SCI Библиотека

В статье описывается общая концепция построения коллаборативных систем поддержки принятия решений, в которых коллективы, осуществляющие поддержку принятия решений, а) формируются гибко в соответствии с задачей и б) состоят как из людей-экспертов, так и из интеллектуальных агентов, реализующих те или иные методы искусственного интеллекта. Проводится анализ ключевых проблем создания коллаборативных систем поддержки принятия решений, основанных на взаимодействии человека и искусственного интеллекта. В частности, выделены следующие проблемы: обеспечение интероперабельности (взаимопонимания) между разнородными участниками коллектива, согласование различающихся позиций участников, обеспечение доверия между участниками, обеспечение эффективности планирования совместных действий и соблюдение баланса между предопределенными потоками работ и самоорганизацией. Сформированы принципы построения подобных систем, предлагающие решения выделенных проблем. В частности, предлагается онтолого-ориентированное представление информации о проблеме (в частности, применение мультиаспектных онтологий), набор методов для мониторинга деятельности команды, схема репутации, элементы объяснимого искусственного интеллекта, а также применение механизма ограниченной самоорганизации. Предложенная концепция положена в основу программной платформы для создания коллаборативных систем поддержки принятия решений, основные архитектурные положения которой также представлены в статье. Применение платформы иллюстрируется на примере из области рационального управления дорожной инфраструктурой и создания коллаборативной системы поддержки принятия решений для разработки мероприятий по снижению аварийности.

В последние годы существенно вырос интерес к искусственному интеллекту на основе нейросетевых подходов. Получен ряд значимых научных результатов, которые нашли широкое применение на практике. Большое внимание привлекли генеративно - состязательные нейросетевые модели, нейросетевые трансформеры и другие решения. Достигнут очевидный прогресс в нейросетевом распознавании и генерации образов, обработке текстов и речи, прогнозировании событий, управлении трудно формализуемыми процессами. Однако пока не удалось наделить нейросетевые машины мышлением. Все получаемые с использованием нейросетевых машин результаты можно отнести к решениям на основе различных видов связывания сигналов без полноценного управления процессами их обработки. Типичными представителями таких машин выступают ChatGPT. Возможности по интеллектуальному оперированию различными сигналами в известных нейросетевых машинах очень ограничены. Среди основных причин таких ограничений следует выделить несовершенство используемых базовых принципов нейросетевой обработки информации. Свойства нейронов длительное время рассматривались упрощенно. Обуславливалось это, как пробелами в области биологических исследованиях, так и отсутствием возможностей построения больших нейронных сетей на сложных моделях нейронов. В последние годы ситуация изменилась. Появились новые способы реализации больших нейронных сетей. Также установлено, что даже отдельные нейроны могут обладать обширной внутренней памятью и реализовывать различные функции. Однако до сих пор многие механизмы функционирования нейронов и их взаимодействия остаются не раскрытыми. Мало исследованы вопросы управляемого ассоциативного обращения к внутренней памяти нейронов. Эти недостатки существенно сдерживает создание мыслящих нейросетевых машин. Объектом исследования в статье выступает процесс интеллектуальной нейросетевой обработки информации.
Предмет исследования: принципы, модели и методы такой обработки. Преследуется цель расширения функциональных возможностей нейросетевых машин по решению трудно формализуемых творческих задач за счет разработки новых принципов, моделей и методов интеллектуальной обработки информации. В интересах достижения этой цели уточняются принципы функционирования интеллектуальных нейросетевых машин, предлагаются новые модели и методы нейросетевой обработки информации. Раскрывается новая модель импульсного нейрона, как базового элемента таких машин. Искусственный мозг нейросетевых машин рекомендуется формировать в виде многослойных нейронных сетей, наделенных логическими структурами, с различными по параметрам нейронами. Предлагается новый метод многоуровневой интеллектуальной обработки информации в нейросетевых машинах на основе умных импульсных нейронов. Поясняются механизмы мышления нейросетевых машин, лежащие в их основе функции интеллектуального оперирования образами и понятиями в нейросетевой памяти. Приводятся результаты моделирования, подтверждающие справедливость предложенных решений.

Рассматриваются особенности архитектурной застройки, планировки и оснащения умного города с помощью интеграции алгоритмов и методов искусственного интеллекта.
В качестве объекта исследования был выбран город-спутник Казани – Иннополис, который проектировался как город для IT-специалистов.

Актуальность выбранной темы обусловлена стремительными темпами цифровизации, проникающей во все отрасли человеческой деятельности, в том числе в проектирование городов и градоустройство.

