Cognitive Science,

￮ увеличение объёма данных для анализа и повышение доступности данных

которые в будущем помогут приблизиться к созданию более гибких

надлежащего качества.

и многофункциональных систем ИИ и позволят совершенствовать

современных роботов;

Развитие аппаратного и программного обеспечения:

￮

новые методы машинного обучения, которые ускоряют разработку

и реализацию решений в области ИИ в условиях ограниченного количества

￮ расширение вычислительных и функциональных возможностей

данных;

программных продуктов;

￮

развитие перспективных методов анализа данных.

￮ развитие вычислительной вычислительной архитектуры следующего

поколения;

￮ появление множества платформ для сборки приложений на базе голосовых

интерфейсов;

Развитие существующих систем:

￮ многофункциональные платформы и кроссплатформенные решения,

￮ улучшениеУлучшение качества распознавания речи;

благодаря которым голосовой ассистент сможет одинаково работать

￮ ручной перевод будет целиком вытеснен машинным благодаря более

на разных устройствах;

глубокому машинному пониманию контекста и тематики документов;

￮ более широкое использование GAN (generative adversarial networks)

￮ машинное понимание языка выведет на новый уровень автоматическую

для генерации данных для обучения моделей;

обработку текстовых потоков в интернете и в социальных сетях: сбор

￮ появление новых, более эффективных вычислительных архитектур.

и компиляцию фактов, их анализ на непротиворечивость и достоверность;

Например, разреженные сети, сочетающие лучшие качества

￮ возможность создания достаточно длинных статей по произвольным темам

распределенных и символьных вычислений, модели сложность которых

в заданной области с управляемым содержимым.

адаптируется к количеству обучающих данных [15], [16], [17].

ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ ИИ

Рыночные тенденции

Повсеместное внедрение голосовых

12.

Широкое внедрение технологий автоматической

интерфейсов.

проверки договоров и шире – автоматизации

договорной работы, в том числе проверка

Взрывной рост голосовых роботов.

выполнения обязательств и т.п.

Поиск информации на естественном языке.

13.

Появление моделей понимания юридических

текстов.

Крупные компании будут развивать

и наращивать собственную экспертизу в области

14.

Более глубокую интеграцию RPA-решений

ИИ.

с технологиями NLP.

Фокус банков будет направлен на извлечение

15.

Смарт-контракты, автоматически генерирующиеся

максимальной выгоды из уже накопленных

на базе анализа юридически обязывающих

банками данных с помощью ИИ вообще и NLP

документов.

в частности.

16.

Внедрение персонализированного маркетинга

Новое поколение конструкторов проектной

на основе онлайн-анализа цифрового следа

документации.

человека.

Появление систем, оценивающих

17.

Появление моделей понимания научных

непротиворечивости документов, описывающих

текстов. Такие системы кардинально изменят

сложные технические объекты.

технологический ландшафт и ускорят трансфер

технологий, за счет анализа и выявления

Появление автоматизированных систем

экспертов и экспертных сообществ в заданной

планирования контрольных мероприятий.

области на основе анализа источников научной

и патентной информации.

Внедрение голосовых интерфейсов позволит

в значительной мере освободить врача

18.

Обнаружение фальшивых новостей (fake news).

от записей текста и создавать автоматически

размеченные истории болезней.

19.

Анализа больших массивов информации

о компаниях, людях и транзакциях в разной

10.

Системы поддержки принятия врачебных

форме для решения прикладных задач типа

решений нового класса на базе технологий NLP.

поиска аффилированности и неявных связей

компаний и физлиц.

11.

Широкое применение технологий голосовой

биометрии – аутентификации и авторизации

20.

Персонификация и персонализация

человека по голосу – для предоставления услуг

государственных и муниципальных сервисов

на основе персонифицированных данных.

для каждого гражданина [15], [16], [17].

ГЛАВНЫЕ

ОГРАНИЧЕНИЯ

ТЕХНОЛОГИЙ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

ГЛАВНЫЕ НЕРЕШЁННЫЕ ВОПРОСЫ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕ ЛЛЕКТА

Главные нерешённые вопросы

технологий искусственного интеллекта

программных агентов и роботов, способных самосто-

человек не в состоянии. Для нас такая нейросеть пред-

ятельно мыслить и решать широкий круг задач. Со-

ставляет собой «черный ящик», решениям которого

здание сильного искусственного интеллекта открывает

мы вынужден доверять. В этом новый нейросетевой

дорогу широкому распространению автономных робо-

искусственного интеллекта проигрывает прошлому по-

тов, способных к обучению, в отличие от сегодняшних

колению – экспертным системам. Поскольку последние

роботов с программируемым поведением. Ключевым

были основаны на системе правил, они всегда могли

для создания сильного искусственного интеллекта

объяснить своё решение, показать какая именно це-

является разработка архитектуры систем, обладающих

почка правил применима в данном конкретном случае.

искусственной психикой. Единственной известной нам

Решение этой проблемы пока что не найдено. Возмож-

системой, обладающей психикой, является мозг. Таким

но, что для этого нейросети должны будут научиться

образом, понимание принципов работы мозга мо-

разговаривать, чтобы комментировать свои решения,

жет служить ключом к созданию технологий сильного

формулируя свои мысли на человеческом языке.

искусственного интеллекта.

Этика искусственного интеллекта

Память и катастрофическое забывание

Искусственного интеллекта является ключевой техно-

Существующие нейронные сети способны обучаться

логией новой цифровой экономики. Ведь искусствен-

разным, даже очень сложным задачам. Однако, каждая

ный интеллект – это наделение машин человеческими

такая нейросеть будет иметь лишь тот конкретный

способностями. Следовательно, это ключ к массовой

навык, которому она обучилась. Если сеть, умеющую

замене человека разумными машинами и роботами.

играть в Го обучить игре в шахматы, то она при этом

Не удивительно, что быстрое развитие искусственно-

забудет, что она умела играть в Го. Человек, напро-

го интеллекта и скорость внедрения решений на его

тив, может накапливать различные навыки, которые

основе порождают опасения: а что станет с людьми,

он приобретает в течение жизни, и применять их в со-

которых он будет вытеснять с их привычных рабочих

ответствующих обстоятельствах по своему желанию.

мест?

Для решения этой проблемы необходим системный

Подобное уже не раз случалось в ходе прошлых про-

подход, а именно разработка архитектур сильного ис-

мышленных революций. Однако, современные тем-

кусственного интеллекта.

пы цифровой трансформации гораздо выше. Успеет

ли общество адаптироваться к столь резким переме-

Прозрачность и объяснимость

нам? Успеют ли сокращённые работники освоить свою

Сильный и слабый искусственный

Современные искусственные нейросети могут содер-

следующую профессию, прежде чем и там начнутся

интеллект

жать миллиарды параметров, которые автоматически

свои сокращения? Не рискуем ли мы потерять контроль

Существующие технологии слабого искусственного

подбираются под любую задачу в процессе обучения.

над собственной судьбой, передав бразды правления

интеллекта позволяют создавать подсистемы, обла-

И обученная нейросеть может в итоге решать эту за-

гораздо более сильному искусственному интеллекту –

дающие тем или иным видом когнитивных способно-

дачу даже лучше человека. Но вот понять, как именно

в своих же собственных интересах? Пока что у челове-

стей. Технологии сильного искусственного интеллекта

она это делает практически невозможно – разобрать-

чества нет обоснованных ответов на все эти вопросы.

позволят создавать из таких подсистем автономных

ся в структуре связей достаточно сложной нейросети

[15], [16].

ГЛАВНЫЕ НЕРЕШЁННЫЕ ВОПРОСЫ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕ ЛЛЕКТА

Ограничения применения искусственного интеллекта

Таблица 4 – Ограничения применения технологий искусственного интеллекта [26]

Наименование группы

Ограничения

ограничений

Ограничения

Низкая интенсивность научных исследований в сфере искусственного интеллекта.

в области «Алгоритмы

Дефицит финансирования.

и математические

Дефицит кадров для исследования в сфере искусственного интеллекта.

методы»

Низкая международная конкурентоспособность ведущих национальных исследовательских центров.

Низкий уровень участия России в международных исследовательских проектах, ограниченный доступ к зарубежным технологиям, вызванный санкциями

Искусственный интеллект является «чёрным ящиком».

Низкий уровень трансфера результатов обучения.

Ограничения в области

Дефицит современных программ подготовки специалистов в сфере искусственного интеллекта.

«Кадры»

Дефицит специалистов в сфере искусственного интеллекта на рынке труда.

Низкая готовность кадров в большинстве компаний к использованию технологий искусственного интеллекта и общий дефицит цифровых навыков.

Отсутствие обучения работе с технологиями искусственного интеллекта в большинстве образовательных программ.

Отток за рубеж квалифицированных специалистов в сфере искусственного интеллекта.

Влияние технологий искусственного интеллекта и автоматизации на моральное состояние персонала.

Завышенные ожидания.

Ограничения в области

Дефицит собственных научных исследований и технологических разработок в сфере искусственного интеллекта.

«Программное

Отсутствие крупных российских разработчиков и производителей специализированного аппаратного обеспечения и высокий уровень зависимости

обеспечение»

от импортных поставок оборудования и комплектующих.

Низкий уровень внедрения технологий искусственного интеллекта, ограниченный спрос со стороны компаний и государственных организаций,

значительные барьеры для внедрения (включая монополизацию в большинстве отраслей и ограничительное отраслевое регулирование).

Ограничения

Недостаточный уровень развития отечественных высокоскоростных энергоэффективных микропроцессоров, оптимальных для задачи искусственного

интеллекта.

в области «Аппаратное

обеспечение»

Недостаточная обеспеченность ЦОД коллективного или индивидуального использования под выполнение задач искусственного интеллекта.

Ограничения в области

Отсутствие методологии сбора и разметки данных.

«Данные»

Недостаточность общедоступных дата сетов.

Низкий уровень доступа к государственным данным.

Отсутствие единых подходов к форматам, разметке и доступу к данным – для совместимости данных из различных источников.

Ограничения в области

Отсутствие полноценной системы нормативно-технического регулирования в области искусственного интеллекта.

«Нормативное

Сложность административно-правового и нормативного-технического порядка тестирования и внедрения разработок в сфере искусственного интеллекта.

регулирование»

Несовместимость некоторых положений законодательства о защите данных с технологиями искусственного интеллекта.

Недостаточно разработанное технико-экономическое обоснование внедрения технологий искусственного интеллекта.

Недостаток знаний у компаний о технологиях искусственного интеллекта.

