Актуальность исследования обусловлена тем, что технологии искусственного интеллекта стремительно развиваются и обладают огромным потенциалом, который с успехом может быть использован на благо человечества, но в то же время таят в себе в условиях социальной и этико-правовой неопределенности немало новых вызовов и ставят ряд этических вопросов в отношении будущего уклада жизни человеческого общества и путей, по которым пойдет его дальнейшее развитие. В статье подчеркивается, что искусственный интеллект обладает потенциалом для того, чтобы изменить будущее человечества в лучшую сторону, тем не менее, искусственные интеллектуальные системы по своей сути не нейтральны и характеризуются внутренне присущей им предвзятостью, которая обусловлена исходными данными, использовавшимися при их «обучении». Ввиду масштабности социальных последствий технологий искусственного интеллекта многие страны обеспокоены сегодня этическими аспектами его использования. Для того чтобы наметить возможные сценарии и задействовать потенциал искусственного интеллекта для реализации возможностей в сфере развития при сохранении контроля над рисками, важно выработать более всестороннее понимание социальных изменений, вызванных все более расширяющимся применением интеллектуальных систем. Делается вывод о том, что проблемы применения искусственного интеллекта необходимо рассматривать сквозь призму анализа социальной сущности человека, современной социокультурной реальности, гуманистических целей и ценностей современного социума. Любые достижения в сфере искусственного интеллекта имеют смысл только в том случае, если они соотносятся с подлинно человеческими ценностями. Отсутствие на сегодняшний день утвержденных на международном уровне этико-правовых норм и стандартов, касающихся применения разработок и инноваций в сфере искусственного интеллекта свидетельствует о необходимости активной и направленной работы российского исследовательского сообщества в данной сфере.
В статье исследуется влияние предварительного использования фильтра Калмана на качество обучения автоэнкодеров при обработке изображений с коррелированным шумом. Цель исследования заключается в сравнении эффективности применения фильтра Калмана с традиционными методами фильтрации, такими как медианный фильтр и фильтр Гаусса, в контексте предварительной обработки изображений. Для эксперимента использовались изображения с искусственно добавленным коррелированным шумом.
Методология включала настройку параметров фильтра Калмана для оптимального удаления коррелированного шума, а также применение медианного и Гауссового фильтров для сравнительного анализа. Оценка качества фильтрации проводилась с использованием индекса структурного сходства (SSIM) и пикового соотношения сигнал/шум (PSNR). Результаты эксперимента показывают, что фильтр Калмана значительно снижает уровень коррелированного шума, улучшая качество изображений и повышая точность обучения автоэнкодеров. Это подтверждает эффективность применения фильтра Калмана для предварительной обработки изображений и обеспечивает более чистые данные для последующих этапов машинного обучения. Результаты исследования подчеркивают важность выбора подходящих методов цифровой фильтрации шума для повышения производительности нейронных сетей.
Одним из наиболее важных этапов при разработке продукции и постановке ее на серийное производство является выбор поставщиков комплектующих изделий. Качество в поставках позволяет стабильно производить продукцию, отвечающую высоким нормам современных автопроизводителей. Методы оценки и выбора надежного поставщика не позволяют полностью исключить субъективный фактор менеджера или целого отдела закупок. В данной статье ставится задача разработки и дальнейшего внедрения в процессы предприятия универсальной методики оценки и выбора поставщика, основанной на методах машинного обучения и данных из уровня дефектности в поставках и дефектности из эксплуатации.
В статье рассмотрены основные вопросы когнитивизма как базы искусственного интеллекта (ИИ) в современной философской трактовке этих сущностей. Дана классификация ИИ по уровню когнитивизма базовых функций. Рассмотрены вопросы эволюции когнитивных возможностей искусственного интеллекта. Подняты проблемы предсказуемости негативного воздействия ИИ на социум. В статье выделены основные когнитивные искажения, которые возможны при применении искусственного интеллекта в научных исследованиях, а именно иллюзия исследовательской широты. Авторы дают рекомендации для учёных и редакций научных журналов по грамотному использованию ИИ в научных экспериментах. В данной работе также поднята проблема доверия в области кибербезопасности систем ИИ. Авторы рассматривают гипотезу о наличии сознания у чат-ботов и делают однозначные выводы о его отсутствии.
