Введение в искусственный интеллект (1) (1)

1. Введение в искусственный интеллект

Составители: Д.С. Юнусова, А.А. Корнилова
изобретая лучшее будущее!
uust.ru

2.

Два пути
2

3.

Эволюция ИИ
1-ая волна ИНС
2-ая волна ИНС
Рождение ИИ
1943-1956
Золотые годы 19561974
1-ая «зима» ИИ
1974-1980
Бум 19801987
2-ая
«зима» ИИ
1987-1993
ИИ с 1993
3

4.

Нервная система человека
4

5.

Биологический нейрон
Аксоны от
других
нейронов
Синапсы
Дендриты
Тело
нейрона
Аксон
5

6.

Искусственный нейрон
• Активность нейрона определяется преобразованием
взвешенного суммарного воздействия на него
• Воздействия могут быть активирующими (положительные
веса) или тормозными (отрицательные веса
6

7.

Базовые понятия
Нейросеть
примерах
ответов
учится на
правильных
Котик
Огурец
– обучающая выборка
Выходной
слой
Обучение
нейросети
происходит
за
счет
изменения весов
Скрытый
слой
Для
проверки
того,
насколько
хорошо
прошло
обучение
используются примеры,
которые
не
были
использованы
при
обучении
– тестовая выборка
Входной
слой
7

8.

8

9.

Нейронные сети в биологии и
медицине
• Мобильное приложение Flora incognita построено на нейросети и
позволяет по фотографии идентифицировать вид растения
• Приложение AlphaFold2, позволяющее предсказывать трёхмерную
структуру белка (фолдинг), предсказание свёртки белка в
определённую конформацию важно для объяснения и понимания
функционала белка, способов взаимодействия и многого другого
(статья «AlphaFold2: глубокий разум и его правильное применение»)
• Разработка нейросети учёными университета Нью-Йорка для
определения структуры ДНК организма. Она сумела вычленять
основные последовательности генома, которые отвечают за
жизненный цикл и внешний облик (фенотип).
• Нейронная сеть,
и почечные кисты
которая
распознает
почечно-клеточный
• Поиск новых антибиотиков с помощью машинного обучения
рак
9

10.

Персональный кэшбэк Tinkoff
10

11.

Автоматическая оценка
недвижимости «ДомКлик»
11

12.

Умный подбор вакансий
Head Hunter
12

13.

AI-стилист Thread
13

14.

Национальные инициативы и
стратегии относительно
искусственного интеллекта
14

15.

Национальная стратегия России
в области искусственного интеллекта
Указ Президента РФ от 10.10.2019 N 490
"О развитии искусственного интеллекта в Российской
Федерации"
(вместе с "Национальной стратегией развития искусственного
интеллекта на период до 2030 года")
Стратегия опирается на указы президента Российской
Федерации:
от 7 мая 2018 г. №204 «О национальных целях и стратегических
задачах развития Российской Федерации на период до 2024 года»
от 9 мая 2017 г. №203 «О Стратегии развития информационного
общества в Российской Федерации на 2017–2030 годы»
от 1 декабря 2016 г. №642 «О Стратегии научно-технологического
15
развития Российской Федерации»

16.

Национальная стратегия России
в области искусственного интеллекта
Искусственный интеллект - комплекс технологических решений,
позволяющий имитировать когнитивные функции человека (включая
самообучение и поиск решений без заранее заданного алгоритма) и
получать при выполнении конкретных задач результаты,
сопоставимые, как минимум, с результатами интеллектуальной
деятельности человека
Комплекс
технологических
решений
включает
в
себя
информационно-коммуникационную инфраструктуру, программное
обеспечение (в том числе в котором используются методы
машинного обучения), процессы и сервисы по обработке данных и
поиску решений
16

17.

Национальная стратегия России
в области искусственного интеллекта
Технологии искусственного интеллекта – технологии, основанные
на использовании искусственного интеллекта, включая
компьютерное зрение
обработку естественного языка
распознавание и синтез речи
интеллектуальную поддержку принятия решений
перспективные методы искусственного интеллекта
17

18.

Национальная стратегия России
в области искусственного интеллекта
Перспективные методы искусственного интеллекта – технологии,
направленные на создание принципиально новой научно-технической
продукции, в том числе в целях разработки универсального (сильного)
искусственного интеллекта (автономное решение различных задач на
основе данных с частичной разметкой и (или) на основе
незначительных объемов данных, обработка информации на основе
новых типов вычислительных систем, интерпретируемая обработка
данных)
Набор данных - совокупность данных, прошедших предварительную
подготовку
(обработку)
в
соответствии
с
требованиями
законодательства
Российской
Федерации
об
информации,
информационных технологиях и о защите информации и необходимых
для разработки программного обеспечения на основе искусственного18
интеллекта

19.

Национальная стратегия России
в области искусственного интеллекта
Основополагающий принцип развития ИИ – подконтрольность ИИсистем человеку
Принципы развития ИИ в России – выдержки из стратегии:
защита прав и свобод человека
безопасность
прозрачность
технологический суверенитет
целостность инновационного цикла
разумная бережливость
19

20.

Национальная стратегия России
в области искусственного интеллекта
Цель: обеспечение роста благосостояния и качества жизни её населения,
обеспечение национальной безопасности и правопорядка, достижение
устойчивой конкурентоспособности российской экономики, в том числе
лидирующих позиций в мире в области ИИ
Задачи:
поддержка научных исследований в целях обеспечения опережающего
развития ИИ
разработка и развитие ПО
повышение доступности и качества данных
повышение доступности аппаратного обеспечения
повышение уровня обеспечения российского рынка технологий ИИ
квалифицированными кадрами и уровня информированности населения о
возможных сферах использования таких технологий
создание комплексной системы регулирования общественных отношений 20

21.

