CC BY
62
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РАЗРАБОТКЕ
МОБИЛЬНЫХ ПРИЛОЖЕНИЙ
В.В. Денисенко, канд. техн. наук, доцент А.С. Ященко, магистрант Л.С. Чесников, студент
Воронежский государственный университет инженерных технологий (Россия, г. Воронеж)
001:10.24412/2500-1000-2023-2-2-18-21
Аннотация. В статье рассматриваются возможности искусственного интеллекта в сфере мобильной разработки. Был проведен анализ современных технологий ИИ, к таким технологиям относятся: машинное обучение, биометрия, технологии распознавания и голосовые технологии. Машинное обучение является одной из самых сложных технологий ИИ. Оно подразделяется на 4 основные группы в зависимости от методологий и методов обучения: контролируемое обучение, неконтролируемое обучение, полууправляемое обучение и усиленное обучение. Рассмотрены возможности применения распознавания текста, голоса, записанных фото-видеоизображений, человека в реальном времени, его жестов, настроения и интонации речи расширяют спектр потенциально полезных и интересных мобильных приложений.
Ключевые слова: мобильная разработка, искусственный интеллект, машинное обучение, технология распознавания, мобильные приложения.
Машинное обучение и искусственный интеллект (ИИ) революционизируют разработку мобильных приложений. Благодаря машинному обучению приложения теперь могут распознавать речь, фотографии и жесты, а также переводить голоса с высокой точностью.
Машинное обучение - это одна из важнейших инноваций в мобильном пространстве, которую мобильные разработчики обязательно должны использовать, потому что это меняет то, как люди представляют себе приложения и работают с ними.
Самые популярные IT компании в мире уже используют машинное обучение в своих приложениях. Например, Google Maps используют машинное обучение, чтобы предоставлять полезные маршруты и информацию о дорожном движении в режиме реального времени и получают при этом миллионы пользователей по всему миру, а Snapchat использует машинное обучение для своих программ компьютерного зрения. Для каждого умного приложения найдется свой пользователь, и неважно полезное это приложение или же
просто несет в себе развлекательный контент.
Машинное обучение - это итеративный и повторяющийся процесс, который невозможно выполнить за один шаг. Этот процесс требует проведения детальных исследований данных, визуализации и экспериментов, поскольку каждый шаг должен быть изучен, в различных ситуациях. Ниже приведены основные действия, которые необходимо выполнить для работы с машинным обучением [1]:
1. Определить проблему машинного обучения.
2. Собрать, подготовить и оптимизировать необходимые данные.
3. Использовать данные для построения модели. Этот шаг далее делится на несколько этапов:
- выбор подходящего типа и алгоритма машинного обучения;
- обучение модели;
- тестирование модели с набором тестовых данных;
- оценка модели с результатами;
- точная настройка параметров, присутствующих в модели.
4. Анализ полученной модели, чтобы можно было делать прогнозы на будущее.
Машинное обучение подразделяется на четыре основные группы в зависимости от методологий и методов обучения [2]:
1. Контролируемое обучение.
2. Неконтролируемое обучение.
3. Полууправляемое обучение.
4. Усиленное обучение.
Контролируемое обучение - машинное
обучение с учителем, основанное на контроле. Это означает, что в контролируемом подходе к обучению, обучают машины, используя конкретный, выбранный разработчиком набор данных, и машина прогнозирует результат на основе тренировки. Некоторые из входных данных уже сопоставлены с выходными данными, на что указывают выбранные данные. Можно сказать, что сначала обучают машину вводу и выводу, а затем просят ее предсказывать вывод с использованием тестового набора данных.
В реальной жизни контролируемое машинное обучение можно использовать в мобильных приложениях для обнаружения мошенничества, фильтрации спамов и распознавания речи.
Неконтролируемое обучение - обучение без учителя и характеризуется тем, что не требует наблюдения за процессом от самого разработчика. Это указывает на то, что при неконтролируемом машинном обучении компьютер обучается на немаркированном наборе данных и предсказывает результат без вмешательства человека. Основная цель этого алгоритма обучения состоит в том, чтобы классифицировать несортированную информацию по группам или категориям на основе шаблонов и ориентируясь на сходство или различия признаков этой информации. В реальной жизни этот метод машинного обучения применяется в мобильных приложениях для сетевого анализа данных.
