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.
В 2023 г. технологии на основе искусственного интеллекта (ИИ) стали доступны многим пользователям смартфонов и цифровых услуг. ИИ представлен в виде голосовых помощников (ГП), музыкальных рекомендаций, виртуальных ассистентов и даже в качестве психотерапевтической помощи.Такое распространение ИИ сказалось и на интересе психологов к теме взаимодействия человек-ИИ. В нашей работе, следуя традиции исследования социальных представлений Московиси [Moscovici 2015], мы рассматриваем ИИ как объект социального представления. На примере ГП мы проводим реконструкцию смыслового поля у пользователей данной технологии и предлагаем описание процесса его формирования. Исследование проходило в три этапа: свободные ассоциации, интервью и опрос. В интервью выборка составила 15 человек, в свободных ассоциациях - 168 человек (было проанализировано 3329 ассоциаций со словосочетанием «Голосовой помощник»), в опросе по методу семантического дифференциала - 800 человек. В результате анализа были получены следующие результаты: смысловое поле на данном этапе изучения представления о ГП позитивно-нейтральное; сами ассоциации делятся на две темы: об интеллектуальных способностях и эмоциональных качествах ГП. В ходе анализа методом семантического дифференциала отдельно выделились три фактора: полезность, эмоциональность и юмор. Мы предполагаем, что именно в категории этих трех факторов происходит формирование представления о конкретном ГП.Описание самого процесса формирования представления предлагается по результатам интервью. Были выделены два основных этапа в «общении» с ГП: формирование образа и взаимодействие с готовым образом.В продолжении текущей исследовательской работы планируется изучение влияния образа ГП в рамках текущей модели восприятия на различные особенности взаимодействия с ним (например, в рамках экономических решений).
Успехи технологий искусственного интеллекта, а особенно «большие» языковые модели, породили множество ожиданий – как позитивных, так и алармистских. Это явление можно сравнить с открытием атомной энергии: в свое время оно создало много новых возможностей, но также породило ранее невиданные угрозы. Аналогичным образом, ИИ может привести не только к наращиванию темпов научно-технического и экономического развития, но и к усилению неравенства между государствами, как это произошло в первой половине прошлого столетия с появлением разработок в ядерной сфере. Возникновение «больших» языковых моделей – это, пожалуй, первый случай, когда информационные технологии настолько сильно вторгаются в область, которую гуманитарии привыкли считать принадлежащей лишь человеческому уму – в область создания новых текстов. Нельзя не заметить, что гуманитарии пребывают в некоторой панике и ищут собственные описания и объяснения происходящего. Для того, чтобы в этих объяснениях не оторваться от твердой технологической основы и не уйти в философские выси, журнал «Сравнительная политика» побеседовал со специалистом с переднего края развития технологии ИИ в России – академиком РАН, директором Института системного программирования РАН им. В.П. Иванникова Арутюном Ишхановичем Аветисяном.
Использование технологий генеративного искусственного интеллекта в образовании обладает потенциалом революционизировать процессы обучения и оценивания образовательных результатов, персонализируя учебный процесс, обеспечивая немедленную обратную связь и улучшая общий опыт обучения.
Актуальность исследования обусловлена распространением технологий искусственного интеллекта, дефицитом практик формирующего оценивания учебных достижений в высшем образовании.
Постановка проблемы: существующие отечественные системы электронного обучения имеют ограниченный функционал, что затрудняет их использование в процессе формирующего тестирования.
Целью исследования является изучение возможности и эффективности использования технологий генеративного искусственного интеллекта в формирующем оценивании в высшем образовании.
Задачи исследования – рассмотреть теоретические основы использования инструментов генеративного искусственного интеллекта в оценивании знаний, умений и навыков, проанализировать собственный опыт применения больших языковых моделей в формирующем тестировании в вузе.
Методологическую основу исследования составляют анализ Интернет-ресурсов и литературных источников, методы математической статистики, синтез.
Результаты исследования: изучены возможности использования и эффективность технологий генеративного искусственного интеллекта в формирующем тестировании обучающихся вуза, проанализирован собственный опыт применения больших языковых моделей в формирующем тестировании, определены основные ограничения внедрения этих технологий в учебный процесс, даны рекомендации по организации формирующего тестирования с использованием больших языковых моделей.
Ключевые выводы: большие языковые модели могут быть интегрированы в учебный процесс для оценки формирующих и суммативных тестов, что позволит существенно снизить нагрузку на преподавателей, обеспечить более объективные результаты и, в конечном счете, повысить эффективность учебного процесса.