Научный архив: статьи

Рецензирование текстов сложных документов, то есть документов, как имеющих сложную структуру, так и затрагивающих значительное количество вопросов, является неотъемлемой составляющей образовательного процесса и научно-исследовательской деятельности. Однако данный процесс требует внимания, глубокого анализа и индивидуального подхода, что сложно обеспечить при возрастающем объеме научных работ. В связи с этим актуальной становится задача автоматизации рецензирования. Целью данного исследования является сравнительный анализ методов автоматизации рецензирования научных текстов для выявления наиболее эффективных подходов. Для проведения обзора было проанализировано 176 актуальных исследовательских и обзорных статей из открытых баз ScienceDirect и IEEExplore, опубликованных не ранее 1 января 2015 г., из которых было выбрано 40. Выбранные источники были разделены на четыре группы по виду используемых методов: статистические методы, методы обработки естественного языка с машинным обучением, большие языковые модели, в том числе с дополнительными функциями. Для каждой из групп методов выявлены основные функции и оценена глубина решения задачи рецензирования. Проведенный сравнительный анализ методов показывает, что наибольшую эффективность и глубину решения задачи рецензирования показывают большие языковые модели с дополнительными функциями (прежде всего дополнительно обученные). Вместе с тем для более эффективного использования вычислительных ресурсов предлагается комплексный подход, объединяющий как большие языковые модели, так и методы обработки естественного языка.

Рассматриваются этические проблемы интеграции больших языковых моделей (LLM) в образовательный процесс с целью повышения его эффективности. Анализируются материалы научных публикаций и результаты экспериментальных образовательных диалогов с LLM-сервисами. Аргументируется влияние речевого этикета на эффективность учебных диалогов с LLM и предлагаются практические рекомендации по их совершенствованию на основе их этической составляющей.

Статья посвящена дискуссионной проблеме применения искусственного интеллекта в исторических исследованиях. Во введении кратко рассматривается история возникновения «искусственного интеллекта» (ИИ) как направления в информатике, эволюция этого определения и взглядов на области применения ИИ; анализируется место методов искусственного интеллекта на разных этапах конкретно-исторических исследований. В основной части статьи на основе анализа историографических источников и собственного опыта участия в зарубежных проектах автор анализирует практику реализации проектов распознавания рукописного текста с помощью различных информационных технологий и методов ИИ, в частности, описываются и обосновываются требования к созданию электронных копий распознаваемых источников, необходимость учета фактуры носителей информации, писчих материалов, техники и технологии создания текста; разновидности и способы создания палеографических, кодикологических, дипломатических наборов данных, историко-лексикологических словарей, возможности использования больших языковых моделей и т. п. В качестве методологической основы автор использовал системный подход, историко-сравнительный, историко-хронологический и описательный методы, а также анализ историографических источников. Учитывая то, что в российской исторической науке применение технологий и методов искусственного интеллекта является довольно редким явлением, анализ опыта осуществления подобных зарубежных проектов весьма актуален, так же как и характеристика профильных научных ассоциаций, научных и научно-вспомогательных ресурсов (порталов и сайтов с наборами данных и исследовательским инструментарием), размещенных в сети Интернет, и сборников научных трудов по изучаемой проблематике, неизвестных в России, о которых идет в речь в статье. В заключение делается вывод перспективности применения технологий искусственного интеллекта не только в качестве вспомогательного инструментария, но и как исследовательских методов, помогающих в установлении авторства исторических источников, уточнении их датировки, выявления подделок и т. п., а также в создании новых видов научно-справочных поисковых систем архивов и библиотек. Вместе с тем, использование технологий искусственного интеллекта отличается большой затратностью и капиталоемкостью, что является серьезным препятствием для широкого внедрения данных технологий в практику исторических исследований.

