CC BY
171
УДК 004
DOI: 10.24412/2071-6168-2023-4-303-306
МЕТОДИКИ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В.Е. Пудакова, П.А. Кулаков
Статья посвящена изучению разработок методов и алгоритмов, которые позволяют компьютерам выполнять различные задачи, связанные с обработкой естественного языка, анализом данных и принятием решений. Актуальность методик использования искусственного интеллекта заключается в том, что на сегодняшний день искусственный интеллект всё чаще интерпретируются как свойство автоматических систем «брать на себя» отдельные функции интеллекта человека. Особенно, в технологических (технических инструкций) - оптимизация человеческого труда в работе с ЭВМ главная задача и цель на достижение эффективных результатов как моделирования и проектирования, так и другой работы.
Ключевые слова: искусственный интеллект, методы искусственного интеллекта, обработка естественного языка (NLP), машинное обучение.
В последние годы искусственный интеллект стал одним из самых горячих тем в технологической индустрии и за ее пределами. Он представляет собой компьютерные системы, которые способны выполнять задачи, обычно требующие интеллектуальных способностей человека, такие как распознавание образов, распознавание речи, анализ текстов и многое другое. Современные методы искусственного интеллекта находят широкое применение в различных отраслях, таких как медицина, финансы, промышленность, транспорт и многие другие. От маленьких проектов до больших корпоративных систем, искусственный интеллект имеет огромный потенциал для автоматизации ЭВМ и их деятельности в технических системах.
Прежде чем переходить к исследовательской части, необходимо уточнить понятия используемых терминов.
Интеллект - это измеримое свойство «носителя» приобретать, накапливать и использовать знания, полученные из опыта чьего-либо решения задач.
Искусственный (естественный) - характеристика носителя интеллекта.
Агент - носитель интеллекта.
Выделяют следующие методы искусственного интеллекта:
1. Искусственные нейронные сети;
2. Нечеткая логика (нечеткие множества и мягкие вычисления);
3. Системы, основанные на знаниях (экспертные системы);
4. Эволюционное моделирование (генетические алгоритмы, многоагентные системы);
5. Machine Learning (Data Mining и анализ данных, поиск закономерностей' в хранилищах данных.
Методы использования искусственного интеллекта для анализа текста и его структуры включают в себя технологии обработки естественного языка (NLP). Это может включать в себя такие задачи, как лемматизация, синтаксический анализ, сентимент-анализ и извлечение информации. Для решения этих задач используются различные методы, такие как статистические методы, методы машинного обучения и искусственные нейронные сети.
Использование платформ данных и основных NLP методов связано с классификацией текстов методами машинного обучения и методами распределенной обработки данных. Например, платформы данных, такие как Hadoop и Spark, могут использоваться для обработки больших объемов текстовых данных, в то время как NLP методы, такие как токенизация и лемматизация, могут использоваться для подготовки данных для классификации. Затем методы машинного обучения, такие как логистическая регрессия или метод опорных векторов, могут использоваться для классификации текстов на основе обработанных данных. Распределенная обработка данных может быть использована для ускорения этих процессов и увеличения масштабируемости системы.
Приведем конкретные примеры использования различных методик искусственного интеллекта:
1. Автоматическое суммирование новостей: используя методы NLP, можно создать систему, которая анализирует новостные статьи и генерирует краткое изложение содержимого, используя методы машинного обучения.
2. Определение тональности отзыва: используя методы машинного обучения, можно создать систему, которая классифицирует отзывы как положительные, нейтральные или отрицательные на основе анализа текста.
3. Извлечение информации из текста: используя методы NLP и машинного обучения, можно создать систему, которая извлекает существенную информацию из текста, например, имена людей, даты и места, как сущности и связи между ними.
Последний пункт является ключевой задачей NLP, которая может использоваться для решения различных бизнес-задач. Некоторые из них включают:
1. Классификация документов: используя методы машинного обучения и NLP, можно создать систему, которая классифицирует документы на основе их содержимого, например, классификация новостей по тематике или классификация электронной почты как спам или не спам.
2. Извлечение ключевых слов: создается система, которая извлекает ключевые слова и фразы из текста, которые лучше всего описывают его содержимое.
3. Генерация текста: система, которая генерирует текст на основе данных образцов, например, генерация ответов на вопросы или генерация описания товаров на основе их характеристик.
