CC BY
54Брындин Е.Г.
руководитель общественного движения «Нравственная Россия», директор - Исследовательского центра
«Естествоинформатика», г. Новосибирск
bryndin15@yandex.ru
СИСТЕМЫ С ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ ДЛЯ ПРОМЫШЛЕННОЙ И СОЦИАЛЬНОЙ РОБОТИЗАЦИИ
Ключевые слова: искусственный интеллект, умная роботизация, нейроинтерфейс, интеллектуальный суперкомпьютер, клиент-проектно-ориентированное образование.
I. Совершенствование искусственного интеллекта 1.1 Практическое развитие сильного искусственного интеллекта
Для развития сильного искусственного интеллекта предложен стандартный кейс по его применению. Стандартный кейс утвержден Японским техническим комитетом по стандартизации искусственного интеллекта. Он имеет статус международного стандарта1.
Международный стандартный кейс Application of Strong Artificial Intelligence состоит из семи таблиц, содержащих атрибуты, характеристики, свойства, параметры качественные показатели и критерии развития искусственного интеллекта различных систем.
1.2 Развитие искусственного интеллекта ансамблями интеллектуальных агентов
Интеллектуальные агенты с синергетическим взаимодействием образуют ансамбли. Быстрый эффективный сбор и анализ больших объемов данных, гибкая оперативная мобильность обновления данных и синергетическое открытое сотрудничество интеллектуальных агентов с информационными платформами и аналитическими системами помогают ускорить цифровую трансформацию высокотехнологичной индустрии и социальной сферы обучением новым навыкам. Взаимодействию интеллектуальных агентов ансамбля с информационными платформами и аналитическими системами способствует стандартный кейс синергетического взаимодействия.
Обучение новым навыкам осуществляется в виртуальном пространстве, которые затем развиваются в конкретной среде. Накопление опыта профессиональной деятельности в виртуальном пространстве способствует развитию искусственного интеллекта в промышленной среде.
1.3 Технологические самоорганизующиеся ансамбли интеллектуальных агентов
Основным законом организации ансамбля является закон синергии: сумма свойств организованного целого превышает сумму свойств, имеющихся у каждого из вошедших в состав целого элементов в отдельности. Важнейшей особенностью ансамбля является наличие качеств, не сводимых к сумме качеств составляющих его интеллектуальных агентов. Важным показателем устойчивости организации ансамбля как целостной системы является характер взаимодействия со средой. Саморегуляция ансамбля заключается в том, что при внутреннем или внешнем воздействии на систему некоторые ее интеллектуальные агенты приобретают дисфункциональные свойства, и в целях самосохранения ансамбль стремится нейтрализовать эти дисфункции. Ансамбль имеет целый ряд регуляторов, подчиненных друг другу. Регуляция как процесс - это изменение взаимосвязи интеллектуальных агентов, направленное на сохранение за счет передачи информации по каналам связи, при котором поддерживается и усиливается функциональный характер свойств интеллектуальных агентов. Для этого осуществляется выбор признаков или оснований вначале для соединения интеллектуальных агентов в целостную систему по закону пропорциональности. Закон пропорциональности определяет зависимость между организованностью ансамбля и между каждым из входящих в нее видов интеллектуальных агентов. Между характеристиками интеллектуальных агентов существуют определенные количественные и качественные соотношения. Законом пропорциональности определяется соразмерность частей, объединяемых в целом, при которой достигается эффект синергии.
Синергетический подход позволяет реализовать самоорганизацию интеллектуальных агентов технологического ансамбля. Технологические самоорганизующиеся ансамбли способны взаимодействовать с производственными коллективами, подменять их на некоторое время и даже полностью высвобождать в различных областях профессиональ-
1 ISO/IEC JTC 1/SC 42/WG 4 NO 254 TR 24030 working draft v10» - ISO/IEC 24030:2019(E). 2019. - https://isotc.iso.org/ livelink/livelink/open/jtc1sc42wg4
ной деятельности. Технологические ансамбли интеллектуальных агентов могут управлять отраслями индустрии, принимать решения в сложных меняющихся обстоятельствах и обеспечивать безопасность в экстремальных условиях.
Синергетические механизмы самоорганизации технологических ансамблей интеллектуальных агентов применяются в соответствии со стандартным кейсом применения ансамблей в различных областях. Стандартный кейс «Применение ансамбля интеллектуальных взаимодействующих агентов» определяет параметры, характеристики, методы, модели человеческих двойников, знания, умения, поведение, образы, категориальные методы полезности и предпочтения и другие сущности взаимодействия интеллектуальных диверсифицированных агентов.