ГЛАВНЫЕ НЕРЕШЁННЫЕ ВОПРОСЫ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕ ЛЛЕКТА

Типичные ошибки при внедрении искусственного интеллекта

требований. Не все проекты могут оказаться успешны

общаться ежедневно, работать вместе. Это необходимо

Неверная постановка задачи и завышенные

по причине недостаточности или низкого качества дан-

для точной настройки модели, максимально коррект-

ожидания

ных. Но также встречается ситуация, когда некорректно

ной интерпретации её результатов, особенно проме-

Непонимание самой технологии, её реальных возмож-

поставлена задача или не учтены какие-то принципи-

жуточных неудач и аномалий, где нужна экспертиза

ностей и ограничений в лучшем случае грозит потерей

альные ограничения. В рамках пилота такие сложности

по конкретному бизнесу.

денег, в худшем – может затормозить процесс транс-

должны быть выявлены как можно раньше, а работы

Развитие рынка искусственного интеллекта и машинно-

формации компании. Применительно к задачам, не свя-

остановлены.

го обучения стимулируется ростом производственных

занным с анализом изображений, видео, звука и тек-

мощностей, увеличением объёмов данных, накоплен-

ста, пока не стоит спешить всюду применять глубокое

Нехватка компетенций и попытка

ных отечественными предприятиями и организациями,

обучение, но из-за того, что deep learning¹ постепенно

справиться собственными силами

а также информацией об успешных кейсах и о выгодах,

превращается в раскрученный бренд, многие компании

Минимальный состав команды для внедрения пилот-

полученных конкурентами благодаря использованию

могут предпринимать попытки использовать его повсю-

ного проекта в области искусственного интеллекта

технологий искусственного интеллекта.

ду вместо более классических подходов, что приведёт

– шесть человек. Это менеджер проекта, архитектор,

С помощью технологий искусственного интеллекта

к огромной пропасти между ожиданиями от машинного

эксперт МО, data science³ аналитик, бизнес-аналитик,

можно выявлять скрытые закономерности в поведе-

обучения и результатами и более сдержанному даль-

технический писатель и инженер инфраструктуры. Если

нии потребителей, определять вероятность отклика

нейшему внедрению машинного обучения.

компания занимается одновременным запуском не-

на то или иное рекламное предложение, понимать, кому,

скольких пилотов и внедрением успешных проектов,

Точечные инициативы вместо конвейера

когда, как и что лучше предложить, чтобы выстроить

найти необходимое число квалифицированных специ-

решений

максимально персонализированные коммуникации

алистов внутри компании будет тяжело.

и повысить эффективность рекламных кампаний [19].

Реальный экономический эффект способна прине-

Поскольку необходимо сравнить затраты компании

сти лишь полная трансформация бизнеса по принци-

на разработку «самописного» решения (включая рас-

пу «искусственный интеллект как процесс». Для этого

ходы на оборудование, время разработчиков и, что са-

необходимо сформировать пул идей, сформулировав

мое сложное, оценку их квалификации и денежные за-

для каждой чёткую задачу, сценарии KPI², просчитав

траты) и стоимость покупки готового решения – лидера

риски и экономический эффект, приоритизировать эти

в своей сфере. В первом случае можно потратить много

идеи и выстроить их в очередь на реализацию. Про-

времени и сил и не получить качественного результа-

вести комплексное изменение компании и выстроить

та, поскольку это не является основной деятельностью

конвейер перестройки бизнес-процессов с учётом от-

компании и ресурсов на решение задачи не хватает.

крывшихся возможностей сейчас способны единицы.

Слабая коммуникация заказчика

Неготовность закрыть неудачный пилот

и исполнителя

Если пилотные проекты не поставлены на поток, отка-

При реализации проекта собственными силами недо-

заться от неудачного детища, в которое вложено много

статочно посадить участников в соседних кабинетах –

времени и сил, может быть сложно. Именно поэтому

нужно организовать их ежедневное взаимодействие.

чёткие критерии успешности и сроки проекта долж-

Но, даже пригласив специалистов со стороны, спихнуть

ны быть закреплены до его старта. Производственные

на них всю работу не получится – придётся постоянно

проекты очень сложны, поскольку скрывают в себе

находиться на связи и координировать процесс. Прак-

множество технических нюансов и противоречивых

тика учит, что data scientist⁴ и бизнес-заказчик должны

1. Deep learning – глубокое обучение нейронных сетей. 2. KPI (Key Performance Indicators) – числовые показатели деятельности подразделения (предприятия), которые помогают организации в достижении целей или оптимальности процесса,

а именно: результативности и эффективности. 3. Data science – это наука о методах анализа данных и извлечения из них ценной информации, знаний. 4. Data scientist – это аналитик данных, обладающий специализированными техническими навы-

ками для решения сложных задач в области науки о данных.

СФЕРЫ

ПРИМЕНЕНИЯ

ТЕХНОЛОГИЙ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Отрасли применения технологий искусственного интеллекта согласно Дорожной карте развития «сквозной» цифровой технологии

«нейротехнологии и искусственный интеллект» [26].

В отрасли «Сельское хозяйство, лесное

В отрасли «Обрабатывающие производства»

В отрасли «Строительство» (Классификатор

хозяйство, охота, рыболовство и рыбоводство»

(Классификатор ОКВЭД «C») выделяются

ОКВЭД «F») выделяются следующие области

(Классификатор ОКВЭД «A») выделяются

следующие области применения:

применения:

следующие области применения:

3.1. Повышение качества и снижение затрат

5.1. Улучшение качества строительного

1.1. Повышение эффективности процессов

на проектирование продукции за счёт

процесса за счёт обнаружения ошибок

селекции за счёт учёта генетических

комплексного моделирования параметров

строительства.

и фенотипических¹ параметров.

будущего продукта.

5.2. Использование ИИ для моделирования

1.2. Повышение урожайности за счёт

3.2. Автоматизация и оптимизация

и анализа потенциальных опасностей

выстроенной автономной системы ухода

производственных процессов

(пожарных рисков, рисков разрушения

за культурами.

и сети поставок за счёт снижения

здания и др.).

производственных ошибок.

1.3. Снижение затрат на техническое

5.3. Улучшение качества архитектурного

обслуживание и ремонт за счёт

3.3. Минимизации влияния человеческого

планирования за счёт анализа изображений

прогнозирования поломок техники.

фактора.

окрестностей.

3.4. Эффективное прогнозирование спроса.

В отрасли «Добыча полезных ископаемых»

В отрасли «Торговля оптовая и розничная»

(Классификатор ОКВЭД «B») выделяются

(Классификатор ОКВЭД «G») выделяются

В отрасли «Обеспечение электрической

следующие области применения:

энергией, газом и паром» (Классификатор

2.1. Оптимизация разведки и извлечения

ОКВЭД «D») выделяются следующие области

6.1. Минимизации влияния человеческого

запасов на основе анализа геофизических

применения:

фактора и эффективное прогнозирование

данных.

спроса.

4.1. Сокращение сроков и затрат на

2.2. Повышение эффективности и безопасности

проектирование и строительство

6.2. Оплата товаров и услуг голосом, который

производственного процесса за счёт

объектов за счёт анализа данных об

был идентифицирован искусственным

применения автономного оборудования

условиях строительной площадки и опыта

интеллектом.

и транспорта.

предыдущих проектов.

6.3. Прогнозирование поведенческой модели

2.3. Предотвращение простоев оборудования

4.2. Оптимизация ремонтов за счёт

покупателя на основании ретроспективных

и дорогостоящих ремонтов за счёт

предиктивного обслуживания

покупок.

превентивного обслуживания.

оборудования.

6.4. Автоматизация инвентаризации в магазине

4.3. Оптимизация процессов управления

за счёт использования распознавания

сложными энергетическими системами

изображений.

за счёт улучшения процессов

диспетчеризации.

1. Феноти́п (от др.-греч. φαίνω «являю; обнаруживаю» + τύπος «образец») — совокупность внешних и внутренних характеристик, присущих организму или системе на определённой стадии развития или приобретённых в результате развития.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Использование технологий искусственного интеллекта

В отрасли «Транспортировка и хранение»

В отрасли «Деятельность в области

носит общий или «сквозной» характер и способству-

(Классификатор ОКВЭД «H») выделяются

информации и связи» (Классификатор ОКВЭД

ет созданию условий для улучшения эффективности

следующие области применения:

«J») выделяются следующие потребности:

и формирования принципиально новых направлений

7.1. Оптимизация выстраивания маршрутов,

9.1. Оптимизация распределения сетевых

деятельности хозяйствующих субъектов, в том числе

учитывая прогнозы транспортных потоков

ресурсов на основе реального времени

за счёт:

и характеристик ТС.

и анализ прогнозной нагрузки.

￮

повышения эффективности процессов

7.2. Обеспечение безопасности вождения

9.2. Рекомендации в области необходимых

планирования, прогнозирования

за счёт выявления и предупреждения

инвестиций по строительству сетевой

и принятия управленческих решений (включая

опасных ситуаций.

инфраструктуры за счёт оценки

прогнозирование отказов оборудования и его

потребностей сети.

превентивное техническое обслуживание,

7.3. Использование беспилотных ТС.

оптимизацию планирования поставок,

9.3. Прогноз региональных тенденций спроса

7.4. Предотвращение поломок транспорта

производственных процессов и принятия

на телекоммуникационный трафик.

за счёт прогнозирования неисправностей.

финансовых решений);

7.5. Оптимизация работы распределительных

￮

автоматизации рутинных (повторяющихся)

центров за счёт автоматизированного учета

производственных операций;

продукции и скорости погрузки.

В отрасли «Деятельность финансовая

10.

￮

использования автономного интеллектуального

и страховая» (Классификатор ОКВЭД «K»)

7.6. Роботизация складов.

оборудования и робототехнических комплексов,

выделяются следующие потребности:

интеллектуальных систем управления логистикой;

10.1. Оценка кредитоспособности

￮

повышения безопасности сотрудников

заёмщиков и предложение новых

при выполнении бизнес-процессов (включая

В отрасли «Деятельность гостиниц

банковских продуктов на основе данных

прогнозирование рисков и неблагоприятных

и предприятий питания» (Классификатор

о транзакциях, данных о клиенте

событий, снижение уровня непосредственного

ОКВЭД «I») выделяются следующие области

в соцсетях.

участия человека в процессах, связанных

применения:

10.2.Чат-боты, в том числе голосовые системы

с повышенным риском для его здоровья и жизни);

8.1. Мгновенный перевод речи туристов

обработки клиентских запросов.

￮

повышения лояльности и удовлетворённости

в гостиницах.

10.3.Повышение безопасности операций

потребителей (в том числе направление

8.2. Создание персонализированного меню

и предотвращение мошенничества.

им персонализированных предложений

и диеты.

и рекомендаций, содержащих существенную

10.4.Повышение эффективности

информацию);

8.3. Автоматизированная доставка продуктов

планирования личных финансов

питания.

и управления инвестициями.

￮

оптимизация процессов подбора и обучения

кадров, составления оптимального графика

10.5.Персонализация.

работы сотрудников с учётом различных факторов.