Национальная стратегия России
в области искусственного интеллекта
Приоритеты стратегии
Условия развития искусственного интеллекта
Цель 2024
Должна быть создана инфраструктура поддержки отечественных
организаций, осуществляющих деятельность в области ИИ, включая
создание высокопроизводительных центров обработки данных
Должны быть разработаны российские микропроцессоры, не
уступающие мировым аналогам по скорости и энергоэффективности
Цель 2030
Должны быть открыты специализированные центры обработки
данных на основе российских микропроцессоров
Должны быть разработаны принципиально новые типы архитектур
вычислительных систем и зарегистрированы интеллектуальные права
21
на них

22.

Национальная стратегия России
в области искусственного интеллекта
Приоритеты стратегии
Разработка программных и технологических решений
Цель 2024
Разработать решения, аналогичные или способные превосходить
человеческие показатели по узкому кругу задач
Цель 2030
Разработать решения, аналогичные или способные превосходить
человеческие показатели по широкому кругу задач
22

23.

Национальная стратегия России
в области искусственного интеллекта
Приоритеты стратегии
Создание базы нормативного регулирования в области ИИ
Цель 2024
Создать необходимые правовые условия для выполнения целей, мер
и задач, предусмотренных Стратегией
Цель 2030
Создать полноценную систему нормативно-правового регулирования
в области ИИ
23

24.

Национальная стратегия России
в области искусственного интеллекта
Меры поддержки
• Создать правовые условия для доступа к данным, собираемым
государственными органами
• Создать правовые условия для доступа к медицинским базам
данных на обезличенной основе
• Разработать механизм упрощённого тестирования и внедрения
разработок ИИ
• Обеспечить поддержку компаний, инвестирующих в ИИ
• Установить правовые и этические правила взаимодействия с
ИИ
24

25.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59277-2020 «Системы
искусственного
интеллекта.
классификация
систем
искусственного интеллекта»
Область применения
Настоящий стандарт устанавливает классификацию систем искусственного
интеллекта (ССИ)
Предназначен для применения в сфере теоретической и практической деятельности
по классификации систем искусственного интеллекта, при выполнении работ по:
развитию классификации систем ИИ
отнесению конкретных систем ИИ к определенным классам
применению классификации систем ИИ в сфере стандартизации
В настоящем стандарте установлена схема классификации, отражающая основные
особенности СИИ для решения прикладных задач, помогающая определить
25
направления их стандартизации

26.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59276-2020 «Системы
искусственного интеллекта. способы обеспечения доверия.
общие положения»
В настоящем стандарте:
- определено понятие доверия к системам искусственного интеллекта
- приведена классификация факторов, влияющих на качество и способность
систем искусственного интеллекта вызывать доверие на стадиях
жизненного цикла
- формализована взаимосвязь качества
искусственного интеллекта вызывать доверие
и
способности
систем
- приведена классификация основных способов обеспечения доверия к
26
системам искусственного интеллекта

27.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59897-2021 «Данные для
систем искусственного интеллекта в образовании. требования к
сбору, хранению, обработке, передаче и защите данных»
Область применения
Настоящий стандарт устанавливает требования к процессам сбора,
хранения, обработки, передачи и защиты данных, используемых в
образовательных программно-технических системах с алгоритмами
искусственного интеллекта.
27

28.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59899-2021 «Образовательные
продукты с алгоритмами искусственного интеллекта для
адаптивного обучения в общем образовании. технические
требования»
Область применения
Настоящий стандарт устанавливает технические требования к
образовательным продуктам с алгоритмами искусственного
интеллекта для адаптивного обучения в общем образовании
28

29.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59900-2021 «Системы
искусственного интеллекта. типовые требования к контрольным
выборкам
исходных
данных
для
испытания
систем
искусственного интеллекта в образовании»
Область применения
Настоящий
стандарт
распространяется
на
технологии
искусственного интеллекта в образовании и устанавливает типовые
требования к контрольным выборкам исходных данных для
испытания систем искусственного интеллекта в образовании,
построенных на основе алгоритмов машинного обучения и анализа
данных
29

30.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59921.2-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 2.
Программа и методика технических испытаний»
Область применения
Настоящий стандарт устанавливает общие подходы к проведению
технических испытаний систем искусственного интеллекта
Настоящий стандарт применим
интеллекта как программному
медицинским изделием
к системам искусственного
обеспечению, являющемуся
Настоящий стандарт определяет методологическую основу по
составлению программы и методики технических испытаний систем
30
искусственного интеллекта

31.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59921.3-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 3.
Управление изменениями в системах искусственного интеллекта
с непрерывным обучением»
Область применения
Настоящий стандарт предназначен для применения изготовителями
(производителями) систем искусственного интеллекта (СИИ) с
непрерывным обучением для управления изменениями в части адаптаций и
корректного формирования на данной основе соответствующих разделов
технической и эксплуатационной документации СИИ
Настоящий стандарт обеспечивает формирование некоторых общих
требований к содержанию технической и эксплуатационной документации, а
также структуры СИИ с непрерывным обучением изготовителями31
(производителями)

32.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59921.4-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 4.
Оценка и контроль эксплуатационных параметров»
Область применения
Настоящий стандарт устанавливает общие требования к оценке и
контролю эксплуатационных параметров СИИ при вводе в
эксплуатацию и периодическом контроле, что позволяет проводить
однозначно интерпретируемую оценку характеристик и параметров
СИИ
Настоящий стандарт применяют к СИИ в качестве программного
обеспечения, являющегося медицинским изделием
Настоящий стандарт определяет методологическую основу для
32
оценки и контроля эксплуатационных параметров СИИ

33.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59921.5-2022 «Системы
искусственного интеллекта в клинической медицине. Часть 5.
Требования к структуре и порядку применения набора данных для
обучения и тестирования алгоритмов»
Область применения
Настоящий стандарт устанавливает общие требования к структуре и порядку
применения наборов данных, которые используют на этапах разработки
системы искусственного интеллекта (СИИ), включая обучение и внутреннее
тестирование алгоритмов искусственного интеллекта, ее эксплуатации, а
также внешнего тестирования (аналитическая и клиническая валидация)
Настоящий стандарт определяет методологическую основу для процесса
подготовки и применения наборов данных, которые используют на этапах
разработки, тестирования и эксплуатации систем искусственного интеллекта33

34.

