CC BY
45
Кузьмич Александр Александрович, адъюнкт, aakuzmich@icloud.com, Россия, Санкт-Петербург, Военная орденов Жукова и Ленина Краснознаменная академия связи имени Маршала Советского Союза С.М. Буденного
MODEL OF THE FUNCTIONING PROCESS MULTISERVICE COMMUNICATION NETWORK OF THE CORPORATE SYSTEM MANAGEMENT OF INFORMATION AND TECHNICAL IMPACTS
A.A. Kuzmich
The article presents an approach to modeling the process offunctioning of a multiservice communication network of a corporate management network under information and technical influences. The presented model is aimed at expanding the functional capabilities of modeling tools and methods due to the possibility of obtaining quantitative estimates characterizing the operability of a multi-service communication network of a corporate management system when implementing information and technical impacts.
Key words: multiservice communication network, information and technical impacts, information direction route, public communication network.
Kuzmich Alexander Alexandrovich, postgraduate, aakuzmich@icloud.com, Russia, St. Petersburg, Military Orders of Zhukov and Lenin Red Banner Academy of Communications named after Marshal of the Soviet Union S.M. Budyonny
УДК 004.7
DOI: 10.24412/2071-6168-2023-2-290-299
АНАЛИЗ НАПРАВЛЕНИЙ РАЗВИТИЯ УЧЕБНО-ТРЕНИРОВОЧНЫХ СРЕДСТВ НА ОСНОВЕ ПЕРСПЕКТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ ТЕХНОЛОГИЙ
Д.Д. Корякин, М.В. Митрофанов, Ю.И. Стародубцев
Современный образовательный процесс характеризуется постоянным поиском новых форм и решений, позволяющих повысить эффективность и качество обучения. При экспоненциальном росте производимых новых знаний и смыслов, увеличении корреляционных связей между смежными научно-техническими областями возникает задача нахождения оптимальной образовательной траектории для полноценной подготовки требуемого специалиста. Фактически, речь идет о динамической подстройке образовательной модели с учетом цифровой трансформации государства и экономики.
Ключевые слова: учебно-тренировочные средства, качество обучения, специалисты, эффективность.
Неизбежность образовательного процесса хорошо демонстрируют статистические данные. Одним из тикеров, количественно демонстрирующих данный процесс, является Индекс цифровой плотности, который показывает связь между применением в стране цифровых технологий и ростом ВВП. Показатель отражает степень внедрения цифровых технологий, навыков работы с ними, а также развитости нормативно-правовой базы, необходимой для реализации экономического потенциала страны на основе определенных технологий. Так, в среднем, в Российской Федерации значения данного индекса показали прирост по 0,5...0,7% в периоде 2014-18 гг., и по 3...4% начиная с 2019 г.
Фокусируя область исследовательского интереса на сфере инженерно-технического образования и сужая ее до подготовки кадров в интересах обороны и безопасности государства, мы обнаружим, что еще с 70-х годов прошлого века большую роль приобретают комплексы учебно-тренировочных средств (КУТС). Связано это с необходимостью формирования практических навыков и умений выполнения задач с применением вооружений, военной и специальной техники, ведь необходимые компетенции человек может получить только в результате деятельности, непосредственно сопряженной с эксплуатацией оборудования. В условиях применения новых технологий в изучаемых образцах вооружения и техники соответственно растет и их стоимость, следовательно, обучение на действующих образцах становится низкорентабельным из-за высокой стоимости производства и эксплуатации, большой вероятности поломки в ходе изучения, низкой пропускной способности обучающихся при недостатке образцов. Хорошим решением явилось внедрение комплексов учебно-тренировочных средств - совокупности технических средств обучения, специализированных приборов и приспособлений, имитирующих устройство и его работу.
Естественно, что за свою более чем 50-летнюю историю КУТС прошли весьма долгий путь в своем развитии от электромеханических устройств, до современных универсальных компьютерных тренажеров.
В отечественных библиографических источниках принято разделять КУТС на статические и динамические.