10.6.Таргетинг.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Внедрение технологий искусственного

интеллекта в реальные проекты

пришли к выводу, что успешное использование техно-

логий искусственного интеллекта без адекватной инте-

грации в корпоративную стратегию невозможно.

Исследователи отмечают, что это связано с устаревши-

ми бизнес-моделями, которые должны быть модерни-

зированы вместе с внедрением технологий искусствен-

ного интеллекта.

В начале ноября 2018 года было

опубликовано два исследования в сфере

искусственного интеллекта [32]:

￮

«Прогноз на 2019 год: автоматизация»;

￮

«Прогноз на 2019 год: искусственный интеллект».

Согласно данным отчётам, компании переоценили ис-

кусственный интеллект и разочаруются в нём через год.

В 2019 году до 10% компаний вернули в автоматизи-

рованные процессы человеческий фактор, и эта тен-

денция в значительной степени обусловлена ограни-

чениями технологий искусственного интеллекта и их

осознанием.

В большинстве случаев люди не должны полностью

В конце октября 2019 года исследователи опублико-

исключаться из цикла работы искусственного интел-

вали неутешительные выводы глобального опроса

лекта, сдует из этих отчётов. Автоматизацию можно

[32], касающиеся интеграции технологий искусствен-

использовать для анализа рынка и ускорения процес-

ного интеллекта в современный бизнес. Несмотря

сов поддержки клиентов, но непосредственный контакт

на то, что большинство компаний уверены в значимой

должен осуществляться людьми. В сбалансированных

роли искусственного интеллекта, которые эти техноло-

отношениях между искусственным интеллектом и людь-

гии будут играть в будущем, а почти половина опаса-

ми автоматизация будет применяться только в качестве

ются увидеть технологии искусственного интеллекта

первой линии ответа.

у конкурентов, на самом деле не более 40% компаний,

Учитывая вышеизложенное, спрос на автоматизацию

которые уже внедрили данные технологии в свой биз-

и технологии искусственного интеллекта вряд ли упадёт,

нес, смогли получить реальную прибыль.

т.к. всем компаниям так или иначе придется работать

Около 70% респондентов признались, что новые техно-

с ними и создавать среду, в которой автоматизация

логии никак не повлияли на их бизнес. Исследователи

позволит получить наибольшую выгоду.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в промышленности

Один из самых больших потенциалов применения

￮ в электроэнергетике – 11%;

и повышения эффективности его технического обслу-

технологий искусственного интеллекта

– в промыш-

живания. Предсказательная аналитика помогает про-

￮ научные работы университетов – 23%.

ленности. Это реальные производственные процессы

мышленникам получить информацию об остаточном

с реальными деньгами и возможностью сокращения

Технологии искусственного интеллекта

ресурсе промышленных активов, а предписывающая

себестоимости. Но эта отрасль пока несколько отстаёт

в производстве:

аналитика ещё и даёт рекомендации, что нужно сде-

в силу её низкой рентабельности, всё ещё низкой авто-

лать для предотвращения сбоев в работе и недопуще-

￮ на уровне проектирования: повышение

матизацией производственных процессов.

ния аварий.

эффективности разработки новых продуктов,

Сегодня производственные процессы шаг за шагом

автоматизированная оценка поставщиков

Вторая область применения – это роботехника и робо-

усложняются, появляется всё больше факторов и ню-

и анализ требований к запчастям и деталям;

зрение, когда создаются системы или модели, которые

ансов. Если раньше весь производственный процесс

способны обучить промышленных роботов эффектив-

￮ на уровне производства: совершенствование

умещался в голову одного технолога, то теперь он на-

ным действиям без участия человека.

процесса исполнения задач, автоматизация

ходится за гранью того, что один человек или группа

Первое направление в большей степени оптимизирует

сборочных линий, снижение количества ошибок,

людей может учесть. Соответственно, усложняющийся

расходы на содержание промышленного фонда, а вто-

уменьшение сроков доставки сырья;

процесс производства требует новых решений, в част-

рое перспективно с точки зрения генерации прибыли.

ности применения машинного обучения.

Если первый сценарий в России возможен при разви-

￮ на уровне продвижения: прогнозирование

На производстве особенно ценны люди, обладающие

тии систем мониторинга оборудования и промышлен-

объёмов предоставления услуг поддержки

уникальными компетенциями. Они могут заболеть,

ного интернета вещей, то второе направление пока

и обслуживания, управление ценообразованием;

выйти на пенсию, а использование технологий искус-

не столь активно в связи с низкой роботизацией отече-

ственного интеллекта повышает устойчивость бизнеса

￮ на уровне предоставления обслуживания:

ственного производства.

относительно человеческого фактора.

улучшение планирования маршрутов парка

В процессном производстве используются те же сце-

транспортных средств, спроса на ресурсы

В промышленности уже есть успешные примеры вне-

нарии с предиктивной аналитикой и предписываю-

автопарка, повышение качества подготовки

дрения технологий искусственного интеллекта. Напри-

щей аналитикой для более эффективного использова-

сервисных инженеров.

мер, проект по предотвращению брака на промышлен-

ния оборудования, что и в дискретном производстве.

ном производстве, где 1200 параметров определяют

Для решения задач IIoT* и промышленной аналитики

Но более перспективными с точки зрения влияния

качество продукции, причём более 800 влияют суще-

применяются такие методы, как многослойный пер-

на экономические показатели предприятия являют-

ственно на то, уйдёт ли готовое изделие в брак или нет.

цептрон ((D)MLP) – в 14% случаев, метод опорных век-

ся системы типа «цифровой советчик» для цифрового

Это химические и массовые характеристики, темпера-

торов (SVM) – в 14% случаев, сверхточные нейронные

управления технологическими процессами.

тура, скорость элементов производственного процесса,

сети (CNN) – в 11%.

показания приборов и настройки станков.

Большинство применений методов машинного обу-

Самые передовые методы, такие как метод обу-

чения относится к предиктивной аналитике (Predictive

Наиболее часто методы машинного

чения с подкреплением (самообучающаяся си-

analytics) – 26%, и описательной аналитике (Descriptive

обучения применяются:

стема, где обучаемое получает «вознаграждение»

analytics) – 23%. Также достаточно часто данные мето-

￮ в дискретном производстве (машиностроение,

за максимально эффективный алгоритм действий),

ды применяются в области управления роботами и ро-

авиастроение, приборостроение и т.п.) – 44%;

в промышленности практически не используются

бозрении – 14%.

в силу новизны и сложности, хотя и могут дать су-

￮ в процессном производстве (металлургия, химия,

В дискретном производстве методы искусственного

щественный эффект.

нефтехимия, нефтепереработка и нефтедобыча) –

интеллекта используются в первую очередь для уве-

22%;

личения срока службы промышленного оборудования

* Industrial Internet of Things (IIoT) – промышленный интернет вещей

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Примеры реализации технологий

искусственного интеллекта в промышленности

ПАО «СЕВЕРСТАЛЬ»

Цифровая модель для предотвращения отказов на стане-2000

На Череповецком металлургическом комбинате, одном из крупнейших

интегрированных заводов по производству стали в мире, в промышленную

эксплуатацию запущена предиктивная модель, позволяющая предотвращать

отказы на стане горячей прокатки 2000 с целью сокращения количества его

простоев. Модель выявляет вероятность перегрева подшипника шестерённых

клетей – одну из наиболее частых и ресурсозатратных причин остановки агрегата.

Это первая модель в области предиктивных ремонтов, внедрённая на производстве

ЧерМК в рамках реализации цифровой стратегии компании.

Прогноз формируется на основе потока данных с датчиков температуры, располо-

женных непосредственно на стане. С помощью разработанной цифровой модели

они анализируются, и на их основе формируется прогноз температурного режи-

ма на ближайший промежуток времени. В случае отклонения этих показателей

от нормы, оператору поступает соответствующее оповещение, тогда как раньше

Рисунок 19 – Стан 2000 ПАО «Северсталь»

датчики фиксировали нарушения работы агрегата лишь в момент, когда они непо-

средственно происходили. Горизонт прогнозирования отказа достаточен, чтобы

он смог предпринять необходимые меры и предотвратить незапланированную

остановку стана. Благодаря расчётам предиктивной модели количество простоев

по причине перегрева подшипника шестеренных клетей сократится на 80%.

На одном только стане-2000 контролируется более ста тысяч параметров,

что открывает огромные перспективы для реализации проектов по предиктивной

аналитике. Подобные модели основаны на алгоритме машинного обучения,

а значит, обрабатывая больше данных и сопоставляя больше параметров,

они могут самостоятельно обучаться и становиться точнее [64].

ПАО «СИБУР ХОЛДИНГ»

Прогнозирование цен

Текущая точность прогнозирования цен на сырье и продукты на основных рын-

ках не всегда позволяет направлять продукцию на более премиальные рынки,

Рисунок 20 – Видеоаналитика ПАО «СИБУР Холдинг»

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

а также оптимизировать материальные потоки между продуктами с наибольшей

эффективностью.

Инструмент «Динамическое ценооборазование» работает на анализе данных

и искусственного интеллекта. Система прогнозирует цены на продукты и сырье

на целевых рынках с применением методов анализа данных и искусственного

интеллекта, что позволяет принимать решения о времени и географии продаж

и своевременно направлять продукцию на более выгодные рынки.

Модели динамического ценообразования обучаются на больших массивах дан-

ных, используя все зависимости, за которыми человек не может уследить. Ис-

пользуются цены на продукт, сырьё и связанные продукты, спрос и предложение,

остановы и аварии оборудования, макроэкономика, биржевые цены, а также дру-

гие факторы.

Система повышает точность прогнозирования в среднем в 2 раза, а скорость вы-

дачи прогноза – с 2 недель до минут [62].

Видеоаналитика

Видеоаналитика может решать разные задачи – повышать качество продукции

благодаря автоматическому контролю и отбраковке, избегать неплановых оста-

новов производственных линий, своевременно предупреждая оператора о необ-

Рисунок 21 – Видеоаналитика ПАО «СИБУР Холдинг»

ходимости вмешаться в работу линии, контролировать соблюдение правил про-

мышленной безопасности.

Система компьютерного зрения распознаёт нештатные ситуации об отклонениях

в процессах работы установок, нарушениях требований безопасности и сигнали-

зирует об этом оператору. Если ранее оператору выводились все камеры, то те-

перь он видит только сигналы об отклонениях и их описания – те ситуации, в ко-

торые требуется оперативное вмешательство. При отсутствии отклонений экран

системы видеонаблюдения остаётся чёрным и не отвлекает оператора от управ-

ления технологическим процессом.

Компьютерное зрение совершенствуется с помощью алгоритмов машинного

обучения, которые детектируют необходимые объекты с последующей класси-

фикацией и описанием наблюдаемой ситуации. Если ситуация не соответствует

штатной, система принимает соответствующие меры [62].