Полууправляемое обучение - это алгоритм машинного обучения, который находится между контролируемым и неконтролируемым обучением. Он использует комбинацию маркированных и немаркированных наборов данных на протяжении всего этапа обучения. По сути, полууправляемое
обучение представляет собой нечто среднее между контролируемым и неконтролируемым методами обучения. Одним из примеров полуконтролируемой модели обучения является анализ речи. Маркировка аудиозаписей требует много времени и денег, что неизбежно влечет за собой значительные человеческие усилия.
Усиленное обучение - это тип обучения, основанный на взаимодействии с окружающей средой и направленный на достижение определенной цели. Оно основывается на опыте своего окружения, пока не исследует весь диапазон возможных состояний и не достигнет целевого состояния. В этом вся сложность и главное отличие от предыдущих типов машинного обучения. В обучении с подкреплением нет заранее подготовленных данных, шаблонов, учителя, есть только параметр конечного результата, алгоритм должен учиться сам методом проб и ошибок. В жизни этот метод применяется в робототехнике, в приложениях для анализа текста, в видеоиграх.
В разработке мобильных приложений технологии ИИ играют решающую роль на протяжении всего процесса. Искусственный интеллект открывает множество возможностей разработки мобильных приложений не только за счет машинного обучения, но также с помощью технологий распознавания, биометрии и голосовых технологий. Если технологии машинного обучения в основном могут заметить и оценить только разработчики приложений, то возможностями распознавания, биометрии и голосовыми технологиями может воспользоваться любой пользователь мобильного приложения, в котором эти технологии были применены [3].
Биометрия - это первоклассная технология, упрощающая процесс идентификации и анализа человеческого поведения. С помощью биометрии можно легко понять размер, структуру, форму и другие физические аспекты человеческого тела. Разработчики мобильных приложений используют искусственный интеллект для фиксирования биометрических данных, которые обеспечивают распознавание голоса, управление жестами, создание биометри-
ческих паролей типа Face ID и многие другие функции. Программные обеспечения теперь так же могут интерпретировать человеческие эмоции, записывая небольшие колебания звуковых волн от голоса человека и сигналы тела, используя обработку изображений и звуковых данных. Компании могут использовать эту аналитику для улучшения качества обслуживания клиентов, определяя настроение клиента и заинтересованность в продукте или услуге.
Распознавание изображений для мобильных приложений открывает массу возможностей. Эта технология позволяет обнаружить объект на фото и видеоизображениях или через цифровую платформу. Эту технологию можно применять практически в любой сфере деятельности человека. С помощью технологии распознавания изображений можно диагностировать заболевания, идентифицировать номерные знаки, искать необходимые товары или услуги, а также осуществлять поиск людей и предметов по фотографии.
Наряду с технологией распознавания начались активные разработки всевозможных ботов, которые могут включать в себя несколько технологий искусственного интеллект сразу. Использование чат-ботов в мобильных приложениях или в веб-приложениях позволяет значительно экономить время клиентов и деньги компаний, которые предоставляют какие-либо услуги. Благодаря этой технологии любой человек может круглосуточно получить помощь в решении своей проблемы, это еще и дает возможность исключить ряд ошибок, совершенных операторами в силу человеческого фактора.
Возможности голосовых технологий не остались незамеченными разработчиками мобильных приложений. Сложная технология преобразования текста в речь обеспечивает четкие голосовые функции при вводе текста в приложение. Такая функция способна увеличить функциональность мобильного приложения в несколько раз. Функция преобразования текста в речь способна помочь слабовидящим пользователям перемещаться по приложению и пользоваться им без каких-либо ограничений. По мере совершенствования техноло-
гии преобразования текста в речь пользователи смогут переводить книги в аудиок-ниги очень быстро, с первого раза, исключая в этом вопросе все тот же человеческий фактор, больше не потребуются перезапись, аренда специального оборудования и трата самого дорогого ресурса в наше время - времени [4].