1.4 Коммуникативно-ассоциативное развитие умного искусственного интеллекта
Умный искусственный интеллект развивается на основе коммуникативно-ассоциативной логики, иерархических предпочтений, эволюционирующей полезности ансамблями диверсифицируемых интеллектуальных агентов. Развитие умного искусственного интеллекта выявляет новые системные качества и технологическую сингулярность в процессе совместного действия и взаимной адаптации диверсифицируемых интеллектуальных агентов по стандартному кейсу их применения. Технологический умный искусственный интеллект сравнивает информацию по критериям полезности, выбирает ее по критерию предпочтения, выявляет новизну по принципу противоположности (оптимальный - не оптимальный; эффективный - не эффективный; опасный - безопасный и т.д.) методом от противного, исходя из объективных условий на основе коммуникативной ассоциативной логики1.
1.5 Функциональная и гармоничная самоорганизация ансамблей с гибридными компетенциями
Функциональная гармоничная самоорганизация взаимодействия интеллектуальных агентов в различных окружениях осуществляется на основе данных конкретного окружения, полученных аналитическими компетентными интеллектуальными агентами. Для каждого набора функций и гибридных компетенций интеллектуального ансамбля существует критическое значение для количества его интеллектуальных агентов, способных к синергетической самоорганизации взаимодействия. Искусственный интеллект больших ансамблей интеллектуальных агентов с функциональными гибридными компетенциями может настраиваться на функциональную гармоничную самоорганизацию коллективного взаимодействия необходимых интеллектуальных агентов для реализации набора функций и компетенций, если их количество превосходит критическое значение, определяющее их способность к самоорганизации взаимодействия на основе многократных попыток и достаточных положительных обратных связей.
Сложная динамическая организация целенаправленного функционирующего ансамбля требует непрерывного управления, без которого ансамбль не может существовать. Особенность этого управления состоит в том, что оно служит причиной ряда процессов в самом ансамбле и, прежде всего, процессов внутреннего саморегулирования по законам самонастройки, саморазвития и самообучения.
Самонастраивающийся ансамбль - это адаптирующаяся система, в которой накопление опыта (запоминание информации) выражается в изменении тех или иных ее параметров, существенных для цели системы.
Саморазвивающийся ансамбль - это адаптирующаяся система, которая самостоятельно вырабатывает цели своего развития и критерии их достижения, изменяет свои параметры, структуру и другие характеристики в заданном направлении.
Самообучающийся ансамбль - это адаптирующаяся система, которая в процессе развития проходит процесс обучения, накапливая опыт, обладает способностью самостоятельно искать критерии качества своего функционирования.
Вся организационная управленческая деятельность должна быть направлена на создание управляющих интеллектуальных агентов, способных самостоятельно в ходе процесса управления строить собственный алгоритм в результате адаптации и обучения. Такое управление, в отличие от управления по заранее заданному жесткому алгоритму, называют адаптивным управлением. Задача адаптивного управления состоит в поиске наилучшей стратегии по отношению к цели управления.
Самоорганизующийся ансамбль, согласно законам синергетики, перестраивается таким образом, чтобы создавать минимальное сопротивление порождающему ее потоку. Поток рождает структуру, структура стремится поддерживать поток.
Все это происходит в диапазоне существования структуры. При увеличении потока выше критического происходит перестройка структуры. Старая структура, не способная пропускать увеличившийся поток, разрушается. На ее месте скачком организуется новая структура, соответствующая более высокому диапазону потока. Система, попавшая в диапазон своего существования, стремится стабилизировать поток. Сопротивляется его уменьшению ниже диапазона возникновения и его увеличению выше этого диапазона.
Деятельность организационной структуры рассматривается как динамическое взаимодействие информационных потоков. На этих потоках работает алгоритм определения количественных и качественных характеристик иерархической структурой управления. Математическим аппаратом когнитивного анализа и управления являются знаковые сети, учитывающие сотни функциональных параметров системы и дающие на поставленные вопросы не количественный, а качественный ответ.
1 Bryndin E. Communicative-associative development of smart artificial intelligence by criteria with the help of ensembles of diversified agents // International Journal of Intelligent Information Systems. 2020. -Vol. 9, N 4, - P. 24-34.