Национальные стандарты РФ ГОСТ
«Системы искусственного интеллекта»
Национальный стандарт РФ ГОСТ Р 59921.6-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 6.
Общие требования к эксплуатации»
Область применения
1. Настоящий стандарт устанавливает общие требования к
эксплуатации систем искусственного интеллекта (СИИ) посредством
предъявляемых требований к эксплуатационной документации,
обучению пользователей, порядку проведения внутреннего и
внешнего контроля качества и эксплуатации пользователями СИИ
Настоящий стандарт применим к СИИ как
обеспечению, являющемуся медицинским изделием
программному
2 Настоящий стандарт определяет общие требования к эксплуатации
34
СИИ

35.

Требования к структуре и порядку
применения набора данных для обучения
и тестирования алгоритмов ИИ
Требование к безопасности СИИ
Согласно национальному стандарту РФ ГОСТ Р 59921.2-2021 «Системы
искусственного интеллекта в клинической медицине».
Часть 2. Программа и методика технических испытаний должно выполняться
требование:
Безопасность системы искусственного интеллекта предполагает соблюдение
требований по защищенности систем искусственного интеллекта и данных, а
также прозрачности алгоритмов, бесперебойности, отсутствие ошибок в работе
систем искусственного интеллекта и выполнение требований качества.
35

36.

Национальный стандарт РФ ГОСТ Р 59897-2021
«Данные для систем искусственного интеллекта
в образовании. требования к сбору, хранению,
обработке, передаче и защите данных»
жизненный цикл данных (data lifecycle): Последовательность этапов, через
которые проходят данные от начального этапа формирования до момента
уничтожения
основные данные - данные, описывающие основные объекты и субъекты,
участвующие в образовательной деятельности
Помимо информации непосредственно о том или ином объекте, в основные
данные входят взаимосвязи между этими объектами и субъектами и иерархии
транзакционные данные - данные, которые образовались в результате
выполнения каких-либо операций
очистка данных (data cleansing): Процесс исправления или удаления
неверных, поврежденных, неправильно отформатированных, дублированных
или неполных данных в наборе данных
36

37.

Требование к работе с
персональными данными
Национальный стандарт РФ ГОСТ Р 59897-2021 «Данные для
систем искусственного интеллекта в образовании. требования к
сбору, хранению, обработке, передаче и защите данных»
персональные данные - любая информация, прямо или косвенно относящаяся к
определенному или определяемому физическому лицу (субъекту персональных данных).
Репозиторий - место, где хранятся и поддерживаются какие-либо данные вместе с
историей их изменения и другой служебной информацией.
а) сбор, хранение, обработка и передача персональных данных может осуществляться
только с согласия пользователей образовательного продукта. Рекомендуется
предусмотреть возможность пользователя ознакомиться с собираемыми о нем данными
б) должны быть идентифицированы все заинтересованные стороны или их представители,
на которых может быть оказано влияние в результате использования данных, определены
их интересы и связанные с ними риски
в) предприняты необходимые действия для минимизации выявленных рисков
37

38.

Требование к качеству данных
Национальный стандарт РФ ГОСТ Р 59897-2021 «Данные для
систем искусственного интеллекта в образовании. требования к
сбору, хранению, обработке, передаче и защите данных»
а) точность - соответствие данных реальному состоянию исследуемых объектов
б) полнота - данные отражают все ожидаемые характеристики исследуемых
объектов в ожидаемом объеме
в) согласованность - в данных отсутствуют внутренние противоречия, идентичные
данные из различных источников совпадают
г) целостность - данные не были изменены при выполнении какой-либо операции
(передача, хранение или отображение)
д) обоснованность - собранные данные отвечают поставленным целям и задачам
е) расхождение во времени - соответствие собираемых данных времени их
возникновения
ж) уникальность - в данных отсутствуют дубликаты
и) валидность - данные соответствуют ожидаемому формату, значения находятся в
ожидаемых диапазонах и имеют ожидаемую точность
38

39.

Требование к хранению
и управлению данными
Национальный стандарт РФ ГОСТ Р 59897-2021 «Данные для
систем искусственного интеллекта в образовании. требования к
сбору, хранению, обработке, передаче и защите данных»
Хранимые данные должны иметь определённый набор метаданных
Метаданные подразделяются на три основных категории:
- описательные метаданные, описывающие содержание и состояние данных
- технические метаданные, описывающие технические подробности хранения данных
- операционные метаданные описывают процессы обработки данных и доступа к ним
Для управления метаданными необходимо установить требования к:
- частоте обновления метаданных
- необходимости хранения исторических метаданных
- правам доступа к метаданным
- степени интеграции метаданных из различных источников
- процессам и правилам обновления метаданных
- ролям и обязанностям по управлению метаданными
39
- качеству метаданных

40.

Требование к доверию СИИ
Национальный стандарт РФ ГОСТ Р 59276-2020 «Системы
искусственного интеллекта. способы обеспечения доверия.
общие положения»
объяснимость (explainability): Свойство системы искусственного интеллекта,
заключающееся в возможности представления причин, приводящих к тому или иному
решению системы, в виде, понятном человеку.
показатель качества системы искусственного интеллекта: Степень соответствия
представительного
набора
существенных
(значимых)
характеристик
системы
искусственного интеллекта требованиям, то есть потребностям или ожиданиям, которые
установлены, обычно предполагаются или являются обязательными для этой системы.
понятность (transparency): Свойство системы искусственного интеллекта,
заключающееся в возможности открытого, исчерпывающего, доступного, четкого и
понятного представления информации.
предвзятость, необъективность (bias): Свойство системы искусственного интеллекта,
заключающееся в принятии ошибочных решений, связанных со статистической
смещенностью обучающей выборки исходных данных.
40

41.