Система Real Time Optimization (RTO)

RTO улучшает показатели работы существующих систем управления (РСУ, СУУТП)

на производстве пиролиза углеводородов нефти, компримирования, разделения

Рисунок 22 – Система Real Time Optimization ПАО «СИБУР Холдинг»

пирогаза.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Система моделирует процесс с учетом экономических

«КОГНИТИВНЫЙ ГЕОЛОГ»

и производственных задач в режиме реального време-

ни: варьирует переменными, которые оказывают влияние

на степень конверсии углеводородного сырья в процессе

пиролиза (температура реакции, время пребывания сы-

рья в змеевике печи, давление), а также на селективность

процесса по различным продуктам реакции. Для каждого

варианта возможного режима работы печи RTO рассчиты-

вает содержание целевых продуктов в пирогазе и значение

общей операционной прибыли.

Система способствует увеличению общей операционной

прибыли в условиях заданных экономических

и технологических ограничений. Основной задачей RTO

является достижение максимума общей операционной

прибыли, которая рассчитывается с учетом затрат сырья,

материалов и энергоносителей, а также дохода от продаж

продуктов. В зависимости от введённых цен на ресурсы, си-

стема оптимизации будет смещать режим пиролиза таким

образом, чтобы увеличить селективность процесса по наи-

более ценным продуктам.

Система предсказывает до 85% нештатных ситуаций с экс-

трудером на производстве полипропилена.

С помощью советчика удалось повысить производитель-

ность на 0,5% или 1200 тонн готовой продукции [62].

ПАО «ГАЗПРОМ НЕФТЬ»

Технологический лидер нефтегазовой промышленности,

компания «Газпром нефть», реализует сразу несколько

проектов с участием искусственного интеллекта. Один

из них, «Когнитивный геолог», предполагает создание са-

мообучающейся модели геологического объекта. Дело

в том, что ключевые решения по освоению месторожде-

ний приходится принимать уже на ранней стадии разра-

ботки, а ошибку, допущенную в начале процесса, в даль-

нейшем исправить практически невозможно.

Геологи по крупицам собирают данные, чтобы получить

достоверную картину строения недр и ответить на главный

вопрос: насколько рентабельной окажется добыча? Это

Рисунок 23 – Система «Когнитивный геолог» ПАО «Газпром нефть»

занимает год-два, при этом уверенность в правильности

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ответа всё равно не превышает 60%. «Когнитивный геолог»

ЦЕНТР УПРАВЛЕНИЯ БУРЕНИЕМ «ГЕОНАВИГАТОР»

будет математически обрабатывать исходную информацию,

оценивать вероятность правильности ответов и выдавать

рекомендации о методах разработки или необходимости

Дистанционное управление бурением всех сложных высокотехнологичных скважин из Санкт-Петербурга

проведения дополнительных исследований. По расчётам

специалистов

«Газпром нефти», время интерпретации

геологических данных за счет работы искусственного

интеллекта сократится в шесть раз, а количество извлечен-

ной из них полезной информации возрастет на 30% [63].

Ещё один проект «Газпром нефти» предполагает применение

часа

РОССИЯ

искусственного интеллекта при бурении сложных

в сутки

скважин. Пример: нефтяникам на основе геологической

СЕРБИЯ

модели необходимо на глубине в несколько километров

попасть в пласт толщиной всего два-три метра и вести

по нему скважину на протяжении километра, оперативно

реагируя на изменения конфигурации продуктивного

дней

горизонта, которые отслеживаются с помощью датчиков,

в неделю

доля высокотехнологичных скважин

установленных на буровом инструменте. Однако датчики

ИРАК

＞60%

в новом бурении

расположены в 17 метрах от долота, поэтому специалисты,

Сопровождение бурения

Схемы бурения

дистанционно контролирующие ситуацию из Центра

высокотехнологичных скважин

20+скважин в сутки

700+скважин в год

управления бурением «ГеоНавигатор» в Санкт-Петербурге,

узнают о выходе скважины из продуктивного горизонта

с задержкой в 20-30 минут. За это время траектория бу-

дней

рения может уйти от трехметрового пласта на большое

в году

365

расстояние. Решение проблемы найдено в обучаемой мо-

дели, которая в режиме реального времени будет делать

выводы об изменении условий в самой дальней точке сква-

жины на основе таких параметров, как нагрузка на буро-

вом инструменте, сопротивление, температура, вибрация

и скорость проходки. Это позволит специалистам «ГеоНа-

вигатора» оперативно корректировать траекторию бурения

Задачи

и уточнять геологическую модель месторождения, одно-

временно формируя дополнительные данные для даль-

Точное попадание горизонтальной

Корректировка геологической

нейшего обучения «умного» бура. В будущем математи-

скважины в продуктивный пласт

модели месторождения

ческая модель бурения позволит по косвенным данным

превентивно прогнозировать возможные нештатные

ситуации, устанавливать оптимальные режимы работы

Достижение оптимальной

Повышение эффективности расхода

оборудования и даже в реальном времени определять

траектории бурения без отклонений

производственных материалов

продуктивность пласта, при этом оценивая экономическую

эффективность разбуривания конкретного горизонта [63].

Рисунок 24 – Центр управления бурением «ГеоНавигатор» ПАО «Газпром нефть»

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в социальной сфере

Использование технологий искусственного интеллекта в социальной сфере способствует созданию условий для улучшения

уровня жизни населения, в том числе за счёт [47]:

ПОВЫШЕНИЯ КАЧЕСТВА УСЛУГ В СФЕРЕ

ПОВЫШЕНИЯ КАЧЕСТВА

ЗДРАВООХРАНЕНИЯ ВКЛЮЧАЯ

ОБРАЗОВАНИЯ ВКЛЮЧАЯ

ПРЕДОСТАВЛЕНИЯ

￮ профилактические обследования;

￮ адаптацию образовательного процесса

ГОСУДАРСТВЕННЫХ

И МУНИЦИПАЛЬНЫХ УСЛУГ,

к потребностям обучающихся

￮ диагностику;

А ТАКЖЕ СНИЖЕНИЯ ЗАТРАТ

и потребностям рынка труда;

￮ основанную на анализе изображений;

НА ИХ ПРЕДОСТАВЛЕНИЕ.

￮ системный анализ показателей

￮ прогнозирование возникновения;

эффективности обучения для оптимизации

и развития заболеваний;

профессиональной ориентации и раннего

￮ подбор оптимальных дозировок;

выявления детей с выдающимися

лекарственных препаратов;

способностями;

￮ сокращение угроз пандемий;

￮ автоматизацию оценки качества знаний

￮ автоматизацию и точность;

и анализа информации о результатах

хирургических вмешательств.

обучения.

Технологии искусственного интеллекта в государственном секторе

Спрос на технологии искусственного интеллекта, машинного обучения ранее озвучивали многие российские заказчики и в других отраслях, включая госсектор. Так, ФНС

в 2017 году начала использовать искусственный интеллект в личном кабинете физических лиц и планирует развивать этот проект в 2018 году. Новая версия личного кабинета

ФНС использует чат-бот, помогающий людям решать вопросы, связанные с налоговым администрированием. Его предстоит научить работать с базой данных, в которую

входит около порядка 150 тыс. различных жизненных ситуаций.

Управление ИТ Росимущества в числе планов ведомства по цифровизации рассматривают применение элементов искусственного интеллекта при формировании прогнозов

доходов федерального бюджета и плана приватизации и использование технологии блокчейна для организации взаимодействия с другими органами власти.

В конце 2017 года также Департамент проектной деятельности правительства России предложил концепцию новой системы правоприменения, в которой будет использоваться

искусственный интеллект. По задумке авторов инициативы, по типовым делам искусственный интеллект мог бы самостоятельно генерировать судебные решения и проверять

решения на ошибки и коррупционную составляющую [47].

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в финансовом секторе

В финансовой отрасли интерес к технологиям ис-

Современные банковские чат-боты умеют

Альтернативой финансовым консультантам по банков-

кусственного интеллекта особенно высок – о спросе

ским вопросам, конкретным покупкам и другим денеж-

￮ информирование об особенностях продуктов

и развитии этих технологий заявляли многие российские

ным операциям в режиме онлайн стал робоэдвайзинг.

и сервисов;

банки. В «Сбербанке» считают, что через 5 лет 80%

всех решений будут приниматься с помощью искус-

￮ предоставление контактных данных;

ственного интеллекта. В «Альфа-банке» прогнозируют,

Робоэдвайзеры дают большие

￮ проведение платёжных операций;

что отрасль активно будет переходить на безлюдные

преимущества в сфере онлайн-трейдинга.

технологии, и через 3 года клиенты в 50% случаев будут

￮ финансовые рекомендации клиенту;

Прежде всего, это:

общаться с ботами.

￮ показывать курсы и обменивают валюту;

￮ заявки в один клик;

Всё больше классических банков и страховых компаний

понимают экономическое обоснование эффективности

￮ осуществлять учёт личных финансов;

￮ открытие счёта в реальном времени;

использования искусственного интеллекта в их процессах

￮ осуществлять перевод с карты на карту;

￮ мониторинг;

и создают финансовые продукты с использованием

машинного обучения и компьютерного зрения.

￮ отправлять заявки на торговый и интернет

￮ актуальные новости;

эквайринг и проверять контрагента по ИНН/ОГРН

￮ обработка больших объёмов сделок сразу.

(ИП);

Технологии ИИ в банках:

￮ отвечать на вопросы пользователя.

Распространение брокеров в социальных сетях делает

￮ на уровне проектирования: прогнозирование

инвестиционные знания более доступными и понятны-

востребованности банковских продуктов,

Индивидуальные предложения

ми, а общение с клиентом – простым и адресным.

предсказание изменений спроса,

и повышение лояльности

автоматизированная оценка рисков;

￮ рекомендации банковских продуктов и покупок

￮ на уровне производства: автоматизация

(программы лояльности от различных

и оптимизация взаимодействия с существующими

Автоматизация позволяет преподносить инфор-

ритейлеров), в том числе с использованием

и потенциальными клиентами. Автоматизация

мацию в режиме 24/7, при этом снижая издержки

обработки документов и одобрения кредитов;

знаний о клиенте из социальных сетей;

процессов. Автоматизированные программные

алгоритмы (“советники”) доступны на стационар-

￮ определение B2B связей клиента с последующими

￮ на уровне продвижения: предоставление

ных персональных компьютерах или в формате

персонализированных предложений в нужный

рекомендациями новых контрагентов;

мобильных приложений, несут в себе функции

момент времени. Автоматическое регулирование

портфельного управляющего, определяющего

￮ моделирование финансовых рисков для малого

процентных ставок в зависимости от истории

риски и оптимальную инвестиционную стратегию

клиента;

бизнеса (дефолт, кассовый разрыв) в режиме

[33], [47].

реального времени с рекомендациями целевых

￮ на уровне предоставления обслуживания:

стратегий и продуктов.

