Научный архив: статьи

Приведена вероятностная модель системы антропогенной безопасности выхода из строя или нарушения режима эксплуатации электроустановок. В эту систему необходимо включить основные составляющие, которые образуют обобщенную систему, состоящую из следующих подсистем: информационное обеспечение, организационные и инженерно-технические мероприятия, а также защитные средства. Кроме того, здесь необходимо учитывать эксплуатационный контроль параметров техногенной безопасности и диагностики технического состояния эксплуатируемых электроустановок. Указанные подсистемы характеризуются различными элементами, которые определяют функционирование отдельных подсистем и всей системы в целом. Эти элементы охватывают достаточное количество факторов, позволяющих не только оценить состояние электроустановки, но и выполнить прогноз выхода из строя или нарушения режима эксплуатации электроустановок. В данном случае человек характеризуется дуальными свойствами: во-первых, определяется как субъект защиты, во-вторых, сам является источником снижения уровня электробезопасности и представляет собой один из рискообразующих факторов. Рискообразующие факторы являются переменными величинами и характеризуются циклом не связанных между собой событий. Результирующее влияние этих факторов представлено вероятностной моделью с дискретными состояниями определенного для каждого из факторов. Разработанный алгоритм состоит из следующих блоков: блок сбора данных и анализа информационных потоков, характеризующих функционирование системы; блок оценки влияния каждого фактора и весовое значение этого влияния на итоговую оценку состояния электробезопасности. Этот алгоритм реализован в процессорной модели, которая представлена автоматизированной информационной системой (AИС). АИС обрабатывает и анализирует данные о текущем состоянии системы и дает заключение об эффективности функционирования человеко-машинной системы «Ч-Э-С».

Рассмотрено цензурирование обучающих выборок с учетом специфики реализации алгоритмов метода ближайшего соседа.

Процесс цензурирования связан с использованием множества граничных объектов классов по заданной метрике с целью: поиска и удаления шумовых объектов; анализа кластерной структуры обучающей выборки по отношению связанности.

Исследуются специальные условия удаления шумовых объектов и формирования базы прецедентов для обучения алгоритмов.

Распознавание объектов по такой базе должно обеспечивать более высокую точность с минимальными затратами вычислительных ресурсов относительно исходной выборки.

Метод: Разработаны необходимые и достаточные условия для отбора шумовых объектов из множества граничных. Необходимое условие принадлежности граничного объекта к множеству шумовых задается в виде ограничения (порога) на отношение расстояний до ближайшего объекта из своего класса и его дополнения.

Поиск минимального покрытия обучающей выборки эталонами производится на основе анализа кластерной структуры. Эталоны представлены объектами выборки.

Структура отношений связанности объектов по системе гипершаров используется для их группировки.

Состав групп формируется из центров (объектов выборки) для гипершаров, в пересечении которых содержатся граничные объекты.

Значение меры компактности вычисляется как среднее число объектов обучающей выборки за вычетом шумовых, притягиваемое одним эталоном минимального покрытия.

Выполняется анализ связи обобщающей способности алгоритмов при машинном обучении со значением меры компактности.

Наличие связи обосновывается по критерию (регуляризатору) для отбора числа и состава множества шумовых объектов.

Основные результаты: Показана связь между значением меры компактности обучающей выборки и обобщающей способностью алгоритмов распознавания.

Связь выявлена по эталонам минимального покрытия выборки, из которых сформирована база прецедентов.

Обнаружено, что точность распознавания по базе прецедентов выше, чем на исходной выборке.

Минима

Современные технологии искусственного интеллекта находят применение в различных областях науки и повседневной жизни.

Повсеместное внедрение систем, основанных на методах искусственного интеллекта, выявило проблему их уязвимости перед состязательными атаками, включающими методы обмана искусственной нейронной сети и нарушения ее работы.

В работе основное внимание уделено защите моделей распознавания изображений от состязательных атак уклонения, признанных в настоящее время наиболее опасными.

При таких атаках создаются состязательные данные, содержащие незначительные искажения относительно исходных, и происходит отправка их на обученную модель с целью изменения ее «ответа» на вариант, необходимый злоумышленнику.

Искажения могут включать добавление шума или изменение нескольких пикселов
изображения.

