Цель – конкретизировать понятия «искусственный интеллект» и «сложная проблема», а также рассмотреть современное состояние работ в области применения искусственного интеллекта к решению сложных проблем.
Методы. Использованы методы контекстного поиска, системного анализа и обобщения информации.
Результаты. Сформулировано ключевое препятствие применения искусственного интеллекта к решению сложных проблем, заключающееся в отсутствии концептуального и технического решения по представлению междисциплинарных знаний в форме, доступной для обработки и синтеза методами искусственного интеллекта. Обучение ЭВМ на разных массивах данных, но без понимания процесса синтеза, с которым так легко справляется мозг человека, не позволяет искусственному интеллекту претендовать на открытие чего-то нового, принципиально неизвестного, без чего невозможно решение сложных проблем. Нужен универсальный язык, имитирующий процессы человеческого мышления.
Заключение. Выполненный анализ и рекомендации позволяют взглянуть на задачу применения искусственного интеллекта к решению сложных проблем с отличной от принятой в настоящее время точки зрения, опирающейся на использование быстрых алгоритмов поиска (так называемые большие языковые модели). Создание языка-транслятора между различными областями знаний должно способствовать междисциплинарному обмену, развитию творческого мышления, появлению новых идей и генерации инновационных решений в самых разных областях деятельности человека. Развитый язык позволит решать сложные задачи, объединяя различные дисциплины.
Поддержка принятия решений при управлении сложными организационными и техническими системами сохраняет свою актуальность в связи с растущей ролью и возможностями географических информационных систем, которые и являются объектом настоящего исследования. Анализируется уровень их представления в мировой и российской среде, особенности их развития, а также основные научные результаты, полученные в Институте проблем управления им. В. А. Трапезникова РАН. Выделены самые востребованные в сфере хозяйствования технологии и функциональные возможности геоинформационных систем. Геоинформационная система рассмотрена как инструмент обработки и поддержки принятия управленческих решений. Исследованы основные зарубежные и российские геоинформационные системы, основные их характеристики, области применения, тенденции и перспективы развития. Приведены описания геоинформационных технологий и алгоритмов, реализованных в полнофункциональных геоинформационных системах и рассматриваемых как платформы для создания геоинформационных систем различного назначения.
Рассматривается многофазная система массового обслуживания с входящим коррелированным МАР-потоком, РН-распределением времени обслуживания и ограниченным размером буфера на фазах системы. Приведен краткий исторический обзор по анализу моделей таких систем и методов их исследования. На основании проведенного обзора обоснована новизна постановки задачи, рассматриваемой в статье, методов ее решения и результатов. Дано описание алгоритма точного расчета характеристик производительности многофазных систем малой размерности и оценки сложности этого алгоритма. Для исследования многофазных систем большой размерности предложен подход, основанный на комбинации методов имитационного моделирования и машинного обучения. Приведены результаты численного анализа, подтвердившие эффективность применения методов машинного обучения для оценки характеристик производительности тандемных систем, адекватно описывающих функционирование широкополосных беспроводных сетей.
В статье приводится анализ существующих способов автоматизированного контроля состояния космических аппаратов (КА) по телеметрической информации (ТМИ) методами машинного обучения и дается оценка перспектив их применения в области телеконтроля состояния КА в многоспутниковых группировках. Одной из важнейших задач на всех этапах жизненного цикла космических аппаратов (КА) является анализ телеметрической информации для определения технического состояния их бортовой аппаратуры с целью заблаговременного выявленияи прогнозирования нештатных ситуаций. Существующие детермированные методы контроля состояния КА на основе мониторинга пороговых значений, анализа показателей качества, сравнения с эталонной моделью функционирования и др., с одной стороны, предполагают огромные трудозатраты на работу экспертов и формализацию логики функционирования сложного технического объекта на различных уровнях его иерархии, а с другой стороны, не обеспечивают необходимый уровень автоматизации и оперативности при контроле состояния отдельных КА в многоспутниковых группировках.
Статья посвящена оценке эффективности динамических моделей энергооптимального движения поезда, построенных с использованием методов машинного обучения и искусственного интеллекта. Сделан анализ мирового опыта, рассмотрены основные принципы работы, преимущества и недостатки подобных имитационных моделей, а также этапы исследований, выполненных в этой области научных знаний. Представлен алгоритм анализа эффективности движения поезда с точки зрения его энергооптимальности. Описан подход к компьютерному моделированию движения поездов по участку с использованием методов машинного обучения и искусственного интеллекта. Приведены данные экспериментальной оценки эффективности разработанного алгоритма. Полученные результаты могут быть полезны для специалистов в области железнодорожного транспорта, а также для разработчиков новых технологий и методов оптимизации железнодорожных систем.
В статье рассмотрены основные принципы машинного обучения, проведён их сравнительный анализ с человеческим познанием. Проанализированы идеи, лежащие в основе создания сильного искусственного интеллекта (ИИ). Обоснованы замечания к действующим идеям машинного обучения в вопросе создания сильного ИИ: приравнивание работы головного мозга человека к интеллекту; предустановление искусственному интеллекту априорных форм обработки информации; отсутствие подхода к машинному обучению связанное с принципом активного отражения противоречивой действительности. Исходя из замечаний, предложены идеи машинного обучения для решения проблемы создания сильного ИИ.