развитие автоматизированных систем

и интерфейсов самообслуживания во всех каналах

коммуникации.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в электроэнергетике

НА УРОВНЕ

НА УРОВНЕ ПРОИЗВОДСТВА:

НА УРОВНЕ ПРОДВИЖЕНИЯ:

НА УРОВНЕ ПРЕДОСТАВЛЕНИЯ

ПРОЕКТИРОВАНИЯ:

ОБСЛУЖИВАНИЯ:

￮ оптимизация

￮ улучшенное

профилактического

ценообразования

￮ автоматический выбор наиболее

прогнозирование генерации

обслуживания;

в зависимости от времени

выгодного поставщика;

и спроса на энергоресурсы;

дня и динамическая

￮ повышение эффективности

￮ подробная статистика потребления;

тарификация.

￮ оценка надёжности

генерации;

￮ автоматизированное обслуживание

энергогенерирующего

￮ снижение потерь,

клиентов;

оборудования;

предотвращение краж

￮ оптимизация энергопотребления

￮ автоматизация повышения

энергоресурсов.

с учётом привычек и поведения

генерации при скачке спроса.

клиента [47].

Технологии искусственного интеллекта для антифрода.

Внешние и инсайдерские угрозы

В 2019 году стало известно о том, что всего через два года искусственный интеллект и машинное обучение будут использоваться для противодействия мошенничеству в три

раза чаще, чем по состоянию на июль 2019 года. Такие данные были получены в ходе совместного исследования компании SAS и Ассоциации сертифицированных специа-

листов по расследованию хищений и мошенничества (Association of Certified Fraud Examiners, ACFE). На июль 2019 года такие антифрод-инструменты уже используют в 13%

организаций, принявших участие в опросе, и в еще 25% заявили, что планируют их внедрить в течение ближайшего года-двух [47].

￮ Признаки использования пластиковой карты

￮ Выявление несанкционированных расходных

￮ Злоупотребления при проведении конверсионных

клиента третьим лицом.

операций по счетам клиентов и пластиковым картам

операций как по физическим, так и юридическим

клиента.

лицам.

￮ Признаки т.н. «дропперов» исходя из характера

поступлений и операций в интернет-банке

￮ Ошибки в параметризации программ

￮ Несанкционированное подключение интернет-

и банкоматах.

бонусирования по пластиковым картам, которые

банка к счетам клиента и выпуск пластиковых карт

ведут к «накруткам» и ущербу.

без ведома клиента.

￮ Выявление фиктивных зарплатных проектов

(кредиты, обналичивание).

￮ Схемы обналичивания денежных средств, в т.ч.

￮ Несанкционированное увеличение лимитов

с использованием интернет-банка и пластиковых карт.

по кредитным картам.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта

и операционная эффективность

￮ Выявление и автоматическая корректировка

￮ Мониторинг и прогнозирование выхода из строя

￮ Оптимизация поиска и найма персонала (анализ

отклонений в транзакциях.

инфраструктуры (банкоматы, IT-ресурсы).

резюме и первичный отбор).

￮ Natural Language Processing алгоритмы

￮ Оптимизация наличного оборота и остатков

￮ Речевая аналитика в режиме реального времени

для анализа и генерации исковых заявлений.

в кассах и банкоматах. Оптимизация работы

для колл-центров и отделений (управление

инкассаторских служб.

качеством консультаций) [47].

Технологии искусственного интеллекта на транспорте

В мире идёт активная разработка ITS (англ. Intelligent

работ, риск столкновения, оповещение о состоянии

transport systems

– умные транспортные системы) –

дорожного движения и оповещение о смене сигнала.

стандарта связи для автомобилей нового поколения

Децентрализированные базы данных будут предостав-

с большим спектром возможностей. Их стандартиза-

лять информацию об опасных зонах, осадках, сцепле-

цией занимаются такие организации, как ETSI, IEEE,

ниях на дорогах, видимости, ветре и др.

3GPP и другие. Современные системы ITS решают та-

Следующим шагом станет использование ITS в беспи-

кие задачи, как контроль допуска, управление и оплата

лотных автомобилях. Базовым компонентом для таких

парковками, предоставление информации о движении

автомобилей будут внешние камеры и радарное обо-

и оплата парковки, управление грузоперевозками,

рудование. Но именно обмен информацией между

контроль трафика и т.д.

автомобилями по средствам V2V-систем вместе с по-

Одним из основных применений ITS является помощь

лучением транспортными средствами через V2I-систе-

водителю транспортного средства. За счёт кооператив-

мы информации о ситуации на дорогах и актуальных

ной осведомленности транспортное средство может

цифровых карт дорог позволит обеспечить безопас-

получить оповещение об опасности, индикатор мед-

ное и эффективное дорожное движение беспилотных

ленно идущих машин, предупреждение о столкнове-

транспортных средств [47].

нии на перекрестке, индикатор о приближении мото-

Некоторые системы полагаются на инфраструктурные си-

цикла и т.д.

стемы (например, встроенные в дорогу или около неё),

Водителю будут доступны оповещения о таких ситуа-

но более продвинутые технологии позволяют симулиро-

циях, как поломка электрического освещения, невер-

вать присутствие человека на уровне принятия решений

ная дорога, стационарная машина (авария или полом-

о рулении и скорости, благодаря набору камер, сенсо-

ка транспортного средства), проведение дорожных

ров, радаров и систем спутниковой навигации.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ТИПЫ ИТС: V2V И V2I

По классификации SAE International систем помощи во-

дителю или ADAS (Advanced Driver Assistance System)

Преимущества

существует шесть классов автономности.

I тип

￮

Перевозка грузов в опасных зонах, во время

«Транспортное средство – транспортное средство»

Уровень 0

природных и техногенных катастроф

(vehicle-to-vehicle, V2V) – обеспечивает безопасное

Полностью ручное управление с возможностью

или военных действий.

вождение за счёт связи между автомобилями

предупреждения об опасных ситуациях на дороге.

￮

Снижение стоимости транспортировки грузов

на перекрестках с плохой видимостью. V2V-система

и людей за счёт экономии на заработной плате

может предупреждать водителей об опасности

Уровень 1

водителей.

лобового столкновения, бокового столкновения,

Предусматривает работу более продвинутой системы

￮

Более экономичное потребление

заднего столкновения, уведомлять о неисправности

предупреждения об опасности столкновения

топлива и использование дорог за счёт

транспортного средства, предоставлять дорожную

с автомобилями, пешеходами, а также о пересечении

централизованного управления транспортным

и нормативную информацию.

линии разметки, идентификацию дорожных знаков и т.

потоком.

п., а также вмешательство в систему управления.

￮

Экономия времени, ныне затрачиваемого

на управление ТС, позволяет заняться более

II тип

Уровень 2

важными делами или отдохнуть.

«Придорожная инфраструктура – транспортное

Это более активная помощь водителю (руление,

￮

У людей с ослабленным зрением появляется

средство» (vehicle-to-infrastracture, V2I) – обеспечивает

торможение, удержание в полосе и т. д.).

возможность самостоятельно перемещаться

передачу информации (сигнал и нормативная

на автомобиле.

Уровень 3

информация и т.д.) от придорожного оборудования

￮

Минимизация ДТП, человеческих жертв.

Автономное движение на заданных участках дороги,

к автомобилю через средства радиосвязи. Например,

￮

Повышение пропускной способности дорог

которое требует от водителя лишь частичного

придорожные сенсоры на перекрёстке обнаружат

за счёт сужения ширины дорожных полос.

надзорного контроля.

машины, которые собираются пересечь перекресток

или повернуть, и передадут информацию другим

Уровень 4

приближающимся машинам по средствам V2I-систем.

Это автономное движение автомобиля

Недостатки

в определённых режимах, при котором человек уже

СТЕПЕНИ АВТОНОМНОСТИ

не может повлиять на управление даже в критических

￮

Определение ответственности за нанесение

ситуациях.

АВТОМОБИЛЕЙ

ущерба.

Уровень 5

￮

Утрата возможности самостоятельного

вождения автомобиля.

Полная автономность транспортного средства, когда

￮

Надёжность программного обеспечения.

водитель лишь задает конечный пункт маршрута,

а весь процесс передвижения полностью ложится

￮

Отсутствие опыта вождения у водителей

на искусственный интеллект автопилота.

в критической ситуации.

￮

Потеря рабочих мест людьми, чья работа

связана с вождением транспортных средств.

￮

Потеря приватности.

￮

Этический вопрос о наиболее приемлемом

числе жертв, аналогичный проблеме

вагонетки, стоящий перед компьютером

автомобиля при неизбежном столкновении

[71].

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Примеры внедрения технологий искусственного интеллекта

на транспорте

TESLA, INC., USA

Принцип работы автопилота автомобиля Тесла

Автопилот автомобиля Тесла состоит из систем искусственного интеллекта. Одна от-

вечает за принятие решений и управление сервоприводами, а вторая – машнное

зрение.

Тесла модель S имеет 12 ультразвуковых датчиков дальнего радиуса действия, рас-

положенных вокруг автомобиля для того, чтобы «зондировать» происходящее во-

круг в диапазоне до 4,8 метров в любом направлении и при любой скорости. Мо-

дель также обладает передним радаром с радиусом действия 160 м., 360-градусной

фронтальной камерой, высокоточным GPS, и системой, которая обрабатывает все

Рисунок 25 – Принцип работы системы автопилота автомобиля Тесла

данные из указанных устройств для формирования виртуального образа дороги

и обстановки впереди. Автомобили Тесла могут распознавать перекрёстки, дорож-

ную разметку, траекторию дороги, другие транспортные средства на дороге и пе-

шеходов. Это означает, что они могут регулировать управление, скорость движения

самостоятельно без участия водителя.

Так как у автомобиля полностью цифровая комбинацию приборов, последняя

способна отображать то, что автомобиль «видит» в режиме реального времени [65],

[66].

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

TECHNISCHE UNIVERSITÄT MÜNCHEN, DEUTSCHLAND

Автономное приземление самолёта.

Технология использует GPS для навигации, и с помощью видимого света и инфра-

Многие самолёты могут приземляться автоматически, но не автономно. Обыч-

красных камер получается обнаружить взлётно-посадочную полосу и получить точ-

ная автоматическая посадка – это электронная радионавигация с использованием

ное представление о её состоянии и положении, даже во время тумана и дождя.

специального оборудования, помогающая приземлиться на заданную позицию

Система искусственного интеллекта самолёта может рассчитать глиссаду и призем-

в пространстве. И даже не все аэропорты регионального значения имеют такую

литься самостоятельно.

технологию. Исследователям из Мюнхенского Технологического Университета

(Technische Universität München) удалось создать полностью автономную систему

Проект ещё молодой, но перспективный. Пробная посадка прошла в конце мая.