Рассмотрены наиболее актуальные подходы к созданию состязательных данных: метод быстрого градиента (Fast Gradient Sign Method, FGSM), метод квадрата (Square Method, SQ), метод прогнозируемого градиентного спуска (Predicted Gradient Descent, PGD), базовый итеративный метод (Basic Iterative Method, BIM), метод Карлини и Вагнера (Carlini-Wagner, CW), метод карт значимости Якобиана (Jacobian Saliency Map Attack, JSMA).

Исследованы современные методы противодействия атакам уклонения, основанные на модификации модели — состязательное обучение и предварительная обработка поступающих данных: пространственное сглаживание, сжатие признаков, JPEG-сжатие, минимизация общей дисперсии, оборонительная дистилляция.

Эти методы эффективны только против определенных видов атак. На сегодняшний день ни один метод противодействия не может быть применен в качестве универсального решения.

Метод:

Предложен новый метод, сочетающий состязательное обучение с предварительной обработкой изображений.

Состязательное обучение выполнено на основе состязательных данных, создаваемых с распространенных атак, что позволяет эффективно им противодействовать.

Предварительная обработка изображений предназначена для противодей

Предложены метод стабилизации обнаружения структурных аномалий в условиях аддитивных шумов, а также алгоритм формального выбора параметров решающего правила в обнаружителе структурных аномалий на основе метода Robust Random Cut Forest (RRCF).

Метод:

В рамках разработанного метода, для стабилизации процесса обнаружения структурных аномалий в условиях воздействия аддитивных шумов, предложено подавать на вход RRCF-обнаружителя поток данных, который предварительно обработан одним из методов цифровой фильтрации.

При этом правило принятия решения об обнаружении аномалии строго формализовано и прозрачно интерпретируется.

Основные результаты:

Формализован выбор параметров стабилизированного методами предварительной фильтрации данных входного потока обнаружителя аномалий на базе RRCF.

Параметр обнаружителя, выбранный в рамках предложенный схемы, гарантирует априорно заданную верхнюю границу для вероятности ложной тревоги при принятии решения об обнаружении структурной аномалии.

Это свойство строго доказано и оформлено в виде теоремы.

Эффективность работы стабилизированного RRCF-обнаружителя аномалий исследована численным методом.

Достигнутые результаты подтверждают работоспособность рассмотренного подхода при условии выбора порога обнаружения предложенным способом.

Приведен пример практического использования предложенного RRCF-обнаружителя.

Обсуждение:

Разработанный подход перспективен для обнаружения структурных аномалий в условиях зашумления наблюдений аддитивной помехой, в случае, когда важно гарантировать верхнюю границу для вероятности ложной тревоги.

В частности, подход может найти применение при контроле технологических режимов прокачки жидкости в трубопроводных системах или в системах обнаружения предотказных состояний технологического оборудования.

В статье рассматривается возможность использования генеративных систем искусственного интеллекта для создания юридических текстов и поддержки юридической деятельности.

Проведено экспериментальное исследование на основе систем ChatGPT и YandexGPT.

Представлены новые метрики оценки качества сгенерированных юридических текстов, которые существенно отличаются от традиционных методов оценки текстов.

Основное внимание уделяется содержательным аспектам юридических документов и их пригодности для практического применения.

Результаты исследования показывают, что современные ИИ-системы способны генерировать тексты, которые могут быть полезны в юридической практике, хотя и требуют доработки.