Выводы. Систематизация знаний, которые легли в основу проектирования современного отечественного умного города, опыт развития Иннополиса могут стать базой для более быстрого перехода других населенных пунктов в статус смарт-городов

В данной статье представлен сравнительный анализ трех передовых алгоритмов глубокого обучения с подкреплением: Deep Deterministic Policy Gradient (DDPG), Proximal Policy Optimization (PPO) и Soft Actor-Critic (SAC), реализованных в библиотеке Stable Baselines 3. Целью исследования является оценка эффективности и применимости каждого из алгоритмов для задачи управления беспилотным автомобилем в сложной и динамичной среде, предоставляемой симулятором CARLA, с акцентом на такие ключевые показатели, как суммарная дистанция, суммарное вознаграждение, средняя скорость, отклонение от центра дорожной полосы и доля успешных эпизодов. Авторы подробно описывают методологию экспериментального тестирования, включая настройку параметров обучения и критерии оценки производительности. Результаты экспериментов демонстрируют различия в производительности алгоритмов, выявляя их сильные и слабые стороны в контексте автономного вождения. Статья вносит вклад в понимание преимуществ и ограничений каждого алгоритма в контексте автономного вождения и предлагает рекомендации по их практическому применению.

В статье обсуждаются проблемы, связанные с применением искусственного интеллекта в науке о языке. Данная тема является сейчас очень актуальной, так как, идя в ногу со временем, лингвистика всё больше становится объектом внимания ученых-программистов. За последние десятилетия было создано столько языковых платформ искусственного интеллекта для машинного перевода, систем распознавания речи, вопросно-ответных систем и других, сколько не было разработано за все годы прошлого века, начиная с 1940-х годов.

Введение: многочисленные исследования говорят о том, что современные крупные нейронные сети, как правило, имеют избыточное количество параметров. Целью работы является обучение и оптимизация модели “ruBERT” для применения в информационных вопросно-ответных системах на русском языке. Научная новизна работы состоит в экспериментальном исследовании различных методов прореживания модели “ruBERT” при дообучении на наборе данных “SberQuAD”.
Методы: в настоящей работе используются методы обработки естественного языка, машинного обучения, прореживания искусственных нейронных сетей. Языковая модель была настроена и дообучена при помощи библиотек машинного обучения “Torch” и “Hugging Face”. Для обучения нейронных сетей использовался набор данных “SberQuAD”. Все эксперименты проводились при помощи сервисов “Google Colab” и “Google Cloud”.
Результаты: было обнаружено, что удаление ~54% от числа весов кодировщика модели “ruBERT” (~39 миллионов параметров) приводит к незначительным ухудшениям в результатах работы модели: с 67,31 до 63,28 для показателя EM и с 85,47 до 82,48 для показателя F-мера. Полученные результаты говорят о том, что модель “ruBERT” содержит избыточное количество весов для задачи “извлечение ответа на вопрос”. Для эффективного применения данной модели в информационных вопросно-ответных системах на русском языке необходимо проводить её компрессию и оптимизацию. Оптимизированная модель может работать на менее мощном оборудовании без значимых потерь в производительности, что приводит к уменьшению затрат на поддержание информационных вопросно-ответных систем, в которых применяется данная модель.

В статье артикулируются антропологические вызовы искусственного интеллекта (ИИ) в модусе концептуализации и восприятия рисков и угроз, благ и выгод, происходящих от новой технологии. Образы антропологических вызов находят разные формы репрезентации в научных концептах и философской рефлексии, в визуализациях в современных видах искусства, в компьютерных играх, кинематографе, институционализированы в правилах этических руководств. Все они могут быть рассмотрены как поиск ответов на проблематизацию человека, его субъектности, целостности, открытости, которые подвергаются риску в технологиях ИИ. Образы восприятия канализированы в позиции в отношении к ИИ и одновременно определяются практиками его широкого внедрения. Концепт ИИ формируется в лексическом топосе осмысления цивилизационного вызова. Понятие «искусственный интеллект» превращается в метафору широкого порядка, порождающую множественные концептуальные модификации. Концепт ИИ, соединяя метафорическое и понятийное, выполняет функцию «оестествления», «опривычивания» технологии. Особенностью в обобщении позиций в отношении к искусственному интеллекту является их нелинейность и целевое формирование. Рассмотрены три варианта оформления образов антропологических вызовов ИИ: алармистский, инструменталистский (профессиональный) и утилитарный (пользовательский). Коллективный ответ на антропологические вызовы ИИ вероятно будет строиться на утилитарно-прагматической основе, концептуально и институционально репрезентированный в этическом регулировании. Для нивелирования антропологических рисков действенными могут быть индивидуальные ответы на основе самосохраняющей стратегии и когнитивной гигиены, начиная со сферы образования. Разработка правил и процедур такой сохраняющей стратегии - задача, которая встает в контексте развития ИИ. Гуманитарная экспертиза нейросетей может стать частью этой стратегии.