посадки самолёта. Недавно была протестирована система, совмещающая компью-

Самолёт распознал взлётно-посадочную полосу с большого расстояния и призем-

терное оптическое распознавание с системой позиционирования в пространстве

лился на осевой линии без пилота. При дальнейшем усовершенствовании система

(GPS) для полностью автономной процедуры выхода на посадку и приземления.

может делать посадки без помощи пилота практически на любом аэродроме [67].

Рисунок 26 – Автономная система посадки самолёта Мюнхенского Технологического Университета

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в логистике

В мае 2018 был представлен отчёт «Искусственный

интеллект в логистике»

[68], в котором оценивался

потенциал использования искусственного интеллекта

в логистике и выдвигался ряд идей о преобразовании

индустрии, развитии нового класса логистических

активов и операционных систем с интеллектуальной

поддержкой.

Учитывая, что технологии искусственного интеллекта

уже повсеместно используются в работе с клиентами,

о чём также свидетельствует быстрый рост популярности

приложений с виртуальным помощником с функцией

распознавания речи, авторы отчёта приходят к выводу,

что постоянно совершенствующиеся технологии

искусственного интеллекта имеют ряд дополнительных

возможностей, актуальных для логистики. Так, они могут

помочь провайдеру логистических услуг улучшить

взаимодействие с клиентом с помощью интерактивного

общения и даже внедрить возможность доставлять

товары до того, как клиент их закажет [47].

Искусственный интеллект

позволит

изменить

операционную модель логистики с реактивной

на прогнозируемую, работающую на опережение,

что

обеспечит

более высокие результаты

при оптимальных затратах на бэк-офис, операционные

взаимодействия и фронт-офис.

Технологии искусственного интеллекта

позволят:

￮ использовать усовершенствованную систему

распознавания для отслеживания отправлений

Управление запасами, основанное на машинном зрении

Транспортные средства автономной доставки

и состояния активов;

Самообучаемые и самоориентирующиеся в пространстве

Модуль распознавания речи для управления

￮ могут привести к полной автономности процесса

мобильные роботы (автоматически управляемые тележки)

складом

доставки на всех его этапах;

Станция приёма видеопотока от систем машинного зрения

Система видеонаблюдения, управляемая

искусственным интеллектом

￮ предсказывать колебания в объёмах глобальных

Интеллектуальная сортировка, основанная на машинном зрении

отгрузок до того, как они произойдут.

Рисунок 27 – Технологии искусственного интеллекта в логистике

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в торговле

НА УРОВНЕ

НА УРОВНЕ ПРОИЗВОДСТВА:

НА УРОВНЕ ПРОДВИЖЕНИЯ:

НА УРОВНЕ ПРЕДОСТАВЛЕНИЯ

ПРОЕКТИРОВАНИЯ:

ОБСЛУЖИВАНИЯ:

￮ автоматизация управления

￮ оптимизация

￮ предсказание изменений

складом и магазинами;

ценообразования;

￮ персональные советы;

спроса;

￮ оптимизация

￮ персонализированные

￮ оперативное решение

￮ оптимизация

мерчандайзинга;

предложения для клиентов;

проблем с помощью

и автоматизация

виртуальных ассистентов;

￮

управления ассортиментом.

￮ актуализация отображения

взаимодействия

товаров в интернет-

￮ автоматическое обслуживание

с поставщиками

магазинах в режиме

в магазинах;

и заключения контрактов.

реального времени.

￮ доставка товара с помощью

квадрокоптеров.

В 2018 году 35% всех доходов получено за счет реко-

Централизованная платформа на основе

Персонализация предложений будет идти

мендации на основе технологий искусственного интел-

технологий искусственного интеллекта

двумя путями:

лекта, что на 25% больше, чем в 2017. Главное, что эти

позволит компаниям:

￮ сортировка результатов по личным

35% доходов поступают от 6% покупателей в празднич-

￮ эффективно отслеживать выкладку, товарные

предпочтениям. Например, показывать

ные дни, то есть покупатели, которые получают пра-

запасы и выполнение заказов, чтобы

покупателю кроссовки, похожие

вильные рекомендации, делают значительную долю

снизить траты на склад, задержки доставки,

на те, что он покупал ранее. Здесь помогут

покупок.

контролировать скидки и избегать прочих

CRM¹ или DMP², социальное прослушивание

дорогостоящих издержек;

По прогнозам, к концу 2020 года устройства для «ум-

и интеграция продаж, обслуживания и маркетинга;

￮ предугадывать желания клиентов до того,

ного дома», оснащённые экранами, станут основным

как они их озвучат, обеспечивая наличие

￮ интеграция с рекомендательными сайтами.

каналом для покупок в интернете. Поскольку челове-

всего необходимого им товара при посещении

Например, показать кроссовки с отзывами

ческий мозг обрабатывает изображения в 60 раз бы-

магазина;

пользователей, фотографиями пользователей,

стрее, чем текст, голосовые помощники с экранами по-

соответствующими постами в социальных сетях

￮ выявлять и устранять проблемы безопасности,

лучат широкое распространение. «Умные» устройства

и т.д.

включая мошенничество с платежами

с экранами позволят просмотреть несколько вариантов

и кибератаки;

товара, который покупатель хочет купить [69], [47].

￮ синхронизировать ассортимент в разных каналах,

В 2020 году 50% обслуживания клиентов в розничной

1. Customer Relationship Management (CRM) – система управления взаимоотноше-

чтобы, например, обеспечивать клиентам

ниями с клиентами. Прикладное программное обеспечение, предназначенное

торговле будут осуществлять чат-приложения на основе

для автоматизации стратегий взаимодействия с заказчиками (клиентами) путём

возможность забирать в магазине оплаченный

сохранения информации о клиентах и истории взаимоотношений с ними.

технологий искусственного интеллекта, а

85% взаи-

по интернету товар;

2. Data Management Platform (DMP) – платформа управления данными. Программ-

модействий с клиентами розничных магазинов будет

ное обеспечение, которое позволяет собирать, обрабатывать и хранить любые

￮ иметь доступ к качественным аналитическим

типы аудиторных данных

управляться искусственным интеллектом [70].

данным в одной системе.

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в криминалистике

В мае 2018 года стало известно об использовании

время обработки дел и раскрытия прошлых и будущих

голландской полицией искусственного интеллекта

преступлений с нескольких недель до одного дня.

для расследования сложных преступлений.

Искусственный интеллект будет распределять дела по их

Как сообщает издание The Next Web, правоохранитель-

«разрешимости» и указывать на возможные результаты

ные органы начали оцифровывать более 1500 отчётов

экспертизы ДНК¹. Затем планируется автоматизировать

и 30 млн страниц, связанных с нераскрытыми делами.

анализ и в других областях судебной экспертизы и, воз-

В компьютерный формат переносят материалы, начи-

можно, даже охватить данные в таких областях, как об-

ная с 1988 года, в которых преступление не раскрыва-

щественные науки и свидетельские показания.

лось не менее трёх лет, и преступники были пригово-

В голландской полиции есть специальное подраз-

рен к более 12 годам лишения свободы.

деление, специализирующееся на освоении новых

После оцифровки всего контента он будет подключён

технологий для раскрытия преступлений. Именно

к системе машинного обучения, которая будет анализи-

оно и создало ИИ-систему для быстрого поиска

ровать записи и решать, в каких делах используются са-

преступников по уликам [47].

мые достоверные доказательства. Это должно снизить

Технологии искусственного интеллекта в судебной системе

Разработки в области искусственного интеллекта помо-

включая данные, которые характеризуют участников

гут кардинально изменить судебную систему, сделать

спора. По аналогии с медицинской сферой, роботы-су-

её более справедливой и свободной от коррупцион-

дьи могут оперировать большими данными из храни-

ных схем.

лищ государственных служб. Можно предположить,

что машинный интеллект сможет быстро обрабатывать

Существующие сейчас решения в области искусствен-

данные и учитывать значительно больше факторов,

ного интеллекта можно успешно применять в разных

чем судья-человек.

сферах экономики и общественной жизни. Искусствен-

ный интеллект успешно применяется в медицине, од-

Эксперты-психологи, впрочем, считают, что отсутствие

нако в будущем способен полностью изменить и судеб-

эмоциональной составляющей при рассмотрении су-

ную систему.

дебных дел негативно скажется на качестве решения.

Использование искусственного интеллекта в судебной

Вердикт машинного суда может оказаться слишком

системе учёный считает «логичным шагом» по разви-

прямолинейным, не учитывающим важность чувств

тию законодательного равенства и справедливости.

и настроения людей [47].

Машинный разум не подвержен коррупции и эмоци-

ям, может чётко придерживаться законодательных ра-

мок и выносить решения с учётом многих факторов,

1. Дезоксирибонуклеиновая кислота́ (ДНК) – макромолекула, обеспечивающая хранение, передачу из поколения в поколение и реализацию генетической программы развития и функционирования живых организмов

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта

в медицине/здравоохранении

НА УРОВНЕ

НА УРОВНЕ ПРОИЗВОДСТВА:

НА УРОВНЕ ПРОДВИЖЕНИЯ:

НА УРОВНЕ ПРЕДОСТАВЛЕНИЯ

ПРОЕКТИРОВАНИЯ:

ОБСЛУЖИВАНИЯ:

￮ автоматизация и оптимизация

￮ управление

￮ прогнозирование

процессов в больницах;

ценообразованием;

￮ адаптация терапии и состава

заболеваний;

лекарств для каждого

￮ автоматизация и повышение

￮ снижение рисков

отдельного пациента;

￮ выявление групп пациентов

точности диагностики.

для пациентов.

с высоким риском

￮ использование виртуальных

заболеваний;

ассистентов для построения

маршрута пациента

￮ организация

в поликлинике или больнице.

профилактических мер.

В начале марта 2019 г. была представлена нейросеть,

IBM, Google, Nvidia, Amazon, Intel, General Electric и Xilinx.

НАИБОЛЕЕ ПЕРСПЕКТИВНЫЕ

которая может предсказывать сердечный приступ. Ре-

Одним из главных катализатором спроса на техноло-

ПРИМЕНЕНИЯ ИИ В МЕДИЦИНЕ

зультаты работы новой технологии описаны в опубли-

гии искусственного интеллекта в медицине является

кованной статье «Кластеризация на основе результатов

дефицит врачей. По данным Всемирной организации

￮

Хирургические операции с использованием

пациентов с острым коронарным синдромом при ис-

здравоохранения, по состоянию на 2019 год 57 странам

роботов. Во время подобных операций,

пользовании многозадачной нейронной сети»/

не хватает около 2,3 млн медсестёр и докторов [73].

как правило, делается серия небольших разрезов

Исследователи предупреждают, что, хотя кластеризация

По мнению экспертов, искусственный интеллект

и используются миниатюрные инструменты.