Искусственный интеллект сегодня можно назвать одним из самых обсуждаемых явлений. Между тем, границы этого термина чрезвычайно широки и размыты. Подобной размытости во многом способствует разноплановое прочтение понятия в медиа. Медиа формируют амбивалентное и неустойчивое отношение к явлению в восприятии аудитории. В связи с этим представляется важным определить ассоциативное поле термина, существующее к настоящему моменту времени в восприятии студентов-журналистов, которые транслируют и будут транслировать собственные ассоциации потребителям медиаконтента. Задача исследования - конкретизация особенностей ассоциативного поля термина «искусственный интеллект», сформированного у студентов-журналистов российских вузов. В нашем исследовании на основе анализа результатов ассоциативного теста, пройденного 380 студентами, обучающимися на направлениях «Журналистика», «Телевидение», «Медиакоммуникации» и «Реклама и связи с общественностью» в трех вузах страны (МГУ имени М.В. Ломоносова, ДВФУ и ТГУ имени Г.Р. Державина) мы определяем ассоциативное поле термина. Хронологические рамка исследования - декабрь 2023 г. Ассоциации фиксируются на основе следующих вопросов: «С каким словом у вас ассоциируется «искусственный интеллект?», «С каким животным у вас ассоциируется «искусственный интеллект?», «С каким растением у вас ассоциируется «искусственный интеллект?», «С каким цветом у вас ассоциируется «искусственный интеллект?», «С какой страной у вас ассоциируется «искусственный интеллект?», «С какой эмоцией у вас ассоциируется «искусственный интеллект?», «С какой известной личностью у вас ассоциируется «искусственный интеллект?», «Если бы у вас была возможность дать искусственному интеллекту имя, то какое вы выбрали бы?». Выявляются ассоциации, характерные для студентов всех трех вузов, а также осуществляется попытка выявить различия в формировании ассоциативного поля студентов разных вузов.

Цель работы: на основе результатов сравнительного научного анализа выработка предложений по совершенствованию правового регулирования деятельности систем искусственного интеллекта (далее — ИИ).

Методы исследования: общенаучные методы сравнительного системного анализа и синтеза новых правовых норм, позволяющие совершенствовать законодательство в сфере правового регулирования деятельности систем ИИ.

Результаты исследования: автором предлагается концепция разработки проекта нормативного правового акта в исследуемой сфере в виде федерального закона. Прежде всего, в этом законодательном акте необходимо дать правильные с научной правовой точки зрения определения ИИ, системы и технологии ИИ, а также урегулировать ответственность разработчика, производителя, собственника и пользователя систем ИИ за правонарушения с их участием. Третий раздел необходимо посвятить этапам жизнедея-тельности ИИ, от проектирования и создания до прекращения функционирования и утилизации. Четвертый раздел должен регулировать авторские права на произведения, созданные с помощью ИИ, и последствия их использования. Пятый раздел должен быть
направлен на решение проблем в сети Интернет, где в последнее время резко увеличи-вается применение всевозможных роботов-консультантов. Шестой раздел должен регулировать деятельность систем ИИ в сфере цифровой экономики. Седьмой раздел — это правовое регулирование использования систем ИИ в государственном управлении; это касается органов государственной власти, судов и органов местного самоуправления. Восьмой раздел должен быть посвящен соблюдению требований безопасности, прежде всего информационной. И, наконец, девятый раздел содержит предложения по внесению изменений и дополнений в законодательные акты Российской Федерации.

Научная новизна: впервые в науке информационного права на основе проведенного научного анализа правового регулирования отношений в сфере деятельности систем ИИ разработаны предложения по совершенствованию и развитию правового регулирования деятельности систем ИИ.

Цель работы: показать правовые проблемы при развитии и внедрении искусственного интеллекта в российской действительности.

Результат. Сделан обзор темы для России, США и Китая. Хотя Россия по использованию искусственного интеллекта находится на 10-м месте в мире, однако его внедрение идет быстрыми темпами. Авторам хотелось показать (и предостеречь), что внедрение того, что называют искусственным интеллектом, развивалось еще в СССР. Один из авторов еще в 1970 году создал лабораторию машинного проектирования для автоматического
проектирования 13-слойных печатных плат бортовых вычислительных машин (авиакосмических комплексов).

К 1980 году в СССР были сотни подразделений в самых разных областях техники, которые занимались автоматизацией проектирования и управления. Развитие автоматизации остановилось в России в связи с остановкой развития промышленности в стране — практически полностью было ликвидировано пассажирское самолетостроение, станкостроение, приборостроение и только в последние годы страна опомнилась и начала говорить о развитии промышленности. Правда, на примере самолетостроения мы видим, что даже давно испытанные и ранее выпускавшиеся пассажирские самолеты никак не начнут выпускаться.

На пути внедрения искусственного интеллекта — не только искусственные преграды в лице нерадивых чиновников, но и объективные обстоятельства: отсутствие правовой базы.

Практическая ценность: настоящая работа является дополнением статьи авторов «Правовые горизонты технологий искусственного интеллекта: национальный и международный аспект» (журнал «Вопросы кибербезопасности», № 1 за 2024 год) и может быть полезной при разработке правовой базы.