В статье демонстрируются результаты моделирования условного предела текучести в трубных сталях после термообработки улучшением. Описываются основные типы моделей, использующиеся в работе, обобщается информация о плюсах и минусах разных подходов к моделированию целевой переменной. Приводятся эмпирические уравнения связи твердости, предела текучести и предела прочности. Указывается роль параметра n в приведенных уравнениях. Объясняются причины выбора применяемого набора независимых переменных в моделях. Показывается распределение целевой переменной в выборке данных, приводится информация о признаковом пространстве, использованном для каждой из рассмотренных моделей. Представлено общее описание исходных данных. Исследуется структура основной выборки данных с помощью метода кластеризации DBSCAN и алгоритма снижения размерности t-SNE. Обосновывается причина дробления выборки на кластеры в контексте снижения разброса прогнозируемой величины условного предела текучести. Оценивается эффективность разбиения выборки с помощью меры разброса введенного параметра n. Проводится сравнение различных регрессионных моделей прогнозирования предела текучести. Показы-вается, что регрессионная модель на основе градиентного бустинга над деревьями решений (LightGBM) имеет наименьшую ошибку прогнозирования среди рассмотренных моделей. Определяется перестановочная значимость признаков модели с наименьшей ошибкой прогнозирования, приводится сравнение вычисленной значимости признаков с данными метал-лургической теории. Оценивается валидность полученных моделей прогнозирования с учетом значимости признаков и метрической оценки, используемой в данной работе. Проверяется гипотеза об использовании проксипеременной (параметра n), полученной на основе теоретических выкладок, в качестве предиктора модели предсказания предела текучести. Демонстрируется, что использование метода группировки совместно с параметром n позволяет получать удовлетворительные результаты прогнозирования на меньшем признаковом пространстве.
В эпоху больших данных и искусственного интеллекта необходимы новые инструменты общественно-географического анализа, позволяющие извлекать информацию и генерировать знание из непрерывного потока разнообразных пространственных данных. Один из таких инструментов - система геопространственного искусственного интеллекта. Однако для географической экспертизы проектов регионального социально-экономического развития подобные системы ещё не создавались. Первым шагом к созданию этих систем является уяснение парадигм проведения географической экспертизы проектов с помощью искусственного интеллекта. Поставив такую цель, впервые для мировой науки была предпринята попытка наметить ключевые особенности географической экспертизы в соответствии с парадигмами слабого, сильного и сверхсильного искусственного интеллекта, определить архитектуру трёх систем, создать систему географической экспертизы в рамках первой парадигмы и начать её апробацию на примере четырёх проектов социально-экономического развития России. Для создания систем использовались наборы правил «если …, то …», искусственные нейронные сети и графы знаний. Тестирование первой системы проводилось на данных из отечественных проектов, которые ранее анализировались автором без применения геопространственного искусственного интеллекта. Машинное обучение на этих данных позволило получить первые географические результаты, указывающие на невозможность достижения декларируемых целей проектов. Практическая значимость проведённого исследования связана с проверкой государственных документов социально-экономического развития, встраиванием предлагаемых систем в процесс формирования проектов и проведением мониторинга реализации проектов.
Статья посвящена исследованию платформ инвестиционного робо-эдвайзинга и автоследования на российском рынке. Автором анализируются тарифы и функционал разных платформ. На основании проведенного анализа автором предлагаются новые концепции и схема работы для реализации робо-эдвайзинга и автоследования. Реализация авторских предложений должна позволить снизить стоимость оказания инвестиционных услуг и также расширить их функционал в сторону автоматического составления торговых стратегий на основании условий пользователя. В рамках предложенной схемы отдельно рассмотрен данного рода функционал на базе авторских моделей комитетных конструкций.
Цель предлагаемой статьи — обосновать применение авторского подхода и методологии, основанных на сочетании технологий машинного обучения и построения направленных графов с их последующей кластеризацией для системного изучения количественных и качественных характеристик рынка государственных закупок и поведения агентов этого рынка. В результате проведенного исследования выделены благодаря инновационному подходу к исследованию, основанному на сочетании технологий машинного обучения и теории сетей и графов, ранее неучтенные региональные и отраслевые факторы, влияющие на взаимоотношения агентов рынка государственных закупок. Систематизированы модели взаимоотношений на этом рынке в авторской трактовке, интегрирующей макроэкономическую ситуацию на рынке и маркетинговые стратегии игроков рынка. Выявлены такие устойчивые шаблоны поведения агентов рынка государственных закупок, как «изоляция», «консерватизм», «мобильность», и обосновано, что изолированное или консервативное поведение игроков рынка повышает вероятность возникновения коррупционных сговоров. Все вышеперечисленное не было системно изучено ранее и имеет научную новизну и высокую практическую значимость. Проведенные исследования способствовали приращению научного знания в прикладном применении теории сетей и графов, в вопросах государственного регулирования экономики, противодействия монополизации рынков и повышении конкуренции. Практические результаты работы связаны с формированием рекомендаций российским органам власти – регуляторам рынка государственных закупок и участникам торгов по выбору эффективных стратегий поведения на рынке.