Требование к доверию СИИ
Национальный стандарт РФ ГОСТ Р 59276-2020 «Системы
искусственного интеллекта. способы обеспечения доверия.
общие положения»
предсказуемость (predictability): Свойство системы искусственного
интеллекта, заключающееся в способности принимать решения ожидаемым
(естественным, приемлемым) для человека способом.
представительный набор существенных характеристик: Минимально
необходимая и достаточная совокупность характеристик системы искусственного
интеллекта, позволяющая потребителю, организациям, ответственным за
регулирование вопросов создания и применения систем искусственного
интеллекта, или любой другой заинтересованной стороне достоверно оценивать
качество системы при решении конкретной прикладной задачи.
41

42.

Соблюдение требований к
техническим испытаниям СИИ
Национальный стандарт РФ ГОСТ Р 59921.2-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 2.
Программа и методика технических испытаний»
предварительные ТИ: ТИ проводимые изготовителем в рамках системы
менеджмента качества (при наличии, соответствует контрольным испытаниям СИИ
с целью определения возможности ее предъявления на приемочные испытания.
приемочные ТИ: ТИ проводимые с целью решения вопроса о целесообразности
постановки СИИ на производство и/или использования по назначению.
ТИ с целью регистрации СИИ в качестве медицинского изделия. Данный вид
испытаний проводится в соответствии с действующими нормативными правовыми
актами.
периодические испытания - контрольные испытания СИИ, проводимые в объемах
и в сроки, установленные нормативно-технической документацией.
42

43.

Соблюдение требований к
воспроизводимости результатов
Национальный стандарт ГОСТ РФ Р 59921.3-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 3.
Управление изменениями в системах искусственного интеллекта с
непрерывным обучением»
аналитическая валидация (analytical validation): Подтверждение способности системы
искусственного интеллекта точно, воспроизводимо и надежно генерировать предполагаемые
технические результаты вычислений из входных данных
клиническая валидация (clinical validation): Подтверждение способности системы
искусственного интеллекта выдавать клинически значимые выходные данные, связанные с
целевым использованием системы искусственного интеллекта в рамках установленного
изготовителем функционального назначения.
клиническая оценка (clinical evaluation): Результат процесса анализа и оценки
клинических данных, имеющих отношение к медицинскому изделию, с целью проверки
заявленной его изготовителем клинической результативности и клинической безопасности
изделия при применении его в соответствии с назначением и в условиях, предусмотренных
43
изготовителем

44.

Проблема с качеством данных
медицинского характера
Национальный стандарт ГОСТ РФ Р 59921.3-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 3.
Управление изменениями в системах искусственного интеллекта с
непрерывным обучением»
Данные реальной клинической практики (RWD, real-world data): Информация о
состоянии здоровья пациентов и/или об оказании медицинской помощи, полученные
из различных источников вне рамок предрегистрационных клинических
исследований.
Данные о практическом применении могут быть собраны из разных
источников, например:
электронные медицинские карты;
заявления и действия по выставлению счетов;
реестры медицинских изделий и заболеваний;
данные от пациентов, полученные в том числе в домашних условиях;
данные, собранные из других источников, которые могут информировать о
44
состоянии здоровья, например, от мобильных устройств.

45.

Проблема этичности
использования СИИ
Национальный стандарт РФ ГОСТ РФ 59921.4-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 4.
Оценка и контроль эксплуатационных параметров»
В целях сбора доказательств соответствия эксплуатационных параметров,
установленных в ходе разработки СИИ, требованиям технической и
эксплуатационной документации и применимым регулирующим требованиям,
проводят их оценку и контроль. Это дает возможность продемонстрировать, что
СИИ способна выдавать клинически значимый результат при ее эксплуатации
надлежащим образом, а также не несет риска причинения вреда при
использовании ее по назначению и в условиях, заявленных изготовителем.
Как правило, СИИ не оказывают непосредственного воздействия на пациентов и
пользователя (врача), вместо этого выполняют только интерпретацию
медицинских данных и предоставляют вывод результата работы пользователю,
в том числе с целью поддержки принятия решений.
45

46.

Национальный стандарт РФ ГОСТ РФ 59921.4-2021 «Системы
искусственного интеллекта в клинической медицине. Часть 4.
Оценка и контроль эксплуатационных параметров»
ложноотрицательный результат (ошибка второго рода): Ошибка,
заключающаяся в том, что принимают нулевую гипотезу, в то время как в
действительности эта гипотеза неверна
ложноположительный результат (ошибка первого рода): Ошибка,
заключающаяся в том, что отвергают нулевую гипотезу, в то время как в
действительности эта гипотеза верна
специфичность: Доля лиц с отрицательным результатом в целевой популяции
без изучаемого заболевания (т.е. вероятность того, что объекты без изучаемого
заболевания будут определены как здоровые)
чувствительность: Доля лиц с положительным результатом для целевой
популяции с изучаемым заболеванием (т.е. вероятность того, что объекты с
изучаемым заболеванием будут определены как патологичные)
46

47.

Разметка данных
Национальный стандарт РФ ГОСТ Р 59921.5-2022 «Системы
искусственного интеллекта в клинической медицине. Часть 5.
Требования к структуре и порядку применения набора данных для
обучения и тестирования алгоритмов»
разметка данных (data labeling): Этап обработки структурированных и
неструктурированных данных, в процессе которого данным (в том числе
текстовым документам, фото- и видеоизображениям) присваиваются
идентификаторы, отражающие тип данных (классификация данных), и (или)
осуществляется интерпретация данных для решения конкретной задачи, в том
числе с использованием СИИ.
ретроспективная разметка (или естественная) (retrospective annotation): Сбор
данных в соответствии с указанными метаданными, перечень которых выбирают
в соответствии с поставленной целью формирования набора данных.
проспективная разметка (prospective annotation): Сбор данных в соответствии с
поставленной целью формирования набора данных, а также проведение
дополнительных манипуляций с элементами.
47

48.