Рассматриваются инновационные и структурные преобразования ВПК КНР и их связь с процессом военно-гражданской интеграции, направленной на создание в стране инновационной системы науки и технологий, объединяющей военные и гражданские ресурсы с целью повышения потенциала ВПК по выпуску высокотехнологичных вооружений и военной техники нового поколения, и одновременно — инновационного обновления гражданского сектора экономики. В поле зрения автора тенденция роста объемов финансирования НИ- ОКР в КНР, а также предпринимаемые меры по использованию в интересах решения поставленных задач искусственного интеллекта.

Новым этапом внедрения искусственного интеллекта (ИИ) в повседневную жизнь России станет массовое внедрение его технологий и продуктов, созданных на его основе, в систему государственного управления и бюджетную сферу. Сегодня же ИИ используется в большинстве сфер общественной жизни, но уровень его развития все еще недостаточно высок. В этой связи задачи, рассмотренные в данной публикации, являются современными и актуальными и могут быть использованы на стадиях разработки и использования ИИ. Авторы уточнили определение понятия «искусственный интеллект», проанализировали направления развития ИИ и определили перспективные сферы наиболее ускоренного технологического развития интеллектуальных систем: генеративного, голосового и языкового, объяснимого и периферийного ИИ с характеристикой этапов до настоящего времени. Проанализированы два основных критерия ИИ: «сильный ИИ» и «слабый ИИ» и рассмотрены их фундаментальные различия.Представлены результаты краткого анализа состояния и планов развития ИИ в России. Уровень внедрения ИИ в отраслях экономики достигает 20%, и этого недостаточно для обеспечения ускоренного роста экономики. Предполагается, что внедрение ИИ должно обеспечить к 2030 г. дополнительный прирост мирового ВВП в 1,2%, а наша страна к 2025 г. планирует получить от его применения более 11 трлн рублей. Будущее искусственного интеллекта в России определил президент страны на Петербургском международном экономическом форуме (ПЭМФ-2023). Озвученные направления позволят шире раскрыть потенциал ИИ и обеспечить его массовое внедрение для формирования суверенитета России.

Введение. В центре внимания исследования находится проблема оптимизации управления человеческими ресурсами при системном охвате экономической эффективности и корпоративной социальной ответственности. Цель статьи заключается в исследовании роли аутсорсинга в гуманизации предпринимательства в экономике искусственного интеллекта. Потенциал аутсорсинга в области развития предпринимательства в экономике искусственного интеллекта обосновывается через эконометрическое моделирование с использованием метода регрессионного анализа на примере компаний из “Global-500” в 2022 г. Перспективные направления развития «умного» аутсорсинга в поддержку гуманизации предпринимательства в экономике с помощью метода сравнительного анализа определяются через идентификацию его преимуществ по сравнению с традиционным аутсорсингом для гуманизации предпринимательства. С помощью метода кейс-стади систематизированы успешные примеры использования «умного» аутсорсинга в различных бизнес-операциях предпринимательства.

Материалы и методы. Статья опирается на количественно-качественную методологию в соответствии с системным подходом для формирования наиболее полного и достоверного представления об использовании аутсорсинга в предпринимательстве в экономике искусственного интеллекта. Исследование в статье проводится на микроуровне экономики искусственного интеллекта при изучении практики предпринимательства. Фундаментальную основу проводимого в этой статье исследования сформировала Теория управления человеческими ресурсами (HRM). Авторы использовали как общенаучные, так и частнонаучные методы познания, среди которых можно выделить диалектический, сравнительный, структурно-функциональный и т. д.

Результаты исследования. Полученные результаты развивают и дополняют научные положения Теории управления человеческими ресурсами (HRM). В результате проведенного исследования авторы статьи доказали, что применение аутсорсинга не должно ограничиваться отдельными случаями и целесообразно массовое применение аутсорсинга для повышения эффективности управления человеческими ресурсами в предпринимательстве. Тем самым обоснована ключевая роль аутсорсинга в реализации ЦУР 8 в экономике искусственного интеллекта. Вклад исследования в науку состоит в переосмыслении сущности и роли аутсорсинга в экономике искусственного интеллекта. Полученные результаты отразили аутсорсинг в новом свете, который впервые представлен не только как инструмент, но так же, как объект автоматизации.

Обсуждение и заключение. Ключевой вывод заключается в том, что в экономике искусственного интеллекта гуманизация предпринимательства может обеспечиваться с помощью «умного» аутсорсинга, который более предпочтителен по сравнению с традиционным аутсорсингом в силу своей повышенной гибкости, рациональности и эффективности. Теоретическая значимость заключается в уточнении специфики аутсорсинга в экономике искусственного интеллекта, а также в обосновании предпочтительности и в обеспечении научной методологии осуществления «умного» аутсорсинга. Практическая значимость связана с тем, что предложенные практические рекомендации по осуществлению «умного» аутсорсинга позволяют повысить эффективность предпринимательской деятельности и повысить устойчивость бизнеса к экономическим кризисам, поддерживают экономический рост через «умный» аутсорсинг.