CC BY
186Ю. И. Сомов, С. В. Новиков
методический аппарат обоснования целесообразности внедрения технологий искусственного интеллекта в деятельность таможенных органов
В статье представлен анализ отечественного опыта развития технологий искусственного интеллекта. На его основе предложен методический аппарат обоснования целесообразности использования технологий искусственного интеллекта в деятельности таможенных органов - в системе поддержки принятия решений оператора инспекционно-досмотрового комплекса.
Ключевые слова: информационно-коммуникационные технологии; искусственный интеллект; эффект; затраты; система поддержки принятия решений; инспекционно-досмотровый комплекс; таможенные органы.
Yu. I. Somov, S. V. Novikov
methodological apparatus for substantiating the feasibility of implementing artificial intellegence technologies in the activities of customs authorities
The analysis of national experience in the development of artificial intellegence technologies is presented in the article. Based on this method, a methodological device is proposed to justify the feasibility of using artificial intellegence technologies in the activities of the customs authoriries - in the decision support system of the operator of cargo inspection facilities.
Keywords: information communication technologies; artificial intellect; effect; costs; decision support system; cargo inspection facilities; customs authorities.
Одним из стратегических направлений деятельности Федеральной таможенной службы (ФТС России) является внедрение современных информационно-коммуникационных (цифровых) технологий, имеющих колоссальный потенциал при решении приоритетных задач таможенных органов за счет автоматизации процессов совершения таможенных операций и проведения таможенного контроля. К таким технологиям относится технология искусственного интеллекта, которая получила положительную оценку в различных сферах человеческой деятельности. В настоящее время исследователями определены возможности ее внедрения и эффективного применения в здравоохранении [1], образовании [2], промышленности [3], а также во многих других сферах деятельности. Положительный эффект при использовании искусственного интеллекта, на наш взгляд, может быть также получен и в деятельности таможенных органов. Специалистами уже проводятся исследования [4; 5], направленные на определение возможностей и перспектив внедрения искусственного интеллекта в деятельность таможенных органов в целях получения определенного положительного эффекта.
В настоящее время формируется законодательная база, регулирующая вопросы искусственного интеллекта. В феврале 2019 г. Президент России В. В. Путин в Послании Федеральному Собранию отметил, что масштабная программа национального уровня в области искусственного интеллекта должна быть разработана
и утверждена [6]. Некоторые стратегические документы в данной сфере уже приняты. Так, разработана национальная стратегия [7], в которой определены цели и основные задачи развития искусственного интеллекта в Российской Федерации, а также меры, направленные на его использование в целях обеспечения национальных интересов и реализации стратегических национальных приоритетов, в том числе в области научно-технологического развития.
В «Стратегии развития таможенной службы Российской Федерации до 2030 года» [8] технология искусственного интеллекта занимает центральное место. При этом отмечается, что необходимо закрепить стандарты максимальной автоматизации совершения таможенных операций с использованием элементов искусственного интеллекта.
Под искусственным интеллектом понимается 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 с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает информационно-коммуникационную инфраструктуру, программное обеспечение, в котором в том числе используются методы машинного обучения, процессы и сервисы по обработке данных и выработке решений [7]. К современным технологиям искусственного интеллекта относятся: компьютерное зрение, обработка естественного языка, распознавание и синтез речи, интеллектуальная поддержка принятия решений и перспективные методы искусственного интеллекта.
По данным «дорожной карты» развития «сквозных» цифровых технологий «Нейротехнологии и искусственный интеллект», фактическая доля России на мировом рынке искусственного интеллекта составила 0,2% в 2018 г., но должна увеличиться до 1,7% к 2024 г. [9]. «Сквозные» цифровые технологии - это передовые научно-технические отрасли, наиболее сильно влияющие на развитие экономики. «Сквозные» цифровые технологии - это «большие данные», новые производственные технологии, промышленный интернет, искусственный интеллект, технологии беспроводной связи, компоненты робототехники и сенсорика, квантовые технологии, системы распределенного реестра, технологии виртуальной и дополненной реальностей [10]. В 2018 г. российский рынок решений в сфере искусственного интеллекта составил 2,1 млрд руб., к 2024 г. он должен увеличиться до 160,1 млрд руб. (табл.).