имеет значение для прогноза заболевания, неясно,

останется объектом интереса как инвесторов, так

￮

Использование виртуальных помощников

могут ли эти данные эффективно использоваться

и медицинских работников. Технологии искусственно-

вместо медсестёр позволяет поддерживать связь

в клинической практике. Тем не менее, их работа де-

го интеллекта всё ещё развиваются, становясь быстрее

пациентов с медработниками и одновременно

монстрирует, что кластерный анализ на основе ис-

и точнее. При этом только несколько фармацевтических

сократить количество обращений в больницы.

кусственного интеллекта является перспективным

компаний интегрировали решения на основе

подходом для классификации пациентов с инфарктом

технологий искусственного интеллекта в свои процессы.

￮

Автоматизация административного

миокарда. Будущие исследования сосредоточатся

В большинстве случаев, такие решения используются

документооборота с помощью искусственного

на определении «кластерно-специфических» вмеша-

лишь в пилотных проектах и ещё не получили должного

интеллекта. Прежде всего, это решения,

тельств, при которых учитывается эффективность пред-

развёртывания.

позволяющие ранжировать неотложные задачи

шествующего лечения [30], [72].

Благодаря искусственному интеллекту «умные» телеме-

и сэкономить время на рутинных задачах, таких

Больше всего на медицинский искусственный интеллект

дицинские сервисы сделают качественную медицину

как выписывание рецептов и анализов.

– машинное обучение, контекстно-зависимые вычисле-

более доступной для широкого круга людей и будут

ния, обработка естественного языка, компьютерное зре-

помогать им предотвращать развитие хронических за-

ние, распознавание речи – тратят в США, обусловлено

болеваний благодаря своевременным консультациям

наличием таких технологических гигантов, как Microsoft,

с доктором [47].

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Примеры внедрения технологий искусственного интеллекта

в здравоохранении

DEEPMIND HEALTH

QTROBOT

Искусственный интеллект обрабатывает всю информа-

Данный робот предназначен для терапии детей с за-

QTrobot предназначен для детей в возрасте от четырёх

цию о пациенте, анализирует все его симптомы и выда-

болеваниями аутистического спектра. Такие больные

лет. Он общается с больными с помощью слов, жестов

ёт список рекомендаций лечащему врачу, который в ре-

с трудом могут контактировать с окружающими, т.к.

и различными выражениями лица. Такой робот помо-

зультате ставит точный и окончательный диагноз [74].

почти не в состоянии воспринимать чужие эмоции

гает ребёнку со временем научиться распознавать эмо-

и с трудом выражают свои. Чем старше становится

ции и настроение окружающих людей, чтобы общаться

человек, тем труднее ему приходится из-за развития

с ними. В ходе опытной эксплуатации выяснилось,

ADA

болезни. Поэтому если не уделить должного внима-

что дети с аутизмом уделяют роботу в среднем в два

Искусственный

интеллект

обрабатывает

всю

ния данной болезни в раннем возрасте, впоследствии

раза больше внимания, чем лечащему врачу [74].

информацию о пациенте, анализирует все его симпто-

справиться с ней трудно.

мы и даёт консультации напрямую пациенту, подсказы-

вает ему, к какому врачу стоит обратиться и предлагает

удалённую консультацию со специалистом [74].

SENSE.LY

Данная программа предназначена для людей, которые

недавно прошли длительный срок лечения и у них

имеются хронические заболевания. Система выдаёт

оповещение о наступлении времени приёма лекарств,

необходимости наблюдения у врача, структурирует

данные о состоянии пациента и отправляет статистику

его лечащему врачу [74].

Рисунок 28 – Робот QTrobot

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Технологии искусственного интеллекта в ОПК

В 2017 году продажи сервисов

искусственного интеллекта для

ОПК, программного обеспечения

и оборудования в глобальном

масштабе достигли $6,26 млрд

К 2025 году показатель поднимется

до $18,82 млрд, а ежегодный рост

рынка будет измеряться 14,75%,

прогнозируют эксперты.

Главными драйверами подъёма продаж военных

решений в области искусственного интеллекта специ-

алисты называют растущие инвестиции в разработку

использующих искусственный интеллект интегриро-

ванных систем и расширенное использование облач-

ных приложений.

Крупнейшим сегментом рынка продуктов в области

искусственного интеллекта для нужд армии являют-

ся ПО, услуги и устройства, применяемые в наземных

проектах. Использование искусственного интеллекта

в беспилотных автомобилях способствует успешному

используемой для предотвращения инцидентов

систем ведения войны, участием в ассиметричных во-

выполнению различных операций, особенно тех, кото-

в области информационной безопасности, говорится

енных действиях и различными программами модер-

рые связаны с обезвреживанием взрывных устройств.

в исследовании.

низации, которые развивают вооруженные силы США

Что касается стран с наибольшими расходами на воен-

и которые помогли крупным оборонным предприя-

Наибольшие темпы роста расходов на рассматри-

ваемом рынке ожидается в секторе программного

ный искусственный интеллект, то в 2017 году лидером

тиям создать в стране технологические продвинутые

обеспечения, что можно объяснить высокой значи-

были США. Первое место страны аналитики связыва-

системы искусственного интеллекта для военных опе-

мостью такого софта в усилении ИТ инфраструктуры,

ют с необходимостью развития автоматизированных

раций [35].

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Военное ведомство России намерено внедрить искусственный интеллект

в автоматизированную систему управления войсками, т.к. в настоящее время

важной компонентой в общевойсковом бое выступает так называемая автоматизи-

рованная система управления войсками, а значит, в неё в первую очередь и будет

внедрён искусственный интеллект. Помимо этого военное командование намере-

но создать в России оружие с искусственным интеллектом. К его разработке могут

быть привлечены ведущие учебные и научные организации, которые будут работать

в сотрудничестве с технополисом «Эра».

Огромные массивы информации, которые необходимо обрабатывать, распреде-

лять, выявлять различные приоритеты поражения целей, оценки обстановки и т.д.

будут собираться и обрабатываться в автоматизированном режиме с привлечением

специализированных программ, которые можно подвести под понятие

искусственного интеллекта. Например, оценка характера угроз распределения

Рисунок 30 – Турель Корнет, оснащённая искусственным интеллектом

целей, распределение сил и средств – всёе это должно происходить в режиме

реального времени, беспрерывно и в достаточно сжатые сроки. Человеческий мозг

не может справляться с обработкой огромных массивов поступающей информации,

поэтому внедрение автоматизированных систем подразумевает следующий шаг –

внедрение технологий искусственного интеллекта, которое в свою очередь позво-

ляет решать задачи любой сложности, любой информационной нагрузки достаточ-

но быстро и оперативно.

Использование технологий искусственного интеллекта позволит военным быстрее

принимать решения, определять в случае необходимости наиболее опасные, при-

оритетные цели и наносить по ним удары высокоточным вооружением. Причём ра-

бота искусственного интеллекта затронет все виды вооружения, которые работают

Рисунок 29 – Боевой модуль концерна «Калашников», работающий под контролем искус-

на дальних рубежах.

ственного интеллекта

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

При этом всё будет обрабатываться в едином информационном пространстве, ко-

торое ещё называют военным Интернетом, что позволит привлекать для решения

задач любые виды войск, сопрягать их между собой, тем самым достигая высокой

эффективности применения вооружения и военной техники с наименьшими затра-

тами и расходами боеприпасов.

Эти системы будут выполнять вспомогательную, но при этом очень существенную

роль в решении задач: логистических, снабженческих и других, которые будут воз-

никать в процессе ведения и планирования боевых действий.

Частично эти элементы уже обработаны

– национальный центр управления

обороной участвовал в управлении боевыми операциями в Сирии [75].

Оружие, оснащённое искусственным интеллектом, сможет самостоятельно

принимать решение о ликвидации цели. Но так как это очень серьёзное решение,

поэтому всё равно многое зависит от человека-оператора. Отправляя комплекс

в полностью автоматический режим, человек должен быть стопроцентно уверен,

что цель правильная и уничтожен будет именно противник.

Опытные образцы оружия с элементами искусственного интеллекта есть

«Калашникова»,

«Техмаша»,

«Высокоточных комплексов» и некото-

рых других. В реактивных системах залпового огня концерна «Техмаш»

Рисунок 31 – Комплекс «Уникум», оснащённый искусственным интеллектом, изготовленный

Объединённой приборостроительной корпорацией

давно используются решения с применением технологий искусственного

интеллекта [76].

Концерн «Калашников» представил модуль с искусственным

интеллектом

Концерн «Калашников» представил боевой модуль, работающий под контро-

лем искусственного интеллекта. Автоматическая станция управления оружием

под контролем искусственного интеллекта может выполнять задачи без человека

в любое время суток. Система гиростабилизации позволяет вести огонь

в движении. Искусственный интеллект создан на основе нейронных сетей и может

совершенствоваться в процессе работы. Он способен обнаруживать и распознавать

цели, определять приоритеты в последовательности поражения, отдавать команды

автомату сопровождения и принимать решения об открытии огня. Станции могут

быть установлены как стационарно, так и на технике, возможно объединение их

в сеть для согласованных действий. Последний вариант рекомендуется для решения

задач охраны, например, периметра. Оснащение такими станциями важных

объектов позволит исключить такой человеческий фактор, как усталость и потеря

Рисунок 32 – Боевой робот «Нерехта», изготовленный ОАО «Завод им. Дегтярёва»

бдительности [77].

СФЕРЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Примеры внедрения технологий искусственного интеллекта

в оборонно-промышленный комплекс

ИСПОЛЬЗОВАНИЕ ДЛЯ РАСПОЗНАВАНИЯ

Алгоритм позволяет распознавать лица из маленькой

которые должны будут повысить эффективность их

базы данных, но в будущем планируется, что система

работы в условиях боя. Система ATLAS

(Advanced

ЛИЦ В ТЕМНОТЕ И ЧЕРЕЗ СТЕНЫ

сможет узнавать лица в реальном времени прямо

Targeting & Lethality Automated System, автоматизиро-

в местах военных действий. Кроме того, разработку со-

ванная расширенная система прицеливания и повы-

В апреле 2018 года стало известно о создании амери-

бираются интегрировать с тепловизором, способным

шения смертоносности), будет создаваться с использо-

канской армией системы, распознающей лица в темно-

видеть сквозь стены и также разрабатываемым в США.

ванием технологий машинного обучения.

те и даже сквозь стены. Разработка использует техно-

логию искусственного интеллекта.

В американской армии ожидают, что новая технология

Предполагается, что ATLAS снизит нагрузку на экипаж.

поможет находить места военных действий и иденти-

В частности, системе предполагается доверить обнару-

Лаборатория армейских исследований США (U.S. Army

фицировать главарей банд и других лиц, за которыми

жение целей, которые пропустили люди, приоритизи-

Research Laboratory, ARL) опубликовала в репозитории

охотятся власти [35].