Классификация наборов
данных по виду разметки
Размечать данные в медицине должны только высококвалифицированные
специалисты: причём один объект (запись, снимок и т.п.) должны размечать
минимум 2 эксперта.
Поэтому разметка в медицине – дорого и долго.
48

49.

Формирование репрезентативных
наборов данных
Национальный стандарт РФ ГОСТ Р 59921.5-2022 «Системы
искусственного интеллекта в клинической медицине. Часть 5.
Требования к структуре и порядку применения набора данных для
обучения и тестирования алгоритмов»
Рекомендуется получить одобрение комитета по этике медицинской организации (МО) (для
сбора данных или использования де-идентифицированных данных с целью подготовки
набора данных для разработки СИИ и аналитической или клинической валидации СИИ
МО, выполняющая подготовку набора данных, должна обеспечить доступ к требуемым
данным, находящимся в медицинской информационной системе с возможностью
выполнений операций поиска, чтения и сбора данных, а также выполнения деидентификации
Подходы к формированию наборов данных
представление медицинских данных (феноменов, синдромов, заболеваний, исходов),
отражающее максимальную вариативность (то есть и частые, и редкие случаи
представлены в одинаковом объеме).
представление медицинских данных (феноменов, синдромов, заболеваний, исходов)
согласно их частоте встречаемости, предтестовой вероятности, заболеваемости,
49
распространенности в популяции

50.

Задачи пилотного тестирования
Подтверждение характеристик инновационного решения
Получение
принявших
обратной
участие
связи от
пользователей
в
пилотном тестировании
Выявление
характеристик,
инновационного решения
требующих
доработки
Анализ потенциала внедрения инновационного решения
Ресурсы, необходимые для реализации пилотного
тестирования: со стороны площадки и со стороны
разработчика
50

51.

Пилотное тестирование −
пошаговое руководство
Для проведения тестирования организации, занимающиеся
разработкой программного обеспечения, используют метод
размещения файлов сайта на действующих серверах или
каталогах в Интернете
Процесс пилотного тестирования состоит из пяти этапов:
1. Планирование процессов пилотного тестирования
2. Подготовка к пилотному тестированию
3. Развертывание и тестирование
4. Оценка
5. Развертывание в производстве
51

52.

Методика проведения пилотного
тестирования: прописываются условия для
получения валидных результатов, критерии
включения/исключения, статистические
методы доказательства достоверности
результатов, методы расчета метрик
качества
Критерии
успешности
пилотного
достижение измеримых метрик
тестирования:
52

53.

Проекты в сфере ИИ
Согласно
Приказ Министерства экономического развития РФ
от 29 июня 2021 г. N 392 "Об утверждении критериев
определения принадлежности проектов к проектам в сфере
искусственного интеллекта"
53

54.

Критерий предмета проекта
Мероприятия проекта
предусматривают создание,
и (или) развитие, и (или)
внедрение искусственного
интеллекта
54

55.

Критерий базовой технологии
Мероприятия проекта
предусматривают создание, и
(или) развитие, и (или) внедрение
не менее, чем одной технологии
ИИ, а также на решение должны
быть направлены на решение
технологических задач,
установленных перечнем
55

56.

Технологии ИИ
1. Компьютерное зрение
2. Обработка естественного языка
3. Распознавание и синтез речи
4. Интеллектуальная поддержка принятия
решений
5. Перспективные
интеллекта
методы
искусственного
56

57.

Перспективные методы ИИ
1. автономное решение различных задач
2. автоматический дизайн физических объектов
3. автоматическое машинное обучение
4. алгоритмы решения задач на основе данных с
частичной разметкой и (или) незначительных
объемов данных
5. обработка информации на основе новых типов
вычислительных систем
6. интерпретируемая обработка данных
7. другие методы
57

58.

Критерий базовой технологии
Предполагаемым результатом реализации
проекта является один из следующих:
создание, и (или) развитие, и (или) внедрение новых
технологий, программных средств или программноаппаратных комплексов, а также их масштабирование,
адаптация под новые прикладные сферы
создание, и (или) развитие, и (или) внедрение новой
электронной компонентной базы, специально
создаваемой (созданной) для эффективной реализации
алгоритмов обработки данных, используемых в ИИ
создание, и (или) развитие, и (или) внедрение
специальных средств и решений для разработчиков
технологий ИИ
58
создание и обработка наборов данных

59.

Компьютерное зрение
Задачи компьютерного зрения:
1) Детекция
объектов
–
поиск
координат
расположения прямоугольной рамки, в которую
попадает искомый объект
2) Классификация объектов – определение класса
изображения из заданного списка классов
3) Сегментация объектов – определение
пикселей, относящихся к искомому объекту
всех
59

60.

Компьютерное зрение
60

61.

Свертка
61

62.

Двумерная свертка
62

63.

Архитектура сверточной сети
63

64.

64

65.

65

66.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
I.
Компьютерное зрение
1. Детекция и идентификация объектов в сложной окружающей
среде, в том числе для систем охраны и обеспечения
безопасности
2. Детекция и идентификация
дополненной реальности»
объектов
«виртуальной
и
3. Распознавание образов с учетом контекста и сигналов из
нескольких источников (слияние данных), в том числе для
интеграции данных с различными типами сенсоров и
ориентирования в сложных средах
66

67.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
I.
Компьютерное зрение
4. Комбинация различных типов алгоритмов в рамках систем
компьютерного зрения, обработка сигналов источников
различных типов (гибридные системы компьютерного зрения), в
том числе для использования в сертифицируемых системах
компьютерного зрения
5. Распознавание образов с обучением "с первого раза" (один или
несколько объектов), позволяющее выполнять предиктивную
выдачу результатов, в том числе при аварийных ситуациях
67