Самоорганизация - это образование пространственной, временной, информационной или функциональной организации, структуры (точнее, стремление к организованности, к образованию новой структуры) за счет внутренних ресурсов системы в результате целеполагающих взаимодействий с окружением системы. Речь идет об информационном взаимодействии с внешней средой. В последние десятилетия появились алгоритмы, позволяющие работать с большими информационными потоками.
Процесс самоорганизации ансамблей интеллектуальных агентов осуществляется по закону структурной гармонии системы: «Обобщенные золотые сечения суть инварианты, на основе и посредством которых в процессе самоорганизации системы обретают гармоничное строение, стационарный режим существования, структурно-функциональную устойчивость». Организация системы предполагает определенное согласование состояний и деятельности ее подсистем и составляющих элементов. Способность к самоорганизации основывается как на множественности элементов системы и разветвленности связей между ними, способствующих возникновению целостности, так и на наличии гибкого взаимодействия между элементами по типу обратных связей. Отрицательные обратные связи обеспечивают стабильность функций системы, постоянство ее параметров, устойчивость к внешним воздействиям. Положительные обратные связи играют роль усилителей процессов и имеют особое значение для развития, накопления изменений. Наличие отрицательных и положительных обратных связей приводит к возможности развития по закону золотого сечения с использованием внешних и внутренних взаимосвязей.
В момент самоорганизации ансамбля происходит качественный переход, интеллектуальные агенты начинают функционировать как единое целое, наступает организационная устойчивость. Принципиальный шаг в описании таких систем был сделан датским ученым, много лет работавшим в Америке, Пером Баком в теории самоорганизованной критичности. Название подчеркивает, что система самоорганизуется в критическое состояние, в котором ее динамика приобретает масштабную инвариантность в коллективном взаимодействии в той сети, которая складывается в результате самоорганизации. Этот подход получил название «коннекционизм» (от английского to connect - связывать).
Устойчивое распределение положительных и отрицательных ответов взаимодействующих связей по закону золотого сечения определяет критическое значение интеллектуальных агентов ансамбля. Ансамбль, имеющий количество необходимых интеллектуальных агентов равное или более критического значения, способен на самореализацию и получение необходимого результата. Определение критических значений ансамблей интеллектуальных агентов по реализации различных наборов функций и компетенций поможет созданию универсального большого ансамбля с умным искусственным интеллектом. Для реализации и сопровождения этого проекта требуются сверхмощные суперкомпьютеры и стандартный кейс гармоничной функциональной самоорганизации больших ансамблей интеллектуальных агентов с умными гибридными компетенциями по закону золотого сечения1.
1.6 Формирование этической цифровой среды умным искусственным интеллектом
Ансамбли интеллектуальных агентов позволяют творить цифровую среду профессиональными образами с языковыми, поведенческими и деятельными коммуникациями, когда образы и коммуникации реализуются агентами с умным искусственным интеллектом. Через языковые, поведенческие и деятельные коммуникации интеллектуальные агенты реализуют коллективную деятельность. Этический стандарт через интеллектуальных агентов позволяет регулировать безопасное применение ансамблей из роботов и цифровых двойников с творческим коммуникационным искусственным интеллектом в социальной сфере, индустрии и других профессиональных областях. Использование интеллектуальных агентов с умным искусственным интеллектом требует ответственности от разработчика и владельца за нанесения вреда окружающим. Если нанесение вреда окружающим произошло из-за ошибок разработчика, то он несет ответственность и расходы. Если нанесение вреда окружающим произошло по вине владельца из-за несоблюдения условий использования, то он несет ответственность и расходы. Этический стандарт и правовое регулирование помогает становиться профессиональными членами общества интеллектуальным агентам с умным искусственным интеллектом. Ансамбли интеллектуальных агентов с умным искусственным интеллектом смогут безопасно работать с обществом как профессиональные образы с умениями, знаниями и компетенциями, реализованные в виде переобучаемых цифровых двойников и когнитивных роботов, осуществляющих взаимодействие путем языковых, поведенческих и деятельных этических коммуникаций. Когнитивные роботы и цифровые двойники через саморазвивающиеся ансамбли интеллектуальных агентов с синергетическим взаимодействием и умным искусственным интеллектом могут осваивать различные высокотехнологичные профессии и компетенции. Их применение в индустрии повышает производительность труда и экономическую эффективность производства. Их применение в социальной сфере улучшает качество жизни человека и общества. Их широкое применение требует соответствия этическому стандарту, чтобы их использование не приносило вред. Внедрение и использование этического стандарта использования когнитивных роботов и цифровых двойников с умным искусственным интеллектом повышает безопасность их применения. Этические отношения между людьми и интеллектуальными агентами будут также регулироваться этическим стандартом2.