ровать обнаруженные цели, а также наводить на них

arXiv статью с описанием работы алгоритма, позволяю-

щего распознавать лица на изображениях, полученных

орудие. Военные полагают, что новая система позволит

при помощи тепловизора.

повысить скорость реакции боевых машин в бою.

УПРАВЛЕНИЕ ИСТРЕБИТЕЛЯМИ

Согласно требованиям военных, ATLAS будет обра-

По словам учёного Бенджамина Риггана

(Benjamin

Riggan) из ARL, при использовании тепловизионных

В июле 2016 года стало известно, что искусственный

батывать не только данные с собственных датчиков

камер для фиксации изображения лица в темноте ос-

интеллект для управления истребителями ALPHA

и устройств боевой машины, но также получать дан-

новная проблема заключается в том, что полученное

одержал уверенную победу над бывшим лётчиком-а-

ные с такого оборудования на других танках. Бла-

изображение должно сопоставляться с библиотекой,

сом американской армии в виртуальном воздушном

годаря этому точность обнаружения новых целей

состоящей из фотографий, которые сделаны при нор-

бою.

значительно увеличится. Кроме того, это позволит

точно идентифицировать закамуфлированные цели.

мальной видимости.

Искусственный интеллект ALPHA – совместная разра-

ATLAS не сможет самостоятельно принимать решение

В ARL решили эту проблему путём создания алгорит-

ботка Университета Цинциннати, промышленности

об открытии огня – соответствующую команду должен

ма распознавания лиц на тепловых картах при помощи

и Военно-воздушных сил (ВВС) США. Программа со-

будет отдать командир боевой машины [35].

машинного обучения. Благодаря свёрточной нейросе-

здана специально, чтобы превзойти профессиональ-

ти разработчики добились того, чтобы программа на-

ных летчиков-истребителей в виртуальном поединке.

ходила общие черты лица на изображениях, сделанных

В одном из виртуальных боев против ALPHA сража-

обычной камерой и с помощью тепловизора распре-

лись два пилота на двух истребителях. Искусственный

деления электромагнитного теплового излучения.

интеллект победил, одновременно управляя четырьмя

На тепловизионном изображении лица выделяются

самолетами. При этом для управления ALPHA

общие черты (например, контур лица) и отдельные

использовался компьютер стоимостью всего $35 [35].

(нос, рот и глаза), после чего сопоставляются с чертами

из выборки, на которой обучена нейросеть, и состав-

СИСТЕМЫ ПРИЦЕЛИВАНИЯ

ляются в видимые черты – уже на готовой фотографии

лица. С использованием обученной модели, как утвер-

В начале

2019 года командование армии США

ждают учёные, удалось добиться точности распознава-

инициировало программу разработки виртуального

ния лиц на уровне 85%.

помощника для экипажей танков и боевых машин,

КЛЮЧЕВЫЕ

КОМПАНИИ

В МИРЕ

В ОБЛАСТИ ТЕХНОЛОГИЙ

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

КЛЮЧЕВЫЕ КОМПАНИИ В МИРЕ В ОБЛАСТИ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

-UUMRK

Таблица 5 –

3OIXUYULZ

‘SG`UT

Крупнейшие компании

Компании мира – обзор

/(3

?GTJK^

мира в области

(GOJ[

‘VVRK

искусственного

На графике справа приведены результаты экспертного опроса по тому, какие

4[GTIK

компании являются лидерами в той или иной области технологий искусственного интеллекта.

,GIKHUUQ

интеллекта [15], [16]

*KKV2

Экспертов, собранных авторами альманаха «Искусственный интеллект», попросили указать

IRGXGHXOJMK

5 компаний в данной области в порядке убывания приоритета. Далее все ответы взвесили

8’9′

GZZKTYOZ_

следующим образом: если эксперт указал компанию Х на 1 месте, то она получает 5 баллов,

3GT_)NGZ

ТОП-20

если на 5 месте – то 1 балл. Далее баллы для каждой компании суммировались и общий

2;/9

1UXK’/

КОМПАНИЙ

рейтинг показывает общее количество баллов, которые получила каждая компания. Таким

3OTJ9OS[RGZOUT

МИРА

образом, если в итоговом рейтинге у компании 1 балл, значит ее упомянул только 1 эксперт

5VKT’/

в конце списка [16]. В оценке участвовало 39 экспертов из РФ.

4GXXGZO\KYIOKTIK

Google

0.;

Список компаний

?GNUU

<KXOTZ

Microsoft

Результирующий список компаний не выглядит неожиданным. Безусловным лидером

5TZUZK^Z

рейтинга является компания Google, набравшая 271 балл, что означает, что она была в сред-

)RKGX,UXKYZ

)U\KU

Amazon

нем упомянута каждым экспертом в каждой технологической области (99% в пересчете

(XGTJ=GZIN

на каждый ответ).

3OZY[Q[6GTJUXGHUZY

IBM

:GRRG

За ней идут компании Microsoft и Amazon, чьи компетенции в области ИИ безусловны

0[YZ’/

‘XXOG

Intel

и общеизвестны. Facebook не оказалась в самой вершине этого списка, это видимо связано

6GRGTZOX

с тем, что Facebook не активен во многих областях, таких как распознавание или синтез

‘((??

Baidu

речи, или машинный перевод, а в общем рейтинге суммировались все баллы. Интересно,

9ZGTLUXJ

+RGYZOIIU

что эксперты не отметили, что Facebook занимается анализом тональности текстов, хотя FAIR

:GRQ=GRQKX

Apple

безусловно ведет работы в этой области. С другой стороны, например, маленькая немецкая

)NGZ,[KR

‘[ZUSGZKJOTYOMNZY

компания DeepL, занимающая только машинным переводом, набрала достаточно много го-

9_YZXGT VTSZ

Nuance

лосов экспертов. Это объясняется тем, что по мнению многих и российских и зарубежных

9GSY[TM

экспертов, движок машинного перевода разработанный в DeepL является лучшим и в неко-

8UIQKZ9ULZ]GXK

Facebook

3/:

торых случаях переводит лучше, чем Google. Российская компания Яндекс была отмечена

1XOHX[S

многими экспертами как одна из топ-мировых компаний. Компетенции Яндекса в области

8GJOGT狨

Netflix

.[G]KO

ИИ бесспорны.

*OMOZGR-KTO[Y

9KW[KR

Tencent

Никто из экспертов не упомянул китайские компании Tencent, Alibaba и iFlytek, такой ре-

:KTIKTZ

зультат может быть вызван формой вопроса, в котором просили экспертов указать топ-5

]OZGO

Alibaba

компаний и большинство российских экспертов не предполагает, что Tencent и Alibaba могут

:K^ZKTMOTK

HGH_RUT YULZ]GXK

оказаться в топ-5. Также, вероятно по этой же причине никто из экспертов не упомянул

:KSOY

NViDIA

компанию SalesForce, хотя она сейчас является сильным центром компетенций, поглотив

Ƴǜ ǥǘǝǡ

недавно стартап MetaMind, основанный одним из топ-исследователей мира в области ис-

4\OJOG

*,1/

Huawei

кусственного интеллекта Ричардом Сочером.

4KZ(GYK

Так же были проанализированы публикации компаний в СМИ и цитирование этих публика-

6XKJVUR

Samsung

‘[J++8/4-

ций другими источниками. Результаты этого анализа резюмированы в форме «тренд-карт»,

G\GGSU

на которых графически отражены позиции компаний [15].

9’6

Uber

6XUSZ

По вертикальной оси – «Значимость» компании, чем выше точка на карте, тем больше есть

4::

9VKKINSGZOIY

Open AI

значимых публикаций в СМИ, связанных с этой компанией (значимость публикации тем

1ULG^

выше, чем выше ее цитируемость). По горизонтальной оси -«Динамичность» компании, чем

/TLUTOI

Deepmind

правее точка на карте, тем быстрее за последние годы рост количества публикаций, связан-

9OTKW[G

4G\OKX

ных с этой компанией. Если точка в центре, то количество публикаций остается примерно

3GORX[

AI2

постоянным. Таким образом справа сверху отображены те компании, потенциал которых

<OYGRU

2K^GR_ZOIY

значим и постоянно растет. Сверху в центре компании, которые примерно стабилизовали

Deepl

свой рост, но являются очень значимыми для отрасли.

ǞǽȈȈȘ ȚȇȎȌȂȍȏȋǿ

В результирующий список вошло 23 компаний, которые образуют основное ядро компетен-

Рисунок 33 – Ведущие мировые компании в области искусственного интеллекта

ций в области искусственного интеллекта в мире.

КЛЮЧЕВЫЕ КОМПАНИИ В МИРЕ В ОБЛАСТИ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Google

ОПИСАНИЕ: крупнейшая поисковая система в мире

￮

Google Переводчик – это бесплатный инструмент,

￮ Google Cloud Natural Language – сервис

с интегрированными онлайн-сервисами (Gmail,

благодаря которому любой пользователь может

для глубокого анализа текстов. Позволяет делать

Google Maps, Google Hangouts и др.). Входит в холдинг

перевести текст с одного языка на другой.

синтаксический анализ, вычленять образы,

Alphabet, Inc. Основной доход компании приносит

Этим сервисом ежемесячно пользуются

анализировать эмоции.

таргетированная реклама. Также компания является

более 500 млн людей по всему миру, а в день

￮ Google Cloud AutoML Natural Language –

создателем операционной системы Android – круп-

Переводчик обрабатывает больше 100 млрд слов.

позволяет создавать специализированные модели

нейшей мобильной ОС.

Во время телефонного разговора технология

для категоризации текстовых данных на основе

распознавания речи превращает звуки в слова,

ваших данных, не требуя при этом глубоких

ИИ ПОДРАЗДЕЛЕНИЯ: Google AI, Google Brain,

а обработка естественных языков помогает

знаний в области ИИ.

DeepMind.

компьютеру понять смысл вашей речи. Эти

￮ Dialogflow – это комплексный пакет разработки

ОСНОВНОЕ НАПРАВЛЕНИЕ ИССЛЕДОВАНИЙ:

технологии используются, к примеру, в режиме

для создания диалоговых интерфейсов для веб-

машинный перевод, поиск и извлечение информации

разговора в Google Переводчике – благодаря ему

сайтов, мобильных приложений, популярных

из текста, обработка естественного языка.

вы можете общаться на 32 языках.

платформ обмена сообщениями. Может быть

￮

Автоматическое создание субтитров для YouTube

ЛИДЕРЫ В ИИ: Хьюго Ларошель – директор Google

использован для создания интерфейсов (таких

– с помощью машинного обучения YouTube

Brain.

как чат-боты и разговорный IVR, голосовые

автоматически создал субтитры более чем для 1

ассистенты), которые обеспечивают естественное

ТОП ИССЛЕДОВАТЕЛЕЙ ИИ:

ByRuslan Novikov