68.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
I.
Компьютерное зрение
6. Высокоскоростная
идентификация
большого
количества
объектов в различных частях электромагнитного спектра, в том
числе для систем охраны, обеспечения безопасности и сбора
данных о городском трафике и их анализа
7. Автономная семантическая сегментация, классификация и
идентификация объектов, разбиение на подобъекты и
распознавание отдельных деталей, в том числе в режиме
реального времени
8. Психографический и эмоциональный анализ поведения людей и
животных на основе систем видеоаналитики, в том числе для
68
системы сбора и классификации данных об эмоциях

69.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
I.
Компьютерное зрение
9. Событийный анализ с использованием систем видеоаналитики
(например, нарушение использования средств индивидуальной
защиты, возникновение признаков и факторов аварий (например,
горение, парение)
10. Мониторинг хода производственного или организационного
процесса с использованием систем видеоаналитики
11. Распознавание дефектов продукции на основе анализа различных
типов изображений
12. Распознавание пространственной неоднородности ландшафтов
69

70.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
I.
Компьютерное зрение
13. Анализ данных, получаемых с космических аппаратов
геостационарного,
гидрометеорологического,
гелиогеофизического и океанографического назначения, а также
иной информации, полученной от космической системы
дистанционного зондирования Земли, и построение по таким
данным предиктивных моделей
14. Генерация изображений
фотореалистичных
и
видеозаписей,
в
том
числе
15. Аугментация данных (включая создание методов аугментации
данных)
70

71.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
I.
Компьютерное зрение
16. Сбор наборов данных и обучение классификаторов, в том числе
для постановки диагноза на основе анализа фотоснимков и
видеозаписей с заданным уровнем точности, а также для
обучения системы "по ситуации"
17. Анализ информации об удаленных объектах с помощью
активных оптических систем, в том числе лидаров
71

72.

Обработка естественного языка
Задачи:
1) Классификация текста – определение класса
текста в целом или его отдельных частей
(предложений, абзацев)
2) Извлечение информации – выделение
ключевых
слов/словосочетаний
из
полученной информации
3) Анализ тональности текста – определение
свойств текста (эмоциональный окрас,
стилистика, жанр)
72

73.

Применение технологии
73

74.

Как компьютеру работать со
словами?
Векторное представление = embedding –
сопоставление произвольному объекту числового
вектора в многомерном пространстве
Векторные представления можно строить для:
слов
символов
предложений
документов
74

75.

Векторные представления
75

76.

One-hot encoding
Слову сопоставляется вектор с одной
соответствующей номеру слова в словаре
единицей,
Достоинства:
Просто получить
Недостатки:
Гигантский
размер
векторов
Вектора ортогональные
Не отражают близость
между словами
76

77.

Bag-of-Word model
Модель, представляющая собой неупорядоченный набор
слов, входящих в обрабатываемый текст
77

78.

Word2Vec
78

79.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
II. Обработка естественного языка
18. Классификация и кластеризация отдельных высказываний,
коротких и длинных текстов
19. Поиск и классификация различных типов сущностей в тексте,
включая названия организаций и имена персоналий
20. Извлечение фактов из текстов и их систематизация, в том числе
автоматическое обучение онтологии
21. Машинный перевод
79

80.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
II. Обработка естественного языка
22. Задачи диалогового интеллекта, в том числе:
а) подбор следующей реплики в диалоге на основе контекста
б) генерация следующей реплики в диалоге
в) ведение контекстно зависимого диалога
80

81.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
II. Обработка естественного языка
23. Задачи интеллектуального информационного поиска, в том числе:
а) поиск текстовых документов по аналогии или по смыслу, поиск
трендов и будущих ориентиров научно-технологического
развития, поиск скрытого содержания и смыслов
б) поиск, выявление и классификация рекламы, информации,
противоречащей
действительности,
запрещенной,
идеологизированной,
а
также
заведомо
недостоверной
общественно значимой информации, распространяемой под видом
достоверных сообщений, и иной недостоверной общественно
значимой
информации,
в
том
числе
автоматически
81
сгенерированной

82.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
II. Обработка естественного языка
24. Сбор и аннотация данных для задач обработки и понимания
естественного языка.
25. Распознавание лингвистических, в том числе орфографических,
грамматических и речевых, ошибок, сленга и аббревиатур с
учетом контекста, в том числе для улучшения текущих решений
(включая создание чат-ботов и ассистентов)
26. Определение смысловых ошибок в тексте, в том числе логических
и фактологических
27. Группировка информации и построение блок-схем на основании
текстовых данных и анализа возможных нарушений логики с
82
учетом контекста (истории взаимодействия)

83.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
II. Обработка естественного языка
28. Распознавание различных литературных приемов и стилей, в том
числе для использования в автоматических системах
литературного, технического и делового перевода
29. Динамическое распознавание смысла (распознавание до
получения законченного предложения или абзаца), в том числе
для внедрения в системы автоматического синхронного перевода
на основе искусственного интеллекта
83

84.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
II. Обработка естественного языка
30. Выделение наиболее важной информации из контекста и синтез
уникальных текстов, в том числе для автоматической и
полуавтоматической
суммаризации
(аннотирования,
реферирования)
текстов,
для
создания
ассистентов
полуавтоматической генерации контента, для синтеза субтитров и
сурдоперевода, аннотирования изображений и видеозаписей,
включая распознавание эмоциональных оттенков и субэмоций
речи и текста, в том числе в целях формирования
психографического портрета
84

85.

Распознавание и синтез речи
Задачи:
1) Распознавание отдельных слов в речи
2) Распознавание речи целиком
3) Реалистичная генерация звуковой волны
85

86.

Применяемые технологии
86

87.

Speech-to-Text
87

88.

Как нейросеть справляется с
разными языками
88

89.