Статические КУТС отличаются отсутствием моделирования процессов, характерных для эксплуатации реальных образцов техники и предназначены для демонстрации элементов эргономики, демонстрации и проверки алгоритмов действий в строго детерминированных ситуациях.
Наибольший интерес представляют динамические КУТС, в основе которых лежат математические модели процессов, воздействующих как на образцы техники, так и на обучающихся. Внедрение динамической компоненты позволяет моделировать в целях обучения практические ситуации с учетом большой плеяды данных, получаемых как в предыдущих симуляциях, так и в режиме реального времени. К примеру, использование различных датчиков, подключаемых к тренажеру, позволяет подстраивать сценарии симуляции под показатели обучающегося, т.е. реализовывать принципы «обратной связи». Фактически, речь идет о переходе тренажерной базы преимущественного на программные платформы, что дает преимущества в виде унификации КУТС под широкую номенклатуру техники, расширение си-муляционных возможностей и простоту настройки.
Дальнейшее развитие динамической тренажерной базы влечет за собой повышение структурной сложности КУТС и сложности протекающих в них процессов, усложнение модели взаимодействия данных, необходимость в защите накопленных эмпирических данных, необходимость выявления взаимосвязи между различными показателями «на лету».
Все вышеперечисленное возможно путем внедрения в КУТС современных вычислительных технологий и интеллектуальных систем управления.
Оценить тренды развития таких систем в различных сферах деятельности помогает анализ публикационной активности на пересечении сфер образования и обобщенных технологий интернета вещей (1оТ).
Анализ зарубежного публикационного поля проводился с помощью информационно-аналитической платформы Dimensions.ai, объединяющей в себе информацию из множества открытых электронных сборников и содержит референсные копии десятков миллионов статей, патентов, грантов, исследований и иных источников информации. При этом существует развитый функционал перекрестных ссылок. Визуализация путем построения графов публикаций позволяет определять перспективные направления исследований, на основе подсчета весов связей между различными источниками.
Поиск публикационной активности проводился по совпадению тематики публикаций в областях «образовательные системы и тренажеры» и «информатика и компьютерные науки». Общий анализ представительской выборки проводился по 361470 публикациям, из которых 155588 - статьи, 96931 -результаты исследований и заявки на гранты, 66374 - заявки на патенты, 22225 - элементы опубликованных книг, 14275 - препринты статей и 6077 - монографии.
Отбор релевантных публикаций реализован с применением методик, описанных в Патенте на изобретение №2764391 «Способ формирования основных и дополнительных электронных ресурсов сети интернет для изучения заданной образовательной программы».Проводилось определение пороговых значений частоты встречи ключевых слов в формируемом датасете, формирование частотного словаря файла с данными публикационной активности путем использования счетчика использования ключевых слов и сравнения результата с пороговым значением, дальнейшее ранжирование множества ключевых слов по степени убывания (до достижения ключевого значения).
Полученные таким образом показатели использовались для выявления наиболее сильных корреляционных связей между публикациями, методом построения графа на основе наиболее релевантных 2500 публикаций.
Визуализация графа представлена на рис. 1.
Количественная оценка крупнейших узлов и их метрик сформированного графа представлен в
табл. 1.
Таблица 1
Результаты количественной оценки корреляционных связей__
Условное наименование узла Номер кластера Количество взаимодействий с другими узлами Число публикационных ссылок узла Вес метрик
Обучающиеся 1 330 592 3370
Covid-19 1 259 577 3219
Датасет 2 276 600 3131
Верификация 2 430 650 4636
Экспериментальные результаты 2 285 543 2828
Контроль параметров 3 225 540 2275
Оптимизация параметров 3 165 491 1667
Передача и хранение данных 4 287 617 3485
Блокчейн и кибербезопас-ность 4 189 370 1165
Образовательные информационные технологии 5 149 462 1579
biocl(chjin0Khnolofy bloi^pKain * w№rjy#ic»rvcy
* iots|Bte<n m . ♦cowoflpechod*
«Г ;„, Д,
* «,рр*см Jpt ________
* Л
■"W" eneigy с«0Ешпр[:оп
. ¡nf„*.ur; thin8, • ,
*||И ю * ^ sensor node «
security" ^
v> в a • ** ^
control
•«"•v . <"**«r«™ internee • Д.,
• сифеи . гиродаЛ»
iub*,i0"_ &ЧГ * "**"' «¡г»
сипи» status
.uglily
.и— . . „ .d^r. J*" , 4 d ' "
sysienm.tinratuiiiBif.v ^ ^^JW tt.nfo'ffe^nilijmtrn,^ ' ъ
w ^ . J^rv * oonmUailDP »- -*. .
^...„♦"t»™ »BowlWm Ч" ''"■[•«^И'
*гВ*ре» guidfeme . aw * * • Тив.гГ
»V' , 40 " of——
Vi— ^r —i e"e"raentalfe5ylk_r
I»'""'«»1-'- dra^itiiii J,^. accuracy "*
« _ ' - ^tMioluUonalneuBlnttwork
« frrfu" ■ .-JA.il - •
_ чипЩртлг« ~ * (Ву(»1ч» * v(jjc # c"Wer •
^» • da4iptm * ""
---------- tuneiw fjMKe reaching сайеге як (|я§мф(1 model
IIW naan f* • • J* •
studet}(| 1
___
cramfcrrw
рН/5<о1о|(ы1 »)((ч1 со(1е£а Яиаегн
• "
щ-л '(■^КСП" _. '' • 1"
РЛ»П1 •
Рис. 1. Визуализация графа корреляционных связей
Кластеризация результатов построения показывает основные направления публикационной активности, которые можно сгруппировать следующим образом: «Анализ и оптимизация», «Контроль параметров», «Передача и хранение данных», «Обучающиеся, их индивидуальные особенности» и «Коро-навирусная инфекция». Появление последнего кластера связано с некоторыми региональными особенностями публикаций - большой процент из них подготовлен в Китайской Народной Республике и очевидно, что «черный лебедь» пандемии явился мощным катализатором развития современных средств обучения в условиях вынужденного локдауна.
Проводя декомпозицию кластеров можно выделить направления исследований по технологиям.
Направление «Наука о данных и администрирование информации» включает в себя механизмы и технологии обработки большого количества данных, структурирования и извлечения новых знаний из них. В направлении можно раскрыть некоторые категории.
Наука о данных - сфера деятельности, которая занимается сбором, обработкой и анализом данных. В КУТС, в ходе образовательного процесса, может накапливаться как структурированные, так и слабоструктурированные наборы данных (датасетов) о моделируемых ситуациях и обучающихся, которые при должной обработке с использованием статистических, математических и алгоритмических методов могут послужить источником новых знаний и смыслов. Подкатегорией являются «большие данные» - наборы обезличенных датасетов, позволяющих выявлять тренды глобальных событий и на основе этого совершенствовать образовательные и симуляционные модели.
Аналитика данных и администрирование - деятельность, связанная с обработкой полученных из наборов данных новых знаний, их классификации и определении оптимальных способов использования, автоматизации процессов поиска причинно-следственных связей. Особую и важную роль играет проверка достоверности полученных гипотез, определение выбросов, аномалий и ложных связей, а также сличение эмпирических и теоретических результатов.
Направление «Искусственный интеллект» является наиболее обширным и фактически состоит из нескольких основных категорий, совокупность которых и раскрывает термин. Количество публикаций в рамках этого направления весьма велико и увеличивается в последний годы, что хорошо видно на корреляционном графе. Рассмотрим включенные категории.
Нейронные сети состоят из взаимосвязанных блоков, обрабатывающих информацию с учетом внешних данных и пересылающих обработанную информацию между блоками, обеспечивая их совместную работу. Сочетание простых, но глубоко взаимосвязанных элементов, функционирующих на базе мощных вычислительных ресурсов позволяет достичь базового познавательного уровня.
Глубокое и машинное обучениеявляются совокупностью методов машинного обучения, способных обучаться на плеяде слабоструктурированных представлений и больших данных. Глубокое обучение наиболее близко по своей достоверности приближается к моделированию реального мира и, следовательно, активно находит свое применение в КУТС.
Обработка естественного языка состоит из двух компонентов - понимания (сопоставления ввода на естественном языке с релевантными представлениями) и генерации (формирование значащего вывода в виде слов и предложений), соответственно используемых для восприятия и симуляции естественного человеческого общения, что существенно обогащает тренировочные возможности КУТС.
Направление «Инженерия» раскрывает особенности построение КУТС, как инженерных систем, описывает взаимодействие гетерогенных интерфейсов, их компоновку, классификацию и исследует пути совершенствования материальной базы тренажерных средств.
Направление «Антропоцентрические вычисления» изучает вопросы интеграции эргономики в технические системы и программные пользовательские интерфейсы КУТС, решает вопросы совершенствования рабочих пространств и процессов.
Направление «Системы распределенных вычислений и облачные технологии» раскрывает вопросы ускорения обработки данных, за счет параллельных вычислений на удаленных мощностях, а также упрощения повторного использования данных с использованием CDN (contentdeliverynetwork). Рассматриваются актуальные вопросы исследования «росистных» вычислений - симбиоза независимых и облачных вычислений, нивелирующих недостатки потенциально нестабильного доступа к облаку и повышающих доступность сервисов КУТС в offline-режиме (что особо актуально в условиях специальной обстановки). Таким образом решается проблема задержек при работе с компонентами КУТС, программная вычислительная часть функционирует в непосредственной близости от аппаратной части, генерирующей большое количество данных, но при этом сохраняется возможность удаленного обмена при возобновлении стабильного соединения.
Направление «Компьютерное зрение» является междисциплинарным и рассматривает вопросы распознавания образов в процессе обучения и симуляции, автоматизируя задачи по определению и классификации визуальной информации, поступающей в КУТС, в том числе от мультисенсорной сети тренажерного средства.
Направление «Информационные системы»в целом рассматривает вопросы функционирования КУТС как системы, предназначенной для хранения, поиска и обработки информации, а также привлечение соответствующих организационных ресурсов для реализации услуг. Раскрываются вопросы взаимодействия информационной продукции (элементов КУТС) - баз данных, документов, информационных массивов и информационных услуг.
Направление «Кибербезопасность и приватность» изучает вопросы обеспечения корректного функционирования КУТС, защиту системы и ее элементов от кибератак, обеспечение сохранности и конфиденциальности чувствительных данных, а также целостность программной среды.
Направление «Инженерия коммуникаций» изучает вопросы передачи данных в локальных и распределенных КУТС. В рамках направления происходит поиск оптимальных способов организации обмена данными, протоколов и технологий, обеспечивающих возможно минимальную задержку реакции системы на всех этапах функционирования.
Направление «Графика, виртуальная и дополненная реальность» рассматривает вопросы повышения реалистичности визуальной компоненты симуляции КУТС, что позволяет обучающемуся получить максимально релевантный опыт при использовании КУТС, для облегчения переноса навыков на реальную технику.
Направление «Технологии контроля, мехатроника и робототехника» рассматривает вопросы получения данных от различных датчиков контроля обучающихся, создания устройств обратной связи и имитации отдельных физических процессов в случае необходимости.
Направление «Индивидуальные особенности обучающихся» исследует вопросы влияния КУТС на повышения мотивации обучающихся, эффективности и качества усвоения учебного материала, методические вопросы организации занятий на КУТС и способы геймификации образовательного процесса. Оно отличается тесной связью с техническими направлениями публикаций, поскольку активно использует полученные там результаты для расширения диапазона получаемых знаний и учета психолого-поведенческих факторов при построении образовательных программ.
Количественное распределение материалов по направлениям исследований демонстрирует основную концентрацию исследовательских усилий в области науки о данных, искусственного интеллекта, инженерии, распределенных вычислений и машинного обучения представлено на рис. 2.
Хронологическое распределение публикационной активности по годам показывает кратный рост количества материалов за период выборки (рис. 3). Четырехкратный рост демонстрирует активное развитие исследовательской области, особенно в последние несколько лет, что позволяет сделать выводы об актуальности исследуемой проблематики.
Количественный анализ материалов по заданной тематике в зарубежных источниках представлен на рис. 4. Лидирующие позиции по количеству публикаций занимают, в основном, авторы из Китайской Народной Республики (аффилированных с государством образовательных организаций). В верхние строчки рейтинга также попали авторы из США и Катара.
Титульные издания представлены на рис. 5 целом, отзывы на данные издания отмечают высокое качество редактуры публикуемого материала и высокий репутационный уровень.
При этом, несмотря на схожесть направлений исследования и попытки использования единых технологий для решения схожих задач, в зарубежном и отечественном публикационном поле существует определенная разница в применяемом терминологическом аппарате. В основном, это связано с историческими и методологическими особенностями научных школ в разных странах. Однако, зная об этом и учитывая данный фактор, для опытного исследователя не составит труда получит актуальную картину и на основе этого увидеть формирующиеся тренды научных изысканий. Частотные данные применяемых терминов приведены в табл. 2.
120000
100000 80000 60000 40000 20000 | О
Б2Е50
49102
130 93 2 29076 285 93
/Ж ^ А
4- ^
I I I I т—
X Лг т
4 & / > .У ж
г у У а? ^
/ Л
/V У //
/V
V
г
,Г
/У
Рис. 2. Распределение материалов по числу публикаций
45000 40000 35000 ЗОООО 25000 20000 15000 10000 5000
28Я96 24950 «
20915
17587
14312
15273
О
2012
2013 2014 2015 2016 2017 201В 2019 2020 2021 2022 2023
Рис. 3. Хронологическое распределение публикационной активности
Мох сен Моитар Гиэани (Катарскии университет. Катар)
Чун Лун г Филип Чен [Южнр-Китайский технологтескийуниверситет. Китай)
Синьпин Гуань (Шанхайский университет Цздо Тун, Китай)
Мэн Чу Чжоу (Темнолргический институт Нью-Диареи, Среди ненн ые Штаты)
Фэй-Юэ Ван [Институт автоматизации, Китай)
Мэр-Го Гун [Сидианекий университет, Китвй)
СинБо Г во (Чун ци некий университет почты и телекомплуникаций, Китай)
Чжиган Цзэн [Хуачжунский университет науки и техники, Китай)
Личэн Си Цзяо (Сидианекий университет. Китай)
Рис. 4. Распределение публикаций среди ведущих авторов
294
Намм^никЕцни вийлзии
ВЫ" ЦЕЛИТЕЛЬНОЙ ТЬЧ НИ КИ
н инфзрч^пнки [Спmmun¡cations in Cn mp Lit ег еп d Infnrm=tinn icienLE)
7%
He й [м K№i ьшти нг I Neurm ¡imputing)
3%
Кэн^пЕстылекции na
ИМфзрМЭТМКЕ I Li rtdri Nat к in ComputErSciEncE)
Рис. 5. Титульные издания
Частотные данные применяемых терминов
Таблица 2
Термин и его смежные значения Источник данных Количественный показатель
Умныеобразовательные системы (Intelligenteducationsystem) Dimension.ai 321 483
Тренировочные и обучающие системы (Training and teaching systems) Dimension.ai 231 597
Образовательные системы для антропоцентрического обучения (Educationalsystemforhumanstudy) Dimension.ai 71 068
Учебно-тренировочные средства eLibrary 48 218
Учебно-тренировочные средства (нейронные сети) eLibrary 8
Технические средства обучения eLibrary 14612
Следует понимать, что большая часть публикаций создана по результатам исследовательских работ. Образовательная отрасль пока находится в стадии поиска прикладного применения обобщенных технологий интернета-вещей. Опытно-конструкторские работы в данном направлении пока оперируют отдельными технологиями, методами, способами и нахождением оптимальных путей взаимодействия.
Отечественные изыскания в данной сфере в основном сосредоточены в области подготовки кадров в интересах обороны и безопасности государства. Обзор публикаций, индексируемых РИНЦ, показал их относительно небольшое количество в открытом доступе. Зачастую публикации такого рода являются рефератами диссертаций на соискание ученой степени кандидата наук или заявками на патенты в сфере физической подготовки военных специалистов.
Наиболее интенсивно исследования в области тренажерных средств велись в космических войсках, войсках противовоздушной обороны, военно-морском флоте, т.е. как раз в областях, где использование натурных тренажеров сопряжено с высокими материальными затратами, а сложность освоения техники требует высокого качества подготовки, что служит подтверждению изложенных выше тезисов.
Конвергенция перечисленных выше областей ведет развитию образовательной модели, через призму КУТС, от сценария «учитель-ученик», до глубоко компьютеризированных систем с элементами искусственного интеллекта и программно-аппаратными компонентами. Интерактивные и интеллектуальные КУТС увеличивают энтузиазм студентов к освоению образовательного материала через интерактивность обучения, позволяют лучше контролировать результаты преподавателю и повышают общую эффективность.
Предложенная в монографии «Тренажеры военно-морского флота: создание и использование» рекомендуемая система классификации тренажеров ВМФ (рис. 6) отражает сформировавшуюся в Вооруженных Силах Российской Федерации систему тренажерной подготовки, направленность и особенности различных типов отечественных комплексов учебно-тренировочных средств.
При этом, предложенная классификация все еще содержит достаточно высокий уровень дифференцирования учебно-тренировочных средств. Очевидно, что разработка, поддержка и развития такой большой номенклатуры узкоспециализированных КУТС рано или поздно становится весьма затратной задачей. Расходы пропорционально вырастают с расширением сферы применения на другие виды и рода войск.
Актуальным видится построение унифицированных КУТС, состоящих из универсальных программно-аппаратных модулей. Доработка такого КУТС сведется к разработке и/или переработке интер-
фейсного модуля и модуля модели боевого применения. Системы же тестирования, передачи данных, оценки, получения информации о статусе обучающегося остаются прежними и не требуют разработки с нуля, достигается высокий уровень повторного использования кода. Таким образом, отход от концепции проприетарных узкоспециализированных тренажеров и переход к унифицированным программно-аппаратным решениям на основе известных API будет способствовать более рентабельной подготовке/переподготовке специалистов для всех видов и родов войск.
УТС
1Х_
г
Направленность подготовки
Практической подготовки
Теоретической подготовки
Вид изделия
Учебные образцы ВВСТ
Тренажеры
обии <tof*-Wt«-* функционально-психологические
профессионально донных
Фу н к ц и о н аль н о-деятел ьн остны е
Характер Формируемых
Эмоциональной
УСТОЙЧИВОСТИ
Хранении и Переработки
Восприятии информации
Исполнительные
Характер деятельности обучающихся
Управления
Ofit пуглийанил
Степень мобильности
Стационарные
Мобильные
Число одновременно обучающихся
Индивидуального обучения
Массового обучения
Степень прис лосабл ивэемосги npo-jecca
Адаптивные
Неадаптивные
Рис. 6. Сокращенная схема классификации тренажеров ВМФ
Таким образом, классификация дополняется новым видом учебно-тренировочных средств, построенных на перспективных вычислительных технологиях, которые можно охарактеризовать термином «Комплексные учебно-тренировочные средства с динамическим образовательным контентом». Общие дополнения в классификацию представлены на рис. 7.
УТС
- - -*=,--^---^
""иго,™"1 пРактической Подготовки Теоретической подготовки —~
Рис. 7. Дополнения в схему классификации
Образ перспективной КУТС, основанной на симбиозе технологических решений, представляется как композиция сенсоров, контроллеров, физических и программных объектов, функционирующих на распределенной вычислительной платформе с низкой задержкой обработки сигналов.
Коммуникация между всеми компонентами реализуется на основе высокоскоростных протоколов передачи данных с низкой задержкой или ультра-энергоэффективных протоколов (там, где это обусловлено спецификой размещение сенсоров).
Сенсоры и датчики связываются в единую сенсорную сеть, объединяющую стационарные и носимые устройства и формирующую датасеты, в реальном времени обрабатываемые вычислительным ядром с технологиями искусственного интеллекта.
Интеллектуально решаются вопросы идентификации и верификации как непосредственно обучающихся, так и элементов КУТС. Внедрении идентификационной системы необходимо для реализации на базе описанных выше технологий онлайн-систем оценки, обучения и образовательного менеджмента.
Персональный доступ к личной статистической информации позволяет комбинировать подходы обучения путем открытия и проблемного обучения, противопоставляя их традиционным дидактическим практикам. Обучение путем открытия подталкивает к выявлению и исследованию проблем при отработке учебного материала на КУТС, развивает навыки критического мышления через связывание объяснений со знаниями, полученными в ходе тренировки. Автоматизированный частотно-временной анализ личного профиля и выявление поведенческих паттернов на основе распознавания речи, распознавания образов, данных от сенсорной сети позволит подбирать оптимальную образовательную траекторию исходя из персональных особенностей, обеспечивать предиктивную модель подбора образовательного контента, что повысит эффективность обучения и сократить временные издержки преподавателя на подготовку. Учет индивидуальных особенностей на всей протяженности образовательного трека также перспективно может позволить усовершенствовать политику кадровых назначений и определить первоначальную траекторию служебного продвижения, исходя из профессионально-ориентационных особенностей различных должностей.
Распределенные вычисления позволяют предусмотреть возможность создания мобильных элементов КУТС, которые способны иметь доступ к полному набору сервисов, услуг и статистики, обеспечивают освоение новых образцов вооружения и техники, в том числе в «полевых условиях» (для терминалов мобильного исполнения), обеспечивая при этом удаленную методическую поддержку со стороны научно-исследовательских, конструкторских и образовательных организаций.
Многоуровневые нейросетевые вычисления позволяют в автоматическим режиме выявлять основные свойства моделируемых ситуаций для объектов и субъектов симуляции, строить корреляционные карты по результатам данных, получаемых от сенсорной сети (в том числе, в комбинации с архивными данными), выступать в качестве системы поддержки принятия образовательных решений.
Интегрированная модель кибербезопасности обеспечивает защиту сведений о принципах функционирования алгоритмов моделирования, сохранение конфиденциальности местоположения терминалов мобильного исполнения, обеспечивает защиту от кибератак при передаче данных и не позволяет провести идентификацию обучаемых в случае вероятной утечки элементов баз данных.
Обобщенный процесс функционирования перспективного КУТС показан на рис. 8.
Накопление, обработка и передача данных внутри экосистемы КУТС
&
Получение данных о коде образовательного процесса от ученика и преподавателя
Ф
Корректировка /
образовательного процесса ПУ
на основе рекомендательной ^
системы V
Получение обратной связи на основе обработки данных интеллектуальными алгоритмами
Назначенио подготовленного специалиста на должность
С учетом ИНДИЬедуйЛЬНЬЫ
профессиональных особенностей
Рис. 8. Обобщенный процесс функционирования перспективного КУТС
Анализом публикационной активности подтверждается актуальность научного направления. Кратный рост публикаций по исследуемой и смежным темам говорит об интенсификации деятельности в направлении цифровизации учебно-тренажерных средств, что диктуется требованиями экономики и темпами развития научно-технической мысли, необходимостью оптимизации материальных затрат при подготовке высококвалифицированных специалистов. Очевидно, что процессы дальнейшей специализации учебно-тренировочных средств потребуют новых теоретических изысканий и апробаций, педагогических экспериментов и образовательных стандартов,постепенной эволюции образовательного процесса с интегрированными интеллектуальными системами. Важнейшая задача военного образования - оставаться на острие прогресса и стараться жить будущим уже сейчас.
Заключение. В ходе работы:
выявлен тренд однозначного перехода от создания примитивных учебно-тренировочных средств к интенсивной разработке и использованию в учебном процессе интеллектуальных образовательных систем;
значительная часть исследований направлена на создание технических решений на основе искусственного интеллекта, позволяющих формировать качественный образовательный контент;
увеличение корреляционных связей между смежными областями расширяет потенциальное множество возможных образовательных траекторий.
Список литературы
1. Степанов С.В., Митрофанов М.В., Темников М.В., Киселев О.Н. Методы трансформации образовательного контента с использованием технических способов интеллектуальной обработки данных // Известия Тульского государственного университета. Технические науки. 2022. Вып. 7. С. 92-95.
2. Абрамов А.С., Сафонов Л.Ю., Стариков Н.Е., Чадаев Ю.А. Анализ и классификация комплексов учебно-тренировочных средств // Известия Тульского государственногоуниверситета. Технические науки. 2022. Вып. 7. С. 95-102.
3. Патент на изобретение №2764391, Российская Федерация, МПК G06F 40/279. Способ формирования основных и дополнительных электронных ресурсов сети Интернет для изучения заданной образовательной программы: №2020140406: Заявл. 09.12.2020: опубл. 17.01.2022 / Атнагуллов Тимур Нагимович, Вершенник Елена Валерьевна, Головин Геннадий Алексеевич, Митрофанов Михаил Валерьевич, Митрофанов Никита Михайлович, Стародубцев Юрий Иванович. 16 с.
4. A Research on the Realization Algorithm of Internet of Things Function for Smart Education /Kuiliang Fu // HindawiComputional Intelligence and Neuroscience. 2022. Volume 2022. 9 p.
5. An Optimized Decision Method for Smart Teaching Effect Based on Cloud Computing and Deep Learning / Miaomiao Jiang, Yuwei Sun // HindawiComputional Intelligence and Neuroscience. 2022. Volume 2022. 10 p.
6. Internet of Things (IoT) Technology for the Development of Intelligent Decision Support Education Platform / Jinhua Liu , Caiping Wang, and Xianchun Xiao //HindawiComputional Intelligence and Neuroscience. 2021. Volume 2021. 12 p.
7. Захаров В.Л., Ильин В.А. Тренажеры военно-морского флота: создание и использование. Спб-Тверь, 2019. 248 с.
8. Systematic literature review and bibliometric analysis on virtual reality and education / Mario A. Rojas-Sánchez, Pedro R. Palos-Sánchez, José A. Folgado-Fernández//Education and Information Technologies. 2022. Volume 6. 38 p.
9. Научная электронная библиотека eLibrary. [Электронный ресурс] URL: https://www.elibrary.ru (дата обращения: 15.01.2023).
10. Scientific research database Dimension.ai. [Электронный ресурс] URL: https://app.dimensions.ai/discover/publication (дата обращения: 15.01.2023).
Стародубцев Юрий Иванович, профессор, uistarodub@mail. ru, Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С.М. Буденного,
Митрофанов Михаил Валерьевич, начальник кафедры, mitrofanovV@mail.ru, Россия, Санкт Петербург, Военная академия связи имени Маршала Советского Союза С.М. Буденного,
Корякин Денис Дмитриевич, начальник отделения учебно-методического отдела, koryakinen@gmail.com, Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С. М. Буденного
ANALYSIS OF THE DIRECTIONAL DEVELOPMENT OF TRAINING TOOLS ON THE BASIS OF PROMISING COMPUTING TECHNOLOGIES
U.I. Starodubcev, M.V. Mitrofanov, D.D. Koryakin
The modern educational process is characterized by a constant search for new forms and solutions to improve the efficiency and quality of education. With the exponential growth of new knowledge and meanings being produced, the increase in correlations between related scientific and technical fields, the task of finding the optimal educational trajectory for the full training of the required specialist arises. In fact, we are talking about the dynamic adjustment of the educational model, taking into account the digital transformation of the state and the economy.
Key words: educational and training facilities, quality of training, specialists, efficiency.
Starodubtsev Yuri Ivanovich, professor, uistarodub@mail.ru, Russia, Saint-Petersburg, Military Academy of Communications named after Marshal of the Soviet Union S.M. Budyonny,
Mitrofanov Mikhail Valerievich, head of the department, mitro fanovV@mail. ru, Russia, Saint-Petersburg, Military Academy of Communications named after Marshal of the Soviet Union S.M. Budyonny,
Koryakin Denis Dmitrievich, head of the department of the educational and methodological department, koryakinen@gmail.com, Russia, Saint-Petersburg, Military Academy of Communications named after Marshal of the Soviet Union S.M. Budyonny