По мере того как способности к автономному принятию решений в системах искусственного интеллекта (ИИ) продолжают развиваться, задача включения основ этики в решения, которые принимают интеллектуальные агенты, становится все более актуальной. Решение этого вопроса лежит в области создания машинной этики, которая включает интеграцию этических ценностей и моральных норм человека в системы ИИ, давая им возможность, таким образом, обладать способностью этического согласования. Хотя машинная этика основана на человеческой этике, она обладает особенными фундаментальными характеристиками, которые требуют глубокого анализа и учета при разработке таких систем.

Во-первых, у современных умных машин нет субъектности и опыта, и они проявляют слабые возможности принятия этических решений. Это связано с отсутствием у них сознания, эмоций и способности к эмпатии, которые являются ключевыми элементами человеческой этики.

Во-вторых, решения машин отражают этические соображения заинтересованных сторон - людей, на которых влияют их действия. В результате машины должны принимать этические решения, находя баланс между ценностями различных участников и демонстрируя социальное равновесие. Это требует разработки сложных алгоритмов, способных учитывать множественные, часто противоречивые, интересы и ценности.

В-третьих, машины подвержены к культурным влияниям в принятии этических решений и должны передавать культурное разнообразие. Это особенно важно в глобализированном мире, где ИИ-системы используются в различных культурных контекстах. Наконец, машины должны объяснять свои этические решения людям, понимать эмоциональные выражения и определять степень ответственности, что требует наличия мощных возможностей устойчивого взаимодействия человека и машины. Это включает разработку интерфейсов, способных к естественному диалогу, и механизмов, обеспечивающих прозрачность и подотчетность решений.

Создание машинной этики представляет собой сложную междисциплинарную задачу, требующую интеграции знаний из области философии, психологии, социологии, культурологии и компьютерных наук. Успешное решение этой задачи позволит не только повысить доверие к ИИ-системам, но и обеспечить их гармоничное взаимодействие с обществом, минимизируя потенциальные риски и конфликты.

Одним из наиболее проработанных и простых в использовании направлений генеративных моделей с точки зрения оперирования функциональностью для конечных пользователей являются большие языковые модели, позволяющие выполнять различные операции с текстовыми данными. Поскольку современная цифровая картография максимально быстро включает в свой инструментарий последние достижения в области информационных технологий, представляется актуальным рассмотреть основные сферы использования больших языковых моделей применительно к типовым задачам обработки пространственных данных в виде описания сводных показателей атрибутивных значений, формирования элементов географического описания, получения последовательностей выполнения определенных задач в геоинформационных системах, построения запросов к данным на языке SQL, написания фрагментов программного кода отдельных скриптов и модулей для ГИС, генерации картографических изображений по описанию. На основе результатов проведенных экспериментов сделан вывод о том, что большинство перечисленных базовых задач хорошо автоматизируются с помощью больших языковых моделей, но с учетом необходимости проверки и корректировки результатов специалистами в области картографии и геоинформатики.

В статье рассматривается роль больших языковых моделей (БЯМ) в развитии современных медиакоммуникаций, а также на основе отечественного и зарубежного опыта анализируются примеры их внедрения. Выделяется пять основных функций БЯМ: изменения в образовательной сфере и методологии поиска информации, модификация роли человека в создании медиатекста, воздействие на рынок труда и влияние на языковое устройство. Внедрение БЯМ повышает эффективность процессов, связанных с созданием медиаконтента, и тем самым стимулирует переосмысление традиционных подходов к работе в медиасфере. Но эффективное применение БЯМ требует соответствующих компетенций и навыков, а также понимания их ограничений и потенциала. На текущем этапе развития технологии основными сферами применения БЯМ являются обработка информации и генерация типовых текстов, однако их потенциал еще предстоит полностью раскрыть.