Синтез речи
В процессе общения с голосовым помощником
сервис должен:
Передать аудио с голосом человека на сервер
В режиме реального времени распознать речь
Понять, в чём именно состоит запрос клиента
Подобрать подходящий ответ на его реплику
Сгенерировать ответ
Синтезировать сообщение для пользователя
89

90.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
III. Распознавание и синтез речи
31. Создание мультизадачных разговорных ассистентов
32. Проверка подлинности речи, в том числе для проверки личности
говорящего
33. Распознавание звуков и речи в сложных условиях (шумы, большое
расстояние и так далее), в том числе для использования в системах
обработки и анализа переговоров
34. Сбор и аннотация данных для задач распознавания и синтеза речи
90

91.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
III. Распознавание и синтез речи
35. Распознавание сложных смысловых конструкций и сленга в речи
для использования в системах поиска скрытого содержания и
смысла, в том числе для улучшения текущих решений (включая
создание персональных ассистентов)
36. Создание средств управления эмоциями и смысловыми
конструкциями в синтезированной речи, в том числе для целей
автоматического чтения художественных произведений
37. Синтез речи на иностранном языке, в том числе для улучшения
персональных синхронных переводчиков
91

92.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
III. Распознавание и синтез речи
38. Распознавание антропологических признаков на основе речи, в
том числе для использования в системах идентификации
социального статуса и других атрибутов человека
39. Классификация и выявление взаимного расположения источников
звука (музыка, бытовые шумы, звуки, сопровождающие опасные
ситуации, и иные источники звука), в том числе для
использования в системах анализа неисправности устройств на
основе распознавания звука
40. Распознавание эмоциональных оттенков и субэмоций речи, в том
числе для улучшения существующих персональных голосовых
92
помощников, переводчиков

93.

Задачи:
Интеллектуальные системы
поддержки принятия решений
1) Накопление знаний и данных
2) Интеллектуальный анализ данных
3) Управление процессом поиска решений
4) Объяснение решения пользователю
93

94.

Применяемые технологии
94

95.

Интеллектуальные системы
поддержки принятия решений
Если в основе работы СППР лежат методы искусственного
интеллекта, то говорят об интеллектуализированной СППР или
ИСППР.
Шаги алгоритма при построении ИСППР:
1. Анализ домена (где ИСППР планируется использовать)
2. Сбор данных
3. Анализ данных
4. Выбор моделей
5. Экспертный анализ\интерпретация моделей
6. Внедрение моделей
7. Оценка ИСППР
8. Внедрение ИСППР
9. Сбор обратной связи
95

96.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
41. Предиктивный и прескриптивный анализ, позволяющий
предсказывать развитие ситуации на основе анализа данных и
автоматизировать принятие решений в режиме реального времени
(включая создание методов и моделей)
42. Оценка качества моделей машинного обучения без тестирования в
реальной среде, в том числе в рекомендательных системах,
тестируемых без участия пользователя
96

97.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
43. Подготовка решений на основе открытых источников данных и
неструктурированной
информации,
в
том
числе
для
использования в интеллектуальных системах поддержки принятия
решений для решения стратегических вопросов и (или)
адаптивного динамического управления сложными объектами
44. Интеллектуальное имитационное моделирование поведения
участников рынка товаров, работ и услуг на основе
транзакционных данных и моделей машинного обучения
97

98.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
45. Управление и (или)
персонализированных
траекторий
обучение персонала и построение
карьерных
или
образовательных
46. Обеспечение поддержки принятия решений на основе
многолетних данных, в том числе для расчета нормирования в
отраслях экономики
47. Управление оборудованием и производственными системами на
основе данных измерительных систем и исторических данных о
поведении систем в различных ситуациях (включая создание
98
систем искусственного интеллекта)

99.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
48. Предиктивное обслуживание оборудования на основе методов
математического моделирования (в том числе машинного
обучения), предназначенное для снижения частоты поломок
оборудования и ущерба от них, снижения затрат на диагностику и
обслуживание станков и промышленного оборудования (включая
создание систем искусственного интеллекта)
49. Прогноз качества выпускаемой продукции, в частности прогноз
вероятности и типов дефектов продукции, в том числе
позволяющий находить и устранять причины этих дефектов
(включая создание систем искусственного интеллекта)
99

100.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
50. Сверхкраткосрочное прогнозирование, анализ потока данных в режиме
реального времени и прогнозирование нештатных ситуаций (включая
создание систем искусственного интеллекта)
51. Поиск новых способов производства продукции или способов выпуска
новой продукции путем моделирования производственного процесса
для удовлетворения заданных функционально качественных параметров
с помощью математических моделей, основанных на данных, в том
числе моделей машинного обучения, включая исторические данные, а
также данные, полученные в результате экспериментов с цифровыми
двойниками производственных процессов и оборудования (включая
создание систем ИИ)
100

101.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
52. Адаптивное планирование и управление производственными
процессами, в том числе планирование производства, поставок
продукции, логистики и подбор целевых значений объемов
производства продукции на основе математических моделей и
исторических производственных данных (включая создание
систем искусственного интеллекта)
53. Выявление аномалий производственных процессов и поиск их
причин (включая создание систем искусственного интеллекта,
которые должны быть основаны на алгоритмах математического
моделирования, машинного обучения и исторических данных) 101

102.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
54. Контроль и обеспечение производственной безопасности,
основанные на анализе и моделировании поведения сотрудников
(включая создание систем искусственного интеллекта, которые
должны быть основаны на алгоритмах математического
моделирования, машинного обучения и исторических данных)
55. Контроль и сокращение вредных выбросов и загрязнения
окружающей среды (включая создание систем искусственного
интеллекта, которые должны быть основаны на алгоритмах
математического моделирования, машинного обучения и
исторических данных)
102

103.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
IV. Интеллектуальные
решений
системы
поддержки
принятия
56. Визуализация
производственных
процессов,
помогающая
анализировать производственные процессы и искать пути
повышения производственной эффективности (включая создание
систем искусственного интеллекта, которые должны быть
основаны на алгоритмах математического моделирования,
машинного обучения и исторических данных)
57. Управление
персоналом,
контроль
производительности,
психофизического состояния и поиск возможностей оптимизации
загрузки персонала (включая создание систем ИИ, которые
должны быть основаны на алгоритмах математического103
моделирования, машинного обучения и исторических данных)

104.