Говоря подробно про извлечение информации, стоит сделать акцент на его алгоритме.
На входе алгоритм извлечения информации из текста получает текстовый документ или набор текстовых документов. Это может быть любой тип текста, например, новостная статья, отзыв о продукте, электронное письмо и т.д. На выходе же алгоритм возвращает извлеченную информацию в виде сущностей, связей, классификаций или ключевых слов, в зависимости от того, какой конкретный тип извлечения информации используется. Как правило, алгоритмы извлечения информации из текста используют комбинацию методов NLP и машинного обучения. Например, для извлечения сущностей может использоваться метод Named Entity Recognition (NER) (см. выше).
Искусственный интеллект (ИИ) тесно связаны с метриками точности классификации. Как было выяснено в работе - одним из ключевых применений ИИ является обработка больших объемов данных и автоматическая классификация.
Метрики точности классификации используются для оценки производительности алгоритмов машинного обучения в задаче классификации. В контексте ИИ, эти метрики используются для измерения эффективности алгоритмов, которые позволяют системе самостоятельно извлекать закономерности и делать выводы на основе обучающих данных.
Например, в задаче классификации изображений, метрики точности, такие как точность, полнота и F-мера, могут использоваться для оценки эффективности алгоритмов ИИ, которые обучаются на наборе данных, содержащем изображения и соответствующие им метки классов. Метрики точности могут помочь исследователям оценить, насколько хорошо ИИ-система классифицирует изображения в соответствии с заданными классами и, при необходимости, улучшить ее производительность.
F-мера (F-measure) (F1 или F-оценка) сочетает в себе точность и полноту, используя среднее гармоническое — тип среднего, который описывает скорость изменения величины. Точность и полнота описываются как пропорции, принимающие значения от 0 до 1, поэтому их можно интерпретировать как скорости. F-мера вычисляется по следующей формуле:
„ 2 X precision X recall 2 X TP
F - measure =-=-.
recall + precision 2 X TP + FP + F
Коэффициент ошибок и метрики точности, такие как точность прогнозирования, также тесно связаны между собой. Коэффициент ошибок — это метрика, которая показывает, как часто алгоритмы машинного обучения делают ошибки при классификации данных. Коэффициент ошибок вычисляется как отношение количества ошибочных прогнозов к общему количеству прогнозов.
Точность прогнозирования, с другой стороны, измеряет, насколько точно алгоритмы машинного обучения могут классифицировать данные, и определяется как отношение числа правильно классифицированных примеров к общему числу примеров.
Обе метрики имеют отношение к категориям прогнозов. При классификации данных, каждый пример относится к одной из нескольких категорий, и алгоритм машинного обучения прогнозирует, к какой категории относится каждый пример. Метрики точности помогают оценить, насколько хорошо алгоритм классифицирует примеры в соответствии с заданными категориями, в то время как коэффициент ошибок показывает, как часто алгоритм делает ошибки при прогнозировании категорий.
С помощью матрицы неточности 2 х 2 можно формализовать определение точности прогнозирования или коэффициент успешности) accuracy:
ТР + TN
accuracy =-.
' TP + TN + FP + FN
В этой формуле TP, TN, FP и FN обозначают количество случаев, когда прогнозы модели попадают в каждую из соответствующих категорий. Таким образом, точность представляет собой отношение суммы истинно положительных и истинно отрицательных значений к общему количеству прогнозов.
Таким образом, точность прогнозирования, коэффициент ошибок и категории прогнозов тесно связаны между собой и используются в контексте оценки эффективности алгоритмов машинного обучения в задаче классификации данных.
Одним из примеров использования ИИ в компьютерных симуляторах в нефтегазовой отрасли является моделирование подземных резервуаров, где алгоритмы используются для имитации поведения потока жидкости и прогнозирования производительности нефтяных и газовых скважин. Пример: алгоритмы машинного обучения можно использовать для анализа больших объемов данных, таких как сейсмические данные, для построения точных моделей подземных резервуаров.
Другой пример — оптимизация маршрутов и графиков трубопроводов, когда алгоритмы искусственного интеллекта используются для определения наиболее эффективных маршрутов транспортировки нефти и газа от места добычи до перерабатывающего предприятия или рынка. В этом случае используются алгоритмы принятия решений и методы оптимизации для минимизации затрат и повышения
общей эффективности транспортной системы. Внедряя ИИ в компьютерное моделирование, компании нефтегазовой отрасли могут принимать более обоснованные решения и повышать свою операционную эффективность и прибыльность.