1 Bryndin E. Functional and Harmonious Self-Organization of Large Intellectual Agent Ensembles with Smart Hybrid Competencies // American Journal of Software Engineering and Applications. 2021. - Vol. 10, N 1. - P. 1-10.
2 Bryndin E. Formation of International Ethical Digital Environment with Smart Artificial Intelligence // Automation, Control and Intelligent Systems. 2021. - Vol. 9, N 1. - P. 27-38.
1.7 Стандартизация искусственного интеллекта для разработки и использования
интеллектуальных систем
В ISO есть международный технический комитет по стандартизации искусственного интеллекта ISO/IEC JTC 1/ SC 42 «Artificial Intelligence». В технологически развитых странах созданы национальные технические комитеты по стандартизации искусственного интеллекта. Национальные технические комитеты разрабатывают национальные стандарты искусственного интеллекта. Они являются подкомитетами международного комитета по определенным направлениям стандартизации. Международный комитет утверждает международные стандарты через национальные подкомитеты. Стандартный кейс Application of Strong Artificial Intelligence утвержден Японским техническим комитетом по стандартизации искусственного интеллекта. Он является международным стандартом.
1.8 Сильный искусственный интеллект с технологической сингулярностью
Пятьдесят лет выполняется закон Мура. Разрабатываются квантовые компьютеры, ДНК-компьютеры, нейронные сети. Экспоненциальный рост технологий и прогресса наблюдается и сейчас. Все неизбежно указывает на дальнейшее ускорение прогресса и движение к некой точке - технологической сингулярности. Если посмотреть на историю информационного развития человека и технологий, то можно заметить несколько закономерностей. Простейшая нервная система -> Мозг -> Речь -> Письменность -> Компьютеры и Интернет. Каждый следующий этап наступал намного быстрее предыдущего. Информационные технологии в кооперации с другими дают два главных продукта: сильный искусственный интеллект с технологической сингулярностью и интерфейс человек-робот.
Сингулярность сильного искусственного интеллекта как особенность поиска решений в условиях непонятных человеку когнитивными интеллектуальными системами на основе накопленного опыта рисковых ситуаций путем обработки накопленных умных больших данных сильным искусственным интеллектом поможет принимать безопасные решения в условиях риска. Сильный искусственный интеллект путем обработки больших данных о рисках находит безопасное эффективное и экономически выгодное решение1. Решения находятся сначала в режиме моделирования. Если модель обеспечивает до 90% решений в рискованных ситуациях, то она считается удовлетворительной. Построение моделей и накопление больших данных для рискованных окружений и ситуаций в настоящее время имеет огромное значение для предотвращения катастроф и обеспечения безопасности. Развитие сильного искусственного интеллекта для нахождения решений с целью предотвращения катастроф и обеспечения безопасности является актуальной задачей для научного и инженерного сообщества.
II. Интеллектуальная роботизация 2.1 Роботы с искусственным интеллектом и спектроскопическим зрением
Искусственный интеллект робота - это цифровой двойник интеллекта человека, способный к обучению, переобучению, самореализации и развитию профессиональных и поведенческих инновационных компетенций и навыков. Робот является технологическим и программным когнитивным комплексом. Реализация искусственного интеллекта роботом осуществляется на основе критерия предпочтений накапливаемых профессиональных и поведенческих инновационных компетенций и навыков. Спектроскопическое зрение робота воспринимает предметы и объекты по их спектру частот. Для обучения робота распознаванию предметов и объектов используется частотная спектральная технология машинного обучения. Спектроскопическое зрение воспринимает спектр излучений предметов, а искусственная обученная нейронная сеть распознает их по спектру.
Когнитивная умная архитектура включает искусственные нейронные сети, алгоритмы машинного обучения, когнитивную систему smart big data, систему качественного отбора. Когнитивная архитектура робота на основе критерия предпочтений развивает функциональную деятельность. Умная когнитивная архитектура робота шаг за шагом определяет, как лучше всего достичь заданных целей и реализовать предпочтения посредством действий функции полезности на основе качественного отбора. Профессиональное самосовершенствование осуществляется путем машинного переобучения по критерию предпочтений на основе обширной статистики качественного отбора накопленