CC BY
61С.И. ПАСИЧНИК, А.В. РЫЧКОВ, М.В. ЩЕДЛОВСКАЯ, А.В. ШИГИН
S.I. PASICHNIK, A.V. RYCHKOV, M.V. SHCHEDLOVSKAYA, A.V. SHIGIN
ГОРИЗОНТ ВОЗМОЖНЫХ ПЕРСПЕКТИВ
THE HORIZON OF POSSIBLE PROSPECTS
ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЭИОС ВОЕННЫХ ОБРАЗОВАТЕЛЬНЫХ ОРГАНИЗАЦИЙ
PROSPECTS FOR THE INTRODUCTION OF ARTIFICIAL INTELLIGENCE TECHNOLOGIES IN THE EIOS OF MILITARY EDUCATIONAL ORGANIZATIONS
Сведения об авторах: Пасичник Сергей Иванович - заместитель начальника ВУНЦ СВ «Общевойсковая ордена Жукова академия ВС РФ» по учебной и научной работе, генерал-майор, кандидат военных наук, доцент (г. Москва. E-mail: ovavcrf@mil. ru);
Рычков Андрей Владимирович - начальник научно-исследовательского центра (образовательных и информационных технологий) ВУНЦ СВ «Общевойсковая ордена Жукова академия ВС РФ», полковник, доктор технических наук, доцент (г. Москва. E-mail: rychkov. av77@mail. ru);
Щедловская Мария Валерьевна - старший научный сотрудник научно-исследовательского центра (образовательных и информационных технологий) ВУНЦ СВ «Общевойсковая ордена Жукова академия ВС РФ», кандидат экономических наук (г. Москва. E-mail: shchedlovskaya@mail. ru);
Шигин Алексей Вячеславович - профессор кафедры оперативного искусства ВУНЦ СВ «Общевойсковая ордена Жукова академия ВС РФ», полковник, кандидат военных наук, доцент (г. Москва. E-mail: [email protected]).
Аннотация. В статье рассматриваются возможные варианты внедрения технологий искусственного интеллекта в ЭИОС военного вуза.
Ключевые слова: искусственный интеллект, информационное пространство, компетенции слушателей, нейросеть.
Information about the authors: Sergey Pasichnik - Deputy Head of the VUNC SV «Combined Arms Order of Zhukov Academy Armed Forces of the Russian Federation» for academic and scientific work, Major General, Candidate of Military Sciences, Associate Professor (Moscow. E-mail: ovavcrf@mil. ru);
Andrey Rychkov - Head of the Research Center (educational and Information Technologies) VUNTS SV «Combined Arms Order of Zhukov Academy of the Armed Forces of the Russian Federation», Colonel, Doctor of Technical Sciences, Associate Professor (Moscow. E-mail: ovavcrf@mil. ru);
Maria Shchedlovskaya - Senior Researcher at the Research Center (Educational and Information Technologies) VUNTS SV «Combined Arms Order of Zhukov Academy of the Armed Forces of the Russian Federation», Candidate of Economic Sciences (Moscow. E-mail: shchedlovskaya@mail. ru);
Alexei Shigin - Professor of the Department of Operational Art of the VUNC SV «Combined Arms Order of Zhukov Academy of the Armed Forces of the Russian Federation», Colonel, Candidate of Military Sciences, Associate Professor (Moscow. E-mail: ovavcrf@mil. ru).
Ju
АРМИЯ-2022 M
Summary. The article discusses possible options for the introduction of artificial intelligence technologies into the information and educational environment of a military university.
Keywords: artificial intelligence, information space, students' competencies, neural network.
Мировые тенденции, в том числе в военной сфере, характеризуются усилением глобальной конкуренции и в большей степени зависят от уже повсеместно применяемых до новых развивающихся технологий искусственного интеллекта, трендов цифровизации.
Развитие средств разведки и поражения, возникающие вооружённые конфликты, наращивание силового потенциала НАТО, приближение военной инфраструктуры стран - членов НАТО к границам России актуализируют вопросы о необходимости применения элементов искусственного интеллекта (ИИ) при производстве ВВСТ, во время подготовки и ведения боевых действий, а также о внедрении новых технологий в процесс обучения слушателей.
Искусственный интеллект и технологии его практического применения, Big Data и Data Science находятся в лидерах наиболее активно развивающихся трендов. Однако далеко не все из новых технологий имеют понятное применение и способны принести пользу, в связи с чем необходимо объективно и профессионально подходить к анализу и прогнозам перспектив внедрения технологий искусственного интеллекта в деятельность, в том числе образовательную.
Развитие искусственного интеллекта и внедрение его в Вооружённые Силы становятся задачей обеспечения национальной безопасности. Указом Президента Российской Федерации В. В. Путина от 11 октября 2019 г. «О развитии искусственного интеллекта в Российской Федерации» утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 года. В ней
определены направления ускоренного развития искусственного интеллекта, проведения научных исследований в области искусственного интеллекта, повышения доступности информации и вычислительных ресурсов для пользователей, совершенствования системы подготовки кадров в этой области.
Базовым документом по вопросам правоприменения интеллек-
туальных технологий является «Концепция развития регулирования отношений в сфере технологий искусственного интеллекта и робототехники до 2024 года», утверждённая Правительством Российской Федерации. Документ определяет основные подходы к системе нормативного регулирования использования технологий искусственного интеллекта и робототехники в различных сферах.
Рис. 1. Структура базы внедрения технологий ИИ
ИЮЛЬ - АВГУСТ 2022 №4 (37) \ ча I
группа
слушателей 1
входной контроль с использованием нечеткой логики с применением NN происходит распределение обучаемых
ВЫБОРЫ Н X" 1 ;V Г1 Ч М получении к ва осдие [и n.:i;.r
ковтроль 0&J ЧС Н КЯ
(n'Minil)IIJ,
практические
вши,
групповые
упражнения)
Э
следующая группа слушателей 6
NN н.авал1пн|>ует"Втог11 контроля слушателей, производя корректировку весов для дальнейшего распределения
Рис. 2. Процесс обучения слушателей
Рис. 3. Формальный нейрон
Концепция нацелена на обеспечение последовательного внедрения и получение практического результата использования технологий искусственного интеллекта при выполнении задач в образовательной деятельности Министерства обороны. Кроме того, она определяет, что эффективное решение задач по обеспечению безопасности государства сегодня невозможно без использования актуальных технологических трендов цифровизации.
Искусственный интеллект позволяет расширить возможности планирования любой, в том числе и образовательной деятельности, обеспечить практическое использование больших данных, формировать и консолидировать информационные ресурсы для эффективного вовлечения их в образовательный процесс.
Базой для достижения поставленных целей служат: информационное пространство, информационно-технологическая инфраструктура (программного и аппаратного обеспечения) образовательной деятельности Минобороны России, включающая информационные ресурсы (системы и сервисы), квалификацию профессорско-преподавательского состава, уровень знаний слушателей (см. рис. 1). Всё это требует разработки соответствующих контрольно-
оценочных средств и технологий, методов накопления результатов и аналитических оценок состояния вышеуказанных составляющих на каждом этапе применения технологий ИИ.
Попытки внедрения технологий ИИ в образовательную деятельность организаций высшего образования начались ещё в прошлом веке. Однако особую
актуальность данное направление получило в XXI в., что было обусловлено разработкой и развитием новейших ИИ-средств (машинный перевод, компьютерное зрение, Proctored Test и др.), а также новыми требованиями к компетенциям всех субъектов образования в ИТ-сфере.
Сейчас более 260 российских образовательных организаций
Таблица 1 Архитектура сети
Парадигма Обучающее правило Архитектура
С преподавателем Коррекция ошибки Однослойный и многослойный перцептрон
Больцман Рекуррентная
Хебб Многослойная прямого распространения
Соревнование Сеть ART
Смешанная Коррекция ошибки и соревнование Сеть RBF
Без преподавателя Хебб Сеть Хопфилда
Соревнование
Кластеризация данных
Таблица 2
Шкала оценивания по тестированию
Балл (интервал баллов) Уровень освоения Критерии оценивания уровня освоения компетенций
0-5 Минимальный уровень (интервал) не достигнут Не более 5 верных ответов
6 Минимальный уровень (интервал) Не менее 6 верных ответов
7-8 Средний уровень (интервал) Не менее 7-8 верных ответов
9-10 Максимальный уровень (интервал) Не менее 9 верных ответов
высшего образования и 1600 кафедр, в том числе 27 военных образовательных организаций высшего образования МО, разрабатывают и внедряют образовательные технологии и программы, связанные с вопросами ИИ. Также в автоматизированных и информационных системах военного образования, тренажёрных комплексах, моделирующих комплексах боевых действий воинских частей и соединений Сухопутных войск формируются практические элементы ИИ.
ИИ в образовательной деятельности вузов представлен в моделях педагогической и образовательной форм (различные образовательные платформы, системы, обучающие тренажёры и т.п.), где его возможности используются для:
• взаимодействия преподавателя и слушателя;
• формирования индивидуальной образовательной траектории обучающегося;
• оценки текущей успеваемости обучающихся;
• мониторинга образовательной деятельности как обучающегося, так и преподавателя.
Отечественные разработки искусственного интеллекта в образовании в настоящее время решают локальные задачи: используются в качестве «приложения-репетитора», для автоматизации контроля знаний и т.п.
В академии в настоящее время ведётся работа по внедрению элементов ИИ при обучении слушателей по оперативно-тактическим дисциплинам.
При её разработке наибольшую трудность вызывает перевод требований руководящих документов на формализованный язык
цифр. К примеру: как определить и учесть, правильно ли слушатель назначил направление главного удара (НГУ) противника или направление сосредоточения основных усилий наших войск, целесообразно ли построил оборону, правильно расположил элементы боевого порядка.
Для этого комплексные оперативно-тактические задачи отрабатываются на электронных картах с помощью ГИС «Оператор», где заложены «правильные» слои обстановки за каждый элемент боевого порядка.
Слушатель на занятии самостоятельно принимает решение, наносит обстановку на электронную карту, производит расчёты.
Далее ЭВМ с помощью ИИ сравнивает «правильный» вариант с вариантом слушателя и рекомендует преподавателю оценку
Таблица 3
Шкала оценивания выполнения практических/семинарских заданий
Балл (интервал баллов) Уровень освоения Критерии оценивания уровня освоения компетенций
0-6 Минимальный уровень (интервал) не достигнут Более 1 принципиальной ошибки алгоритма решения задачи и/или неудовлетворительное раскрытие теоретической части задания; ответы путаные, нечёткие, содержат множество ошибок, или ответов нет совсем
7-8 Минимальный уровень (интервал) Плохое раскрытие темы в теоретической части и/или принципиальная ошибка алгоритма в практической части
9-10 Средний уровень (интервал) Действия правильные, чёткие, ответы содержат одну принципиальную, 3 или более мелкие ошибки
11-12 Максимальный уровень (интервал) Соответствие предъявляемым требованиям, содержит 1-2 мелкие ошибки; ответы правильные, чёткие
С1 *Г$
Таблица 4
Шкала оценивания по зачётным (экзаменационным) заданиям
Балл (интервал баллов) Уровень освоения Критерии оценивания уровня освоения компетенций
0 Минимальный уровень (интервал) не достигнут Если правильные ответы даны менее чем на 50 % вопросов
18-24 Минимальный уровень (интервал) Если правильные ответы даны на 51-64 % вопросов
25-28 Средний уровень (интервал) Если правильные ответы даны на 65-94 % вопросов
29-31 Максимальный уровень (интервал) Если правильные ответы даны на 95-100 % вопросов
«отлично», «хорошо», «удовлетворительно» или «неудовлетворительно».
Данная работа ещё не завершена, имеется ряд проблемных вопросов.
Однако уже сегодня можно констатировать, что возможности ИИ позволяют определить глубину освоения предмета обучаемым, полноту и прочность усвоенных им знаний, уровень изучения теоретического материала и приобретения практических навыков. В академии несколько лет приме-
няется электронная информационно-образовательная среда (ЭИОС), которая позволяет использовать процедуру тестирования через модель, которая на выходе выдаёт объективную оценку.
Опираясь на возможности ИИ, оптимально его использовать для оценки входного тестирования, промежуточной и итоговой аттестации слушателей, в перспективе необходимо сформировать нейросетевую систему, которая бы разделяла группу обучаемых на подгруппы (1), в зависимости
от результатов входного тестирования по уровню подготовленности (2). В результате для каждой из подгрупп слушателей нейросеть будет подбирать эффективную методику обучения по видам занятий (лекции, семинары, практические занятия, групповые упражнения), направляя на соответствующий результатам контроля уровень обучения (3). По окончании курса обучения каждая группа проходит следующий уровень контроля (4), на основании результатов которого производится корректировка весов
Таблица 5
Результаты (баллы) применяемых контрольных средств оценивания слушателей
ФИО слушателя Тест №1 Тест №2 Тест №3 Семинар 1 Семинар 2 Практ. занятие 1 Практ. занятие 2 Зачёт Атт. балл Балл по дисциплине
А.С.В. 8 10 8 10 6 10 11 25 4,4 88
Г.М.В. 6 9 7 10 9 8 12 26 4,6 87
Е .Т. В. 10 8 8 9 6 7 9 24 4,05 81
М.В.Д. 7 7 7 8 9 7 6 18 3,45 69
Н.М.Р. 9 8 9 10 9 8 12 26 4,55 91
О.П.Г. 10 9 10 10 9 10 12 30 5 100
П.М.Ю. 9 9 7 9 9 8 12 26 4,45 89
П.К.О. 10 9 9 10 10 10 11 26 4,75 95
П.И.В. 8 8 9 9 9 10 12 26 4,55 91
П.Д.Е. 9 10 9 10 9 11 11 31 5,0 100
П.В.А. 8 7 7 8 9 10 12 26 4,35 87
Т.И.В. 9 6 8 10 10 10 11 25 4,5 89
Т.В.Д. 9 9 8 7 9 10 12 26 4 94
Ч.А .Ю. 10 9 9 9 9 9 10 30 5 100
Б.С.Р. 8 9 10 8 9 9 10 26 4,45 89
Б.В.М. 10 9 10 10 9 8 12 26 4,75 94
В.М.И. 10 9 9 9 9 9 10 26 4,55 91
распределения входного тестирования (5), формируется группа слушателей (6) за счёт опыта («обу-чённости» нейросети) вводится корректировка системы, тем самым усовершенствуется и улучшается сама система обучения (7) (см. рис. 2).
В контексте искусственной нейронной сети (ИНС) процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере настройки весовых коэффициентов.
Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Адаптируемые и обучаемые нейросети представляют собой распараллеленные системы, способные к обучению путём анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон, формальный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом (см. рис. 3).
Решение задачи комплексной оценки уровня сформированности компетентности составляет последовательный интеллектуальный анализ данных.
При проектировании системы необходимо разработать порядок входного тестирования, выбрать архитектуру и топологию сети, алгоритм обучения сети, функцию активации нейронов (например, «сигмоида»). Остановимся более подробно на архитектуре и алгоритме обучения.
Свойство сети обучаться на примерах делает их более рациональными по сравнению с системами, которые следуют
определённой системе знаний функционирования, сформулированной экспертами.
В соответствии с выявленной парадигмой нейронную сеть «обучают». В настоящее время существуют три парадигмы обучения: «с преподавателем», «без преподавателя» и смешанная. В первом случае нейронная сеть располагает правильными ответами (выходами сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы, как можно более близкие к известным правильным ответам.
Во втором случае не требуются знания правильных ответов на каждый пример обучающей выборки. В этом случае раскрывается внутренняя структура данных или корреляция между образцами в системе данных, что позволяет распределить образцы по категориям.
При смешанном обучении часть весов определяется посредством обучения с преподавателем, в то время как остальная получается с помощью самообучения.
Известны 4 основных типа правил обучения нейросети: коррекция по ошибке, машина Боль-цмана, правило Хебба и обучение методом соревнования.
В таблице 1 представлена возможная архитектура сети и связанный с ней тип обучающего правила для задачи классификации.
Архитектуру многослойной сети прямого распространения можно применить и в нашем случае, принимая во внимание тот факт, что она наиболее приемлема для задач классификации.
Далее рассмотрим процесс оценки уровня сформированности компетенций, который производится на основании множества показателей х = (х1, х2,...хп) (тематической области компетенции), в качестве которых могут выступать результаты устных опросов (коллоквиум, ответы на практических и семинарских занятиях, зачёт, экзамен), пись-
менных работ (тесты, контрольные работы, рефераты, эссе и др.) и т.д. Морально-деловые качества также обусловлены направлением подготовки слушателей и могут быть оценены дополнительно как по результатам освоения некоторых дисциплин, так и при помощи психологических тестов в зависимости от содержания УММ дисциплины. Характер показателя оценки принимает определённые, заданные значения и измеряется в разных шкалах, примеры шкал оценивания приобретённых компетенций слушателями приведены в таблицах 2-4.
Предлагаемая процедура оценки компетенций сводится к тому, что результаты выполнения заданий, предусмотренных УММ дисциплины в виде определённых заранее заданных оценочных средств (полученные баллы), вносятся в качестве входных параметров в предварительно обученную на обучаемой выборке нейросетевую модель, которая на выходе выдаёт объективную оценку слушателя в баллах по любому виду занятий.
Обучающее множество значений представлено результатами контрольных средств оценки слушателей по разным видам учебных занятий (тестам, выполнению практических заданий, ответам на семинарских занятиях, зачётным и экзаменационным заданиям и др.), результаты (баллы) применяемых контрольных средств оценивания слушателей смотри в таблице 5.
При формировании модели первым этапом является системный анализ, позволяющий в максимальной степени структурировать задачу, перевести её в разряд формализованных, причем в рамках используемого подхода компетентностную модель слушателя представим в виде многоуровневой иерархической структуры. Задача построения комплексной оценки представляется в виде иерархического
ИЮЛЬ - АВГУСТ 2022 №4 (37) \ ■ во ■ /
М АРМИЯ-2022
| * ■ и ии ei< : »>- .
¡ •т. . iL___
Рис. 4. Граф нейросети (дерево подзадач)
дерева подзадач, представленного на рис. 4. На нижнем уровне оценивается множество частных компетенций, которые не подлежат дроблению на более мелкие и являются основой компетент-ностной модели.
Исследование проблем оценки компетенций слушателей выводит нас на новый уровень - проблему управления знаниями на основе использования систем искусственного интеллекта, при этом необходимо понимать, что роль педагога трансформируется от передатчика знаний в носителя философии изучаемого предмета. При этом концептуальные вещи, которые понимают люди, недоступны машине, поэтому при применении технологий ИИ основой являются заданные человеком алгоритмы (обучение нейросети). Применение технологий ИИ в процессе аттестации слушателей позволит устранить риск, связанный с субъективностью оценивания слушателя преподавателем.
Искусственные нейронные сети применяются для классификации информации в случае ограниченных, неполных и нелинейных источников данных. Нейросетевые технологии отличаются универсальностью, одна и та же программа обеспечивает возможность работы в разных областях знаний.
Такие системы не нуждаются в перепрограммировании при изменении состава обучающей базы. Важность данной особенности нейронных сетей трудно переоценить в свете постоянно увеличивающегося объёма информации. Всё перечисленное позволяет говорить о том, что внедрение нейросетевых технологий в процесс обработки и интерпретации информации является важным и перспективным направлением.
Необходимо учесть, что совершенствование образовательной деятельности подразумевает не только улучшение процесса обучения, но и оптимизацию учебно-воспитательных процессов.
В этом случае возможны следующие направления внедрения элементов ИИ в электронную информационно-образовательную среду военных образовательных организаций:
- процедура оценки входного тестирования, промежуточной и итоговой аттестации слушателей через предварительно обученную на обучаемой выборке нейросетевую модель;
- проведение командно-штабных учений с использованием элементов искусственного интеллекта. При этом за противника может принимать решение компьютер с элементами искусственного интеллекта, обученный принимать адекватные решения при ведении боевых действий. В этом случае слушатели встретятся «с реальным» противником, имеющим свою логику мышления, в соответствии с которой им планируется ход боевых действий. Действия противника будут определяться тем, какое решение принял обучаемый. Слушателю в этом случае предстоит раскрыть замысел противника и выработать своё решение;
- новые возможности появятся при внедрении искусственного интеллекта в тренажёрную базу, когда условия функционирования тренажёра будут максимально
приближены к реальным (действия противника, особенности театра военных действий, погодные условия и т.д.).
Таким образом внедрение и применение технологий искусственного интеллекта в информационно-образовательной среде военных образовательных организаций -ближайшая перспектива, т.к. это продиктовано мировыми тенденциями.
ЛИТЕРАТУРА
1. Лучшева, Л. В. Социальные проблемы использования искусственного интеллекта в высшем образовании: задачи и перспективы // Научный Татарстан, 2020. № 4. С. 84-89. URL: https://elibrary. ru/ item. asp?id=44240126 (дата обращения 12.02.2022).
2. Ломакин, Н.И., Плаксуно-ва, Т. А., Логинова, Е.В., Лукьянов, Г. И. и др. Нейронная сеть для оценки компетентности студентов. URL: https://elar. urfu. ru/bitstream/10995/54295/1/ notv_2017_51. pdf (дата обращения 12.03.2022 г.).
3. Очирова, Г. З. Нейронные сети в обучении. URL: https://buk. irk. ru/library/ sbornik_09/ochirova_g. pdf (дата обращения 05.03.2022 г.).