Возможности голосовых технологий включают в себя и обратный процесс преобразования информации - из голосовых команд в текстовые. На основе этого разрабатываются приложения для набора текста. Но самое интересное в голосовых технологиях искусственного интеллекта, это синтез всех его возможностей в одном приложении. Технология AI Assistant использует распознавание голоса, управляемое мобильным искусственным интеллектом, для взаимодействия с пользователями без каких-либо задержек. Фразы команд от пользователя преобразуются в действия виртуальным помощником, обеспечивая бесперебойную работу приложения. Например, Siri от Apple и Алиса от Яндекса, используя голосовые технологии могут выполнять множество различных запросов, интеллектуально определяя намерение запроса пользователя на основе контекста и делая выводы в случае неполноты информации.
Важным вопросом при внедрении искусственного интеллекта в разработку мобильных приложений является вопрос информационной безопасности. От сюда возникает необходимость использования шифрования и обеспечения безопасности хранения пользовательских данных. Кроме того, разработчики должны внедрять в свои мобильные приложения протоколы аутентификации, что бы только авторизованные пользователи могли получать доступ к функциям приложения.
Перед внедрением мобильного приложения с поддержкой ИИ и во время его активного пользования разработчики должны учитывать все потенциальные риски утечки информации. Для минимизации этих факторов необходимо использовать методы безопасного кодирования и регулярно тестировать мобильное приложение на наличие уязвимостей [5].
Возможности искусственного интеллек- вершенствовать процесс разработки и та в разработке мобильных приложений упростить процесс взаимодействия поль-увеличиваются и с огромной скоростью. зователя с приложением. Искусственный Это влечет за собой трансформацию во интеллект делает мобильные приложения многих отраслях жизни и производства. более динамичными, модульными и обес-Мобильный ИИ помогает оптимизировать печивает высокую производительность как рутинные процессы, расширить взаимо- для разработчиков, так и для конечных действие с конечным пользователем, со- пользователей.
Библиографический список
1. Гопалакришнан Р. Машинное обучение для мобильных устройств: практическое руководство по созданию интеллектуальных мобильных приложений на основе машинного обучения / Р. Гопалакришнан, А. Венкатешварлу. - Packt Publishing 2018 г.
2. Картикеян Н.Г. Проекты машинного обучения для мобильных приложений: создание приложений для Android и iOS с использованием TensorFlow Lite и Core ML. - Packt Publishing, 31 октября 2018.
3. Исаков, Ю.А. Искусственный интеллект / Ю.А. Исаков // Современная наука. -[Электронный ресурс]. - Режим доступа: https://www.elibrary.ru/item.asp?id=35277490 (Дата обращения 18.02.2023 г.).
4. Джонс, М.Т. Программирование искусственного интеллекта в приложениях / М.Т. Джонс; пер. с англ. А.И. Осипов. - ДМК Пресс, 2018. - 311 с.
5. Скрыпников, А.В. Использование методов машинного обучения при решении задач информационной безопасности / А.В. Скрыпников, В.В. Денисенко, И.А. Саранов // Вестник Воронежского института ФСИН России. - 2020. - № 4. - С. 69-73. - EDN MYVNUV.
APPLICATION OF ARTIFICIAL INTELLIGENCE IN THE DEVELOPMENT
OF MOBILE APPS
V.V. Denisenko, Candidate of Technical Sciences, Associate Professor A.S. Yashchenko, Graduate Student L.S. Chesnikov, Student
Voronezh State University of Engineering Technologies (Russia, Voronezh)
Abstract. The article discusses the possibilities of artificial intelligence in the field of mobile development. An analysis was made of modern AI technologies, such technologies include: machine learning, biometrics, recognition technologies and voice technologies. Machine learning is one of the most complex AI technologies. It is divided into 4 main groups depending on the methodologies and teaching methods: supervised learning, unsupervised learning, semi-supervised learning and reinforced learning. The possibilities of application are considered of recognizing text, voice, recorded photo-video images, real-time person, his gestures, mood and intonation of speech expand the range of potentially useful and interesting mobile applications.
Keywords: mobile development, artificial intelligence, machine learning, recognition technology, mobile applications.