Данная работа задает два вопроса: 1. Может ли художник внедрить свои знания в большую языковую модель? 2. Может ли большая языковая модель генерировать изображения по запросу неквалифицированного пользователя на уровне, который бы удовлетворил художника? Для получения ответов на поставленные вопросы автор работы - художник - создает “креативного ИИ-агента” и проводит эксперимент под названием “Тест Гутенберга”. В широком смысле, “Тест Гутенберга” представляет собой новый методологический подход к тестированию и оценке творческих способностей искусственного интеллекта. В практическом плане “Тест Гутенберга” предоставляет методологический каркас, который заставляет художника оценивать художественные артефакты, созданные ИИ-агентом, которого разработал сам художник. В отличие от других тестов на творчество ИИ, “Тест Гутенберга” ориентирован не только на анализ артефактов (output), но в большей степени на гибкость взаимодействия с моделями на входе (input). Таким образом, “Тест Гутенберга” предоставляет возможность наблюдать за внедрением творческих процессов в нейросетевую модель в более широком контексте. Методологическая новизна и научная ценность “Теста Гутенберга” заключаются в подходе к оценке творческой способности ИИ, основанном не на объективных недостижимых критериях, а на субъективном суждений самого художника - автора ИИ агента. Первая часть работы посвящена исследованию процесса создания инструкций и базы знаний, а также рассмотрению широкого спектра вопросов, связанных с внедрением творческих знаний и реалиями больших языковых моделей. Вторая часть работы сосредоточена на тестировании агента и анализе полученных результатов.

Данная работа является второй частью “Теста Гутенберга”, в которой исследуется способность созданного художником ИИ-агента воспроизводить творческие процессы. В первой части эксперимента автор-художник создавал “творческого ИИ-агента”, состоящего из трех “искусственных личностей”, каждая из которых обладает своими уникальными специализациями, знаниями и биографическими деталями. В этой работе рассматривается практическая часть “Теста Гутенберга”, в ходе которой креативный ИИ-агент проходит испытание на способность воспроизводить творческие процессы, заложенные художником. «ИИ-агент» передаётся пользователю, не обладающему творческими навыками, который использует его для создания генеративных изображений. Помимо тестирования в различных сценариях, агент проверяется на способность генерировать артефакты в “оригинальном” художественном образе. В заключительной части эксперимента сгенерированные изображения передаются художнику, создателю ИИ-агента, для анализа и оценки. Заключительная часть статьи посвящена анализу и интерпретации механизмов, задействованных в процессе создания и оценки творческих работ, а также возможностям воспроизведения сгенерированных артефактов нецифровыми способами. Эксперимент демонстрирует как возможности, так и ограничения больших языковых моделей в области творчества, предоставляя совокупную оценку «воспроизводимости» творческих процессов в рамках нейросетевых моделей.

В данной работе представлена методика автоматизированной классификации нормативной документации на основе кластеризации эмбеддингов. Актуальность исследования обусловлена значительным объемом нормативных документов в промышленности и информационных технологиях, что затрудняет их систематизацию и анализ. Предложенный подход включает этапы предобработки текстов, извлечения эмбеддингов, кластеризации с использованием агломеративного метода и интерпретации результатов с помощью генеративных языковых моделей. В ходе экспериментов проведена оценка различных моделей для векторизации текстов, а также выполнена кластеризация с применением косинусной метрики. Результаты показали, что метод обеспечивает высокую точность выделения тематических групп, превосходя традиционные алгоритмы на основе частотного анализа (BoW, TF-IDF).

Ожидается, что ChatGPT, большая языковая модель (LLM) от OpenAI, окажет огромное влияние на многие аспекты жизни общества. В средствах массовой информации ведется много дискуссий по поводу LLM, а ученые все чаще обсуждают ее преимущества и этические недостатки. В этой статье исследуется глубокое влияние диалога в сократовском значении на западную и незападную мысль, подчеркивая его роль в поисках истины посредством активного мышления и диалектики. В отличие от сократического диалога, ChatGPT генерирует правдоподобные ответы на основе заранее подготовленных данных, не стремясь к объективной истине, личному опыту, интуиции и сочувствию. Ответы LLM ограничены набором обучающих данных и алгоритмами, которые могут закреплять предвзятость или дезинформацию. В то время как сократический диалог представляет собой творческий, философский обмен, наполненный онтологическим, этическим и экзистенциальным смыслом, взаимодействие с ChatGPT характеризуется как интерактивная обработка данных. Но так ли это на самом деле? Возможно, мы недооцениваем потенциал эволюционного роста больших языковых моделей? Эти вопросы имеют важные последствия для теоретических дебатов в когнитивной науке, меняя наше понимание того, что означает познание в искусственном и естественном интеллекте. В этом специальном выпуске ChatGPT как предмет философского анализа рассматривается с позиций сдержанного оптимизма и довольно жесткой критики. В него вошли шесть статей, охватывающих широкий круг тем. Первая группа исследователей подчеркивает, что машинное понимание и общение соответствуют человеческой практике. Другие утверждают, что ИИ не может достичь человеческого уровня интеллекта, потому что ему не хватает концептуального мышления и способности творить. Столь противоречивые интерпретации лишь подтверждают сложность и неоднозначность изучаемого феномена.

Рассматривается извлечение информации из текстов на основе онтологии предметной области и нейросетевых методов анализа текста с привлечением больших языковых моделей. Обсуждается роль эксперта при разработке и сопровождении систем на примере задачи извлечения информации из аналитических статей и при построении онтологий по компьютерной лингвистике, описывающих основные понятия, интересующие пользователя/заказчика системы. Создание онтологии сопровождается созданием словаря - терминологического ядра онтологии с дальнейшей разработкой методов извлечения новых терминов данной предметной области. Данная задача рассматривается как задача извлечения именованных сущностей, для решения которой стандартом является обучение нейросетевой модели на представительном наборе данных. Этот подход сравнивается с подходом на основе больших языковых моделей, для реализации которого разработаны лексико-синтаксические шаблоны, шаблоны инструкций для проверки гипотез относительно новых терминов-словосочетаний, инструкции для верификации результатов. Разработанные инструкции для решения задачи извлечения отношений включают вопросы оценки компетенций на естественном языке, генерируемые автоматически для каждого отношения онтологии. Новизна предлагаемого подхода заключается в интеграции онтологических, лингвистических и нейросетевых подходов для извлечения информации из текстов. Показана возможность решать задачи анализа текста и извлечения информации путём выстраивания цепочки больших языковых моделей, инструкции для которых динамически формируются на основе результатов предыдущих этапов анализа. В эксперименте достигнуты следующие оценки F1-меры: для извлечения и классификации терминов F1=0.8, для извлечения отношений F1=0.87.

В статье рассматривается задача распознавания информации о продуктах (названий, цен, материалов и т.д.), упомянутой в комментариях клиентов. Эта задача является одной из ключевых при разработке продуктов с помощью искусственного интеллекта. Ее решение позволяет компаниям прислушиваться к своим клиентам, адаптироваться к динамике рынка, постоянно совершенствовать свои продукты и услуги, а также улучшать взаимодействие с клиентами за счет повышения эффективности чат-бота. С этой целью инструменты обработки естественного языка обычно используются для формулирования традиционной задачи о маркировке последовательностей. Однако в настоящей статье мы предлагаем другой, альтернативный подход, основанный на использовании возможностей модели машинного обучения MRC (machine reading comprehension, машинное чтение и понимание текста). В данной постановке определение типов информации о продукте аналогично заданию вопроса «Какая информация о продукте упоминается пользователями?». Например, извлечение названий продуктов (которое соответствует метке PRO_NAME) выполняется как извлечение интервалов ответов на вопрос «Какие примеры названий продуктов упоминаются?». Нами проведены обширные эксперименты с общедоступным набором данных, имеющихся во Вьетнаме. Результаты экспериментов показывают надежность предложенного альтернативного метода: он повышает производительность модели распознавания по сравнению с двумя базовыми показателями, обеспечивая их значительное улучшение. В частности, мы достигли уровня 92,87% по шкале F1 при распознавании описаний продуктов на уровне 1. На уровне 2 модель показала результат 93,34% по шкале F1 при распознавании каждого типа информации о продукте.