В статье рассматриваются задачи модульного обучения искусственных нейронных сетей, а также исследуются возможности частичного использования модулей в условиях ограниченных вычислительных ресурсов. Предлагаемый метод основывается на свойствах
вейвлет-преобразования по разделению информации на высокочастотную и низкочастотную части. Используя наработки по вейвлет-преобразованию на основе сверточного слоя, авторы осуществляют поперечнослойное разделение сети на модули для дальнейшего частичного использования их на устройствах с малой вычислительной мощностью. Теоретическое обоснование такого подхода в статье подкрепляется экспериментальным разделением базы MNIST на 2 и 4 модуля и их последовательным использованием с замером точности и производительности. Выигрыш в производительности составил 2 и более раза при использовании отдельных модулей. Также с помощью AlexNet-подобной сети с использованием набора данных GTSRB проверены предложенные теоретические положения, при этом выигрыш производительности одного модуля составил 33 % без потери точности.

Статья посвящена рассмотрению свойств гармонического метода имитации в рамках спектральной теории и оценке качества этого метода. Проведён обзор литературы о существующих методах моделирования многомерных случайных полей, позволивший выполнить сравнение этих методов, при этом критериями сравнения были сложность алгоритма, вычислительные затраты и требования к памяти, требования к ковариационной функции и сетке. Выявлены слабые места, такие как недостаточная точность и высокая вычислительная сложность, характерные для спектральных методов имитации, к которым относится гармонический метод. Рассмотрены формы сымитированного гармоническим методом сигнала для разных базисов: обнаружено свойство центросимметричности для квадратных сигналов в базисе Фурье, подобное ему свойство для прямоугольных сигналов в базисе Фурье, свойство симметричности квадратного сигнала в базисе Хартли и отсутствие подобных свойств у прямоугольного сигнала, сымитированного в базисе Хартли. Проведён сравнительный анализ точности имитации двумерных сигналов, как частного случая многомерных, гармоническим методом в базисах Фурье и Хартли. Демонстрируется, что в зависимости от характеристик дискретизации сымитированный сигнал в базисе Фурье отличается от этого же сигнала, сымитированного в базисе Хартли, по точности. Как следствие выполненного исследования, сформированы рекомендации по выбору базиса в конкретной задаче имитации двумерных сигналов. Описано влияние обнаруженных свойств на вычислительную сложность метода. Предложены способы применения этих свойств для имитации произвольных двумерных сигналов.

В данной работе предложен метод, комбинирующий вейвлет-преобразования и методы машинного обучения, для классификации состояния растительных культур по цветным цифровым изображениям. Входными данными для классификации являлся сформированный вектор текстурных признаков Харалика.

Реализована программа на высокоуровневом языке программирования Python для классификации цифровых изображений с использованием многоуровневого дискретного вейвлет-преобразования Добеши и классификационных методов машинного обучения – классической логистической регрессии и персептрона. Показана эффективность предложенного метода в решении задачи многоклассовой классификации изображений, сделаны соответствующие выводы, оценены перспективы метода.

Возможности искусственного интеллекта растут с увеличением мощности суперкомпьютеров и инноваций. Уже идут разговоры о том, что мы видим элементы Создания Искусственного Общего Интеллекта (Artificial general intelligence, AGI), например, в виде генеративного предварительно обученного трансформатора (Generative pre-trained transformer, GPT). Однако возможности классических подходов к построению искусственного интеллекта не безграничны. Они сдерживаются трудностями дальнейшего
увеличения плотности транзисторов, дискретным (цифровым) представлением данных, невозможностью лингвистического представления мыслей и эмоций людей, отсутствием учета поведения атомов нейронов, число которых в квадриллион раз больше, чем самих нейронов, а поведение характеризуется нелокальностью.

Однако снятие этих ограничений, включая смену цифровой парадигмы представления данных на аналоговую и учет атомной структуры нейронов, потребует создания новых материалов, которых еще нет на земле, построения оптических аналоговых процессоров. Эти исследования потребуют международного сотрудничества и использования специальной конвергентной технологии, которая обеспечит целенаправленность сложных междисциплинарных исследований. Некоторые элементы такой технологии
уже отрабатываются на практике.