Перспективные методы
искусственного интеллекта
Перспективные методы ИИ – это методы,
направленные на создание принципиально новой
научно-технической продукции, в том числе в
целях
разработки
универсального
искусственного интеллекта
Согласно
Указу Президента Российской Федерации от 10.10.2019 №490
104

105.

Применяемые технологии
105

106.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
58. Разработка методов в направлении создания универсального
(сильного) искусственного интеллекта
59. Поиск новых методов и подходов к решению задач, в том числе
способных обучаться в условиях искажения, отсутствия или
утраты актуальности исторических данных или превышать
возможности существующих методов машинного обучения и
математического моделирования
60. Разработка автономных интеллектуальных агентов, в том числе на
основе обучения с подкреплением, а также мультиагентных
систем с искусственным интеллектом
106

107.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
61. Использование квантовых вычислителей в целях ускорения
решения задач искусственного интеллекта (в том числе отбор из
многомерных распределений, комбинаторная оптимизация)
62. Разработка алгоритмов квантового машинного обучения,
библиотек и инструментов для реализации практических задач
63. Синтез (генерация) трехмерных, двухмерных изображений и
видеообъектов с сохранением узнаваемости, в том числе для
воссоздания трехмерных сцен и их стилей на основе двухмерных
изображений и видеозаписей, создания реалистичных цифровых
аватаров, включая использование в производстве видеопродукции,
107
в интерфейсах устройств и обучении

108.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
64. Использование искусственного интеллекта для проектирования
сложных объектов (систем, роботов, алгоритмов), в том числе для
сквозного проектирования аппаратной и программной части,
алгоритмов работы, для использования в интеллектуальных
системах
автоматизированного
проектирования
для
проектирования алгоритмов и технических устройств
65. Разметка данных при помощи искусственного интеллекта, в том
числе для автоматизации подготовки данных для прикладных
задач
108

109.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
66. Управление данными при помощи искусственного интеллекта
(например, интеграция, обогащение, контроль качества), в том
числе через системы объединения данных из различных
источников (цифровой профиль, единый источник знаний из
объединенных информационных систем, геомаркетинговые
сервисы, системы управления основными данными), системы
повышения качества и постоянности данных
67. Автоматизация обучения нейронных сетей (автоматизированное
машинное обучение, включая эволюционные алгоритмы), в том
числе в целях удешевления или упрощения процесса разработки
модели
109

110.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
68. Комбинация моделей на основе данных с "классическими"
моделями, а также комплексирование различных методов
искусственного интеллекта, в том числе при его использовании в
плохо формализуемых прикладных областях (включая создание
гибридных моделей)
69. Обучение в ходе деятельности или по аналогии (включая создание
моделей)
70. Первичная обработка (верификация) данных и мониторинг
качества данных (включая создание моделей)
110

111.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
71. Семантический динамический анализ и комплексирование
мультимодальных данных из различных источников, включая
видеозаписи, текст, голос, с учетом их контекста
72. Интерпретируемые модели искусственного интеллекта и методы
генерации обоснований автоматически принимаемых решений
(включая создание объяснимого искусственного интеллекта)
73. Обработка сильно зашумленных сигналов (включая создание
систем обработки сильно зашумленных сигналов)
74. Повышение энергоэффективности за счет энергоэффективных
когнитивных систем
111

112.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
75. Обеспечение защиты от целенаправленных деструктивных
воздействий на этапах обучения и функционирования (включая
создание систем искусственного интеллекта)
76. Обеспечение обоснованной защиты данных обучающей выборки
от компрометации (последующего извлечения из обученной
модели) (включая создание систем искусственного интеллекта)
77. Оценка предвзятости систем искусственного интеллекта, в том
числе оценка статистических отклонений в выводах (включая
разработку методов)
112

113.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
78. Анализ мультимедийных материалов с целью выявления
признаков внесения изменений и фальсификаций, а также
установления даты, времени и места съемки, диагностики и
идентификации аудио-, фото- и видеорегистрирующей аппаратуры
и программно-аппаратных средств обработки мультимедийной
информации
79. Выявление уязвимостей и недекларированных возможностей в
программном обеспечении и операционных системах
80. Восстановление утраченной информации на машинных носителях
информации
113

114.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
81. Управление,
которое
учитывает
физические
процессы,
происходящие с объектом, в том числе управление движением
воздушного и наземного транспорта (включая создание систем
искусственного интеллекта)
82. Динамическое адаптивное управление и ориентация отдельного
объекта в сложных или недетерминированных условиях, в том
числе для систем управления автономными объектами, систем
управления объектом, учитывающих отставание сигналов
83. Централизованное управление группой (роем) объектов
84. Децентрализованное управление группой (роем) однородных
114
объектов

115.

Перечень
технологических задач, на реализацию
которых может быть направлен проект в
сфере искусственного интеллекта
V. Перспективные методы искусственного интеллекта
85. Децентрализованное управление группой (роем) неоднородных
объектов (включая инфраструктуру)
86. Повышение эффективности расчетов в системах с искусственным
интеллектом (разработка аппаратных ускорителей и программноаппаратных решений)
87. Обогащение и улучшение качества больших объемов данных,
получаемых с устройств и из других информационных систем
88. Моделирование угроз информационной безопасности на базе
технологии искусственного интеллекта
115

116.

ИТОГИ
Определение
технологий
искусственного
интеллекта приводится в Указе Президента РФ
от 10.10.2019г. №490
Выделяют
пять
основных
искусственного интеллекта
технологий
Области применения технологий искусственного
интеллекта не ограничены. Везде есть задачи для
ИИ
В одном продукте может применяться несколько
технологий ИИ
116

117.

Типы машинного обучения
Обучение с учителем
Обучение без учителя
Обучение с подкреплением
117