Статья посвящена проблеме отбора заданного числа наиболее информативных регрессоров в линейных регрессиях. При использовании метода наименьших квадратов точное решение этой задачи по критерию максимизации коэффициента детерминации при задействовании всей выборки данных может быть получено в результате решения особым образом сформулированной задачи частично-булевого линейного программирования. Однако в машинном обучении важным этапом при создании надежной и эффективной модели считается её построение по обучающей выборке и проверка точности её предсказания по тестовой выборке. Поэтому в статье сформулирована оптимизационная задача отбора информативных регрессоров в линейных регрессиях по критерию минимизации средней абсолютной ошибки на тестовой выборке. Формулировка основана на известном приёме, согласно которому абсолютные ошибки должны быть представлены в виде разности между двумя неотрицательными переменными. С использованием встроенных в пакет Gretl статистических данных о заработной плате спортсменов и решателя оптимизационных задач LPSolve проведены вычислительные эксперименты. Для этого обучающая выборка формировалась из 70%, 75% и 80% наблюдений. Во всех этих случаях среднее снижение значения коэффициента детерминации моделей составило 24,76%, 18,4% и 12,22%, но при этом средняя абсолютная ошибка уменьшилась на 24,8%, 26,3% и 21,05% соответственно. Эксперименты показали, что среднее время решения задач при минимизации средней абсолютной ошибки на тестовых выборках оказалось в 2,33–2,85 раза выше, чем время решения задач при максимизации коэффициента детерминации на обучающих выборках.
В работе проведен сравнительный анализ различных подходов к решению задачи идентификации текстиля, по фотоизображению материала, с помощью методов машинного обучения, Рассмотрена математическая модель, лежащая в основе программной реализации. Модель протестирована на дополнительном наборе данных с применением методов объяснимости работы нейронных сетей.
В работе приведен краткий теоретический обзор существующих методов решения задач классификации. Проведен анализ данных методов и выбран метод для решения конкретной задачи по подбору тарифа проживания на базе отдыха. Выполнена программная реализация оригинального алгоритма на основе метода k-NN. Добавлены коэффициенты значимости признаков
Исследуется задача оптимального управления линейно нагруженной системой обыкновенных дифференциальных уравнений с линейными граничными условиями. Получены необходимые условия оптимальности первого порядка, которые позволяют использовать эффективные методы первого порядка для численного решения исследуемой задачи. Приведены результаты решения тестовой задачи и их анализ.
Прогнозирование добычи нефти играет важную роль в эффективной разработке месторождения нефти. Это помогает скорректировать действующую систему разработки месторождения. Детальное и точное прогнозирование уровня добычи нефти необходимо для оценки экономической и технологической эффективности разработки месторождения нефти. Прогнозирование уровня добычи можно осуществить различными способами. Одним из таких может быть использование специального программного обеспечения (tNavigator и др.). Использование данного программного обеспечения иногда сопряжено с длительными расчетами, поэтому для оперативного прогнозирования уровня добычи возможно использование других инструментов, таких как машинное обучение.
Использование машинного обучения и искусственного интеллекта в нефтегазовой отрасли приобретает все большую популярность в последние годы, поскольку, используя исторические данные по добыче, возможно прогнозирование уровней добычи нефти/жидкости. Кроме того, для аналогичных целей могут быть использованы аналогичные месторождения со схожими геологическими характеристиками и историей эксплуатации. Помимо использования машинного обучения и искусственного интеллекта, в качестве инструмента прогнозирования возможно применение анализ кривой падения.
Учитывая важность прогнозирования с точки зрения стратегического планирования, предлагается широкий спектр методов для получения точных прогнозов, основанных на характере доступных данных и вычислительной мощности. В данной статье представлен всесторонний анализ инструментов, используемых для долгосрочного прогнозирования добычи нефти, включая алгоритмы машинного обучения и анализ кривой падения добычи (DCA). Представлены результаты применения модели с долговременной и кратковременной памятью и ее практическая применимость на примере ее использования на скважине кандидате.
Цель исследования. Провести систематический анализ данных, имеющихся в современной литературе, о возможности использования искусственного интеллекта (ИИ) для построения математических моделей сложных систем, в том числе человеческого организма.
Материал и методы. В обзор включены данные зарубежных и отечественных статей, найденных в Pubmed по данной теме, опубликованных за последние 10 лет.
Результаты. Алгоритмы машинного обучения помогают определять ключевые переменные и взаимосвязи внутри системы, которые людям трудно или невозможно обнаружить. В статье рассматриваются различные типы математических моделей: объяснительные и прогностические, объясняется важность и назначение выбора и стандартизации составляющих модель переменных и знака перед коэффициентами в моделях.
Заключение. Описательные и прогностические модели — это два распространенных типа моделей машинного обучения. Основное различие между ними заключается в цели их использования. Понимание этих различий важно для врачей-исследователей и аналитиков при выборе наиболее подходящего типа модели для своих исследований или для внедрения в процессы принятия решений.