Одним из конкретных примеров задачи использования методик искусственного интеллекта в нефтегазовой отрасли является задача автоматической интерпретации данных геофизических исследований. В нефтегазовой отрасли, геофизические исследования проводятся для определения расположения месторождений, и они могут предоставлять большой объем данных, включая гравитационные, магнитные и сейсмические измерения.
Традиционный метод интерпретации данных требует значительного количества времени и человеческих ресурсов. Однако, с помощью методов машинного обучения и искусственного интеллекта, можно разработать системы, которые могут быстро и точно анализировать эти данные и предоставлять рекомендации для дальнейших исследований.
Данные сейсмических исследований могут быть представлены в виде трехмерных карт, на которых отображается плотность различных геологических формаций в зоне исследования. Каждый пиксель на карте соответствует определенной геологической формации, которая может быть классифицирована на определенный тип, такой как порода, песчаник, глина и т.д.
Для решения задачи классификации типов геологических формаций, необходимо подготовить обучающий набор данных, состоящий из множества сейсмических карт и соответствующих им классов геологических формаций. Далее, с помощью методов машинного обучения, таких как нейронные сети или деревья решений, можно построить модель, которая будет классифицировать типы геологических формаций на основе входных данных с высокой точностью.
Результатом решения такой задачи будет модель, которая может использоваться для классификации типов геологических формаций в реальном времени на основе данных геофизических исследований. Это позволит нефтегазовым компаниям быстро и точно определять расположение месторождений, проводить более эффективные и экономически выгодные бурения, а также повышать эффективность и безопасность производственных процессов.
Таким образом, по проделанной работе можно сделать выводы о том, что использование методов искусственного интеллекта не только повышает эффективность решения задач, но также может снижать риски и издержки в различных областях деятельности. Поэтому, перспективы использования ИИ в будущем являются очень высокими. Будущее технологий ИИ будет зависеть от улучшения алгоритмов машинного обучения и разработки новых методов, которые будут более гибкими и адаптивными к различным ситуациям.
Список литературы
1. Рассел С., Новиг П. Искусственный интеллект. Современный подход. 3-е издание. ДМК Пресс, 2019.
2. Гудфеллоу И., Бенджио Й., Курвилль А. Глубокое обучение. ДМК Пресс, 2019.
3. Флавинг П., Буровский А. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. 2-е издание. ДМК Пресс, 2019.
4. Новиков А.Ю., Попова М.С. Искусственный интеллект и машинное обучение. Основы. БХВ-Петербург, 2018.
5. Применение искусственного интеллекта для управления нефтяными и газовыми объектами / А.В. Синельщиков, М.А. Панкратов, Д.В. Гордиенко, Л.И. Чернышева. М.: Издательство «Нефть и газ», 2019. 312 с.
6. Анализ нефтепромысловых данных при помощи алгоритмов машинного обучения / С.В. Зорин, А.Ю. Дорофеев, А.О. Гайфуллин и др. // Нефтяное хозяйство. 2018. № 11. С. 64-68.
7. Современные методы анализа и прогнозирования нефтегазовых процессов / Е.А. Болотов, С.Г. Борисов, В.А. Гончаренко и др. // Геология, геофизика и разработка нефтяных и газовых месторождений. 2017. № 6. С. 64-68.
8. Искусственный интеллект в нефтегазовой промышленности: проблемы и перспективы / А.В. Бахтизин, В.В. Кораблев, А.Н. Морозов и др. // Нефтегазовое дело. 2019. Т. 17. № 1. С. 5-11.
9. Применение методов искусственного интеллекта для анализа технологических данных нефтегазовой отрасли / А.С. Смирнов, А.В. Туркин, А.Ю. Коробов и др. // Научно-технический вестник информационных технологий, механики и оптики. 2018. № 5 (117). С. 63-69.
Пудакова Валерия Евгеньевна, студент, Pudakova. lera@yandex.гы, Россия, Уфа, Институт Нефтегазового Инжиниринга и Цифровых технологий, Уфимский Государственный Нефтяной Технический Университет,
Кулаков Петр Алексеевич, канд. техн. наук, доцент, Россия, Уфа, Институт Нефтегазового Инжиниринга и Цифровых технологий, Уфимский Государственный Нефтяной Технический Университет
METHODS OF USING ARTIFICIAL INTELLIGENCE V.E. Pudakova, P.A. Kulakov
The article is devoted to the study of the development of methods and algorithms that allow computers to perform various tasks related to natural language processing, data analysis and decision making. The relevance of methods of using artificial intelligence lies in the fact that today artificial intelligence is increasingly interpreted as a property of automatic systems to "take over" individual functions of human intelligence. Especially in technological (technical instructions) - the optimization of human labor in working with computers is the main task and goal to achieve effective results of both modeling and design, and other work.
Key words: artificial intelligence, artificial intelligence methods, natural language processing (NLP), machine learning.
Pudakova Valeria Evgenievna, student, Pudakova. lera@yandex.ru, Russia, Ufa, Institute of Oil and Gas Engineering and Digital Technologies, Ufa State Petroleum Technical University,
Kulakov Petr Alekseevich, candidate of technical sciences, docent, Russia, Ufa, Institute of Oil and Gas Engineering and Digital Technologies, Ufa State Petroleum Technical University
УДК 681.518.5
DOI: 10.24412/2071-6168-2023-4-306-313
ПОДХОД К РАСЧЕТУ ДОСТОВЕРНОСТИ ДИАГНОСТИРОВАНИЯ БОРТОВОЙ АППАРАТУРЫ ОБЪЕКТОВ РАКЕТНО-КОСМИЧЕСКОЙ ТЕХНИКИ С ИСПОЛЬЗОВАНИЕМ
ОСТАТОЧНЫХ КЛАССОВ
А.И. Лоскутов, В.А. Клыков, В.И. Кондратюк, А.Н. Татаренков, Д.Д. Дмитриенко
Рассмотрена возможность разработки системы контроля бортовой аппаратуры (БА) объектов ракетно-космической техники (РКТ) на основе подхода в организации контроля вычислений (сложение, сдвиг, подстановка) в программируемой логической интегральной схеме с использованием анализа результатов преобразований в классах эквивалентности. Предложен подход к расчету достоверности диагностирования бортовой аппаратуры с использованием остаточных классов. В основе подхода использовалось вероятностное описание процесса функционирования БА. Также представлена модель элемента БА в операторной форме, реализующая функцию суммирования с учетом предлагаемого подхода. Полученные результаты не противоречат основным теоретическим положениям, свидетельствующим, что с изменением количества контролируемых параметров и глубины диагностирования возрастает степень достоверности.
Ключевые слова: бортовая аппаратура, достоверность, диагностирование, система контроля, испытания.
Аппаратная реализация современной бортовой аппаратуры объектов РКТ основана в большей степени на применении программируемых логических интегральных схем. Особенностью функционирования бортовой аппаратуры, в данном случае, является наличие динамического режима её функционирования при выполнении целевой функции. С целью решения задачи контроля правильности функционирования БА и правильности обработки информации (достоверности вычислений) выбранным алгоритмом принята схема сравнения выходных потоков формируемыми отдельными блоками бортовой аппаратуры по синтаксическим свойствам двоичных последовательностей. В случае несовпадения последовательностей фиксируется факт возникновения неисправности блока БА объектов РКТ [1].
С точки зрения контроля устройств задача решена в полном объёме. Однако, задача поиска причины и места неисправностей (сбоев) на уровне подсистем (программных элементов) не решается вследствие отсутствия параметров для различимости состояний данных подсистем. В случае возникновения неисправности (сбоя) нет возможности определить какая именно подсистема вышла из строя. В литературе [2] известен подход в организации контроля вычислений (сложение, сдвиг, подстановка) в программируемой логической интегральной схеме. Также известно [2], что для контроля двоичных последовательностей по их синтаксическим свойствам интерес представляет контроль значений чисел в остаточных классах. Другими словами, режим функционирования БА объектов РКТ предлагается расширить до возможности поиска места неисправности за счет изменения глубины контроля. С этой целью должно быть параллельно организовано вычисление остатков чисел до преобразования и после в блоках бортовой аппаратуры, с анализом результатов преобразования в классах эквивалентности. В этой связи становится актуальным вопрос расчета достоверности данного подхода.