Таблица
Объем российского рынка решений в сфере искусственного интеллекта в разрезе «сквозных» цифровых технологий с 2018 по 2024 г., млрд руб.'
«Сквозные» цифровые технологии Годы
2018 2019 2020 2021 2022 2023 2024
Рынок решений в сфере искусственного интеллекта 2,1 6,0 16,9 48,0 71,7 107,2 160,1
Компьютерное зрение 1,0 2,7 7,5 20,4 29,3 42,1 60,5
Обработка естественного языка 0,4 1,0 3,0 8,7 13,1 19,8 29,9
Рекомендательные системы и интеллектуальные системы поддержки принятия решений 0,2 0,8 2,5 8,0 13,3 21,6 34,8
Распознавание и синтез речи 0,5 1,4 3,9 10,9 16,1 23,7 34,9
Рынок решений в сфере нейротехнологии 0,1 0,4 1,0 2,6 3,8 5,6 8,2
Окончание таблицы
«Сквозные» цифровые технологии Годы
2018 2019 2020 2021 2022 2023 2024
Нейростимуляция и нейросенсинг 0,03 0,1 0,2 0,7 1,1 1,7 2,6
Нейропротезирование и нейроинтерфейсы 0,1 0,3 0,7 1,9 2,8 3,9 5,5
* Составлено авторами на основе данных источника [9].
Представленные в таблице данные свидетельствуют о значительных финансовых инвестициях России в технологию искусственного интеллекта, которая благодаря анализу больших объемов данных способна самостоятельно обучаться, выявлять закономерности, вырабатывать рекомендации по собственному совершенствованию или даже осуществлять их самостоятельно. При этом, учитывая колоссальный потенциал данной технологии, неудивительно присутствие стран -лидеров мировой экономики - США, КНР, Великобритании, Франции и Германии - в списке ведущих в сфере искусственного интеллекта.
Однако несмотря на то, что потребность в технологии искусственного интеллекта очевидна, необходимо учитывать, что при этом имеют место случаи, когда существенные финансовые вложения в технологии искусственного интеллекта не обеспечивали положительного эффекта от ее внедрения. Например, в США Администрация транспортной безопасности1 была обвинена в растрате государственного бюджета за неудачные инвестиции в технологии рентген-сканирования. Администрация потратила более 160 млн долл. на сканеры досмотра пассажиров в аэропортах, многие из которых пропустили угрозы во время тестирования [11].
Подобные случаи, и в частности негативный опыт США, показывают, что необходимо заранее обосновывать эффективность внедрения подобных технологий.
Как показывают результаты проведенного авторами исследования, научно обоснованное принятие решения о целесообразности внедрения информационно-коммуникационной технологии в таможенную деятельность предлагается проводить в последовательности, представленной на рис. 1.
Основной интерес представляет пятый этап, на котором происходит оценка эффективности предлагаемой к применению информационно-коммуникационной технологии.
Для оценки эффективности системы считаем целесообразным учитывать факторы, представленные на рис. 2.
Ожидаемый эффект и затраты на внедрение и применение технологии искусственного интеллекта в деятельности таможенных органов были рассмотрены на примере системы поддержки принятия решений оператора инспекционно-досмо-трового комплекса (ИДК).
Предварительно отметим, что система на основе использования технологии искусственного интеллекта при применении ИДК предназначена для выявления в автоматизированном режиме товаров, запрещенных к перемещению через таможенную границу Евразийского экономического союза (ЕАЭС), путем анализа их рентгеновских изображений.
1 Администрация транспортной безопасности является агентством Министерства внутренней безопасности, обеспечивающим безопасность пассажиров в США.
3 i
3 си
о 3
■г ^
Й-Е
■ О
« и
0
н
^ 9
си
1
/
Е £
о тс
та | гм си ГС ^
5 «
ш н
и
^ 3
т си гг ^
v
Восприятие и признание проблемы существующей ©-
информационно-коммуникационной технологии
Интерпретация и формулировка данной проблемы
Определение критериев, необходимых для успешного решения проблемы ©-
Разработка полного перечня альтернативных информационно-коммуникационных технологий ©-
Оценка предложенных альтернативных информационно-коммуникационных технологий ©-
Выбор подходящей (Т) -
информационно-коммуникационной технологии
Организация внедрения выбранной информационно-коммуникационной технологии ©-
Контроль выполнения (Т) -
управленческого решения
Обратная связь и корректировка
управленческого решения
Рис. 1. Порядок принятия управленческого решения о целесообразности внедрения информационной технологии в таможенную деятельность
Ожидаемый полезный эффект для таможенных органов и участников внешнеэкономической деятельности
Затраты на внедрение, эксплуатацию и сопровождение информационной технологии
Выработка управленческого решения о целесообразности внедрения информационной технологии
I
Время, необходимое для внедрения информационной технологии
Затраты на обучение должностных лиц таможенных органов
Рис. 2. Факторы, влияющие на процесс выработки управленческого решения о внедрении информационной технологии в таможенную деятельность
Выявление запрещенных к перевозке через границу товаров планируется достичь за счет постоянного сбора и анализа их изображений, получаемых с использованием ИДК, а также формирования специализированной базы данных снимков в электронном виде. При этом отличительной особенностью предполагаемой технологии контроля по сравнению с действующей будет являться именно автоматизированный, а не ручной режим обработки изображений оператором. Интеллектуальная система в автоматизированном режиме будет сравнивать результаты текущего сканирования с информацией из специализированной базы данных и сигнализировать о наличии запрещенных товаров оператору ИДК, который будет принимать окончательное решение о целесообразности или нецелесообразности проведения дальнейших таможенных операций с таким товаром.
Сравнение существующей и предлагаемой к внедрению технологий представлено на рис. 3.
Для оценки эффективности работы системы поддержки принятия решений на основе искусственного интеллекта следует сравнить показатели предлагаемой системы X' , Х2', Х3', ..., Х'м с показателями существующей системы Хх, Х2, Х3, ..., Хм. Решение в пользу перспективной системы будет приниматься, если ее показатели будут лучше действующей.
На наш взгляд, преимуществами перспективной автоматизированной системы по сравнению с действующей системой обработки изображений оператором будут являться следующие.
1. Минимизация ошибок первого и второго рода1, совершаемых оператором при анализе изображений интеллектуальной системой. К причинам, способствующим ошибочным действиям оператора ИДК, можно отнести:
- ошибки, вызванные физическим и психологическим состоянием оператора ИДК;
- ошибки, вызванные ограниченностью ресурсов времени у оператора ИДК для принятия решения.
При этом предполагается, что искусственный интеллект таких ошибок допускать не будет. Однако исключать человека из существующей технологии таможенного контроля представляется нецелесообразным, так как современные технологии искусственного интеллекта не обладают особыми человеческими способностями, например интуитивным мышлением.
2. Повышение пропускной способности таможенных органов за счет снижения времени таможенного контроля. Данное преимущество непосредственно вытекает из первого. Очевидно, что время на анализ изображений, которое необходимо системе поддержки принятия решений с использованием искусственного интеллекта, будет существенно меньше, чем время, затрачиваемое на аналогичную процедуру даже опытным оператором ИДК.
1 Ошибкой первого рода называется ошибка, состоящая в опровержении верной гипотезы. Ошибкой второго рода называется ошибка, состоящая в принятии ложной гипотезы.
го
Действующая таможенная технология процесса таможенного досмотра товаров с использованием ИДК без системы поддержки принятия решений
Оператор ИДК
Программное обеспечение
Техническое обеспечение
ИДК
Информационное „ обеспечение
Организационно-методическое обеспечение
Рис. 3. Блок-схема сопоставления действующей таможенной технологии досмотра товаров с использованием инспекционно-досмотровых комплексов и предлагаемой к внедрению технологии, основанной на использовании искусственного интеллекта
ы о
в р
з Яс
Превосходство автоматизированной системы над действующей по временным параметрам очевидно. Здесь интерес будут представлять конкретные значения скорости проведения одного сеанса контроля единственного проверяемого объекта и количество товарных партий, подвергнутых таможенному контролю за единицу времени. Поэтому авторы сосредоточили внимание на показателях ошибок контроля первого и второго рода.
Для оценки эффективности исследуемых систем по допускаемым ошибкам предлагается использовать систему тестирования, блок-схема которой представлена на рис. 4.
Рис. 4. Блок-схема системы тестирования
Для тестирования системы контроля используются ранее полученные данные достаточно большой выборки товаров, у которой в прошлом были выявлены (а значит, уже известны) нарушения таможенного законодательства. Выявленные тестируемой системой контроля нарушения сравниваются с известными, и таким образом определяется наличие или отсутствие ошибок системы контроля. При этом предлагается использовать следующие показатели.
1. Доля (в процентах) опасных предметов, определенных системой как безопасные (ошибки пропуска опасных предметов), за конкретный период времени, например, за один год:
Dnp = х 100, К
где Кп - количество опасных предметов, распознанных системой как безопасные; Км - общее количество опасных предметов, участвующих в выборке.
При этом в пользу первой (лучшей) тестируемой системы будет выполнение условия:
DnPl < DnP2,
где Бпр1 - первая подвергнувшаяся тестированию система; Бпр2 - вторая подвергнувшаяся тестированию система.
2. Доля (в процентах) безопасных предметов, определенных системой как опасные, например, за один год (ошибки ложного срабатывания на безопасных предметах):
DT,P = Кв х 100, К
ЛК
где KB - количество безопасных предметов, определенных системой как опасные; Кк - общее количество безопасных предметов, участвующих в выборке.
При этом в пользу первой (лучшей) тестируемой системы будет выполнение условия:
БВР1 < DBP2,
где БВР1 - первая подвергнувшаяся тестированию система; БВР2 - вторая подвергнувшаяся тестированию система.
Для тестирования системы таможенного контроля с применением искусственного интеллекта, которая находится в рабочем режиме (с целью ее дальнейшего совершенствования), можно использовать следующую схему (рис. 5).
Рис. 5. Схема выявления ошибок при работе системы таможенного контроля с применением искусственного интеллекта
В этом случае поток сведений с данными контролируемых объектов, помимо поступления на вход находящейся в рабочем режиме системы таможенного контроля с применением искусственного интеллекта, также поступает на вход полного аналога этой системы («зеркало»). Этот же поток подается на вход системы создания нарушений-маркеров, которая «подмешивает» или «замещает» некоторые параметры контролируемых объектов без нарушений на похожие, но содержащие нарушения. Эти известные нарушения сравниваются с выявленными нарушениями «зеркала» и таким образом выясняется, как эффективно выявляет ошибки тестируемая система контроля.
При определении затрат на применение исследуемой системы будем пользоваться таким показателем, как экономический эффект Ер, под которым понимается полезный результат экономической деятельности, измеряемый обычно разностью между денежным доходом от деятельности и денежными расходами на ее осуществление [12]. В общем виде показатель экономического эффекта рассчитывается по формуле:
Е¥ = рм -
где PM - положительный экономический результат, получаемый в результате внедрения технологии за расчетный период времени (приток денежных средств), руб. (авторы предлагают в этой формуле считать не приток денежных средств, а выявленный ущерб государству и обществу в денежном выражении);
ZT - затраты, связанные с внедрением технологии за тот же период времени (отток денежных средств), руб.
С нашей точки зрения, целесообразно рассчитывать показатель затрат, связанных с внедрением и применением системы поддержки принятия решений на основе искусственного интеллекта, как совокупную стоимость владения (Total Cost of Ownership, ТСО) [13] путем построения комплексной модели по формуле:
ZT = K + Ne C,
где K - единовременные затраты на приобретение интеллектуальной системы; Ne - годы использования интеллектуальной системы; С - систематические затраты на эксплуатацию интеллектуальной системы.
В данном случае, исходя из предложенной модели, единовременные затраты (K) будут формироваться из нескольких составляющих:
K = Kpo + KTC + KDL + KOE,
где KPO - расходы на техническую разработку программного обеспечения; KTC - расходы на техническую поддержку; KDL - расходы на обучение должностных лиц; KOE - расходы на опытную эксплуатацию.
Таким образом, с помощью представленного методического аппарата можно провести оценку ожидаемого эффекта и затрат на применение технологии искусственного интеллекта в системе поддержки принятия решений оператором ИДК, что позволяет проводить обоснование целесообразности его внедрения в деятельность таможенных органов.
Использованные источники
1. Гусев А. В., Добриднюк С. Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество. 2017. № 4-5. С. 78-93.
2. Щукина Т. В. Цифровая среда обучения и искусственный интеллект в системе высшего образования в условиях экспорта образования // Наука. Информатизация. Технологии. Образование: материалы XIII Международной научно-практической конференции, г. Екатеринбург, 24-28 февраля 2020 г. Екатеринбург: Изд-во РГППУ, 2020. С. 186-197.
3. Солнцева О. Г. Аспекты применения технологий искусственного интеллекта // E-Management. 2018. Т. 1. № 1. С. 43-51.
4. Сомов Ю. И., Шашаев А. Е. Возможности применения новых цифровых технологий в таможенном деле // Вестник Российской таможенной академии. 2020. № 1. С. 29-41.
5. Афонин П. Н., Свечинская О. В., Шмитько Т. А. Искусственный интеллект и принятие решений в таможенном деле // Ученые записки Санкт-Петербургского имени В. Б. Бобкова филиала Российской таможенной академии. 2008. № 1 (30). С. 193-212.
6. Послание Президента РФ Федеральному Собранию РФ от 20.02.2019 [Электронный ресурс]. URL: www.kremlin.ru.
7. Указ Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года») [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://www.pravo.gov.ru.
8. Распоряжение Правительства РФ от 23.05.2020 № 1388-р «Стратегия развития таможенной службы Российской Федерации до 2030 года» [Электронный ресурс] // Официальный интернет-портал правовой информации. URL: http://www.pravo.gov.ru.
9. «Дорожная карта» развития «сквозной» цифровой технологии «Нейротехнологии и искусственный интеллект» [Электронный ресурс] // Официальный сайт Министерства цифрового развития, связи и массовых коммуникаций РФ. URL: http://www.digital.gov.ru.
10. Цифровые технологии [Электронный ресурс] // Официальный сайт Министерства цифрового развития, связи и массовых коммуникаций РФ. URL: https://digital.gov.ru/ru/ activity/directions/878/.
11. Как технологии искусственного интеллекта могут ускорить предполетный досмотр в аэропорту [Электронный ресурс]. URL: https://security.wekey.ru/.
12. Райзберг Б. А., Лозовский Л. Ш., Стародубцева Е. Б. Современный экономический словарь. 6-е изд., перераб. и доп. М.: ИНФРА-М, 2011.
13. Афонин П. Н., Лебедева А. Ю. Внедрение унифицированной цифровой платформы оснащения ТСТК на базе планшетных технологий // Таможенные чтения - 2019. Наука и образование в условиях становления инновационной экономики: сборник материалов Международной научно-практической конференции: в 3 т. / под общ. ред. С. Н. Гамидуллаева. СПб.: РИО Санкт-Петербургского филиала Российской таможенной академии, 2019. Т. 1. С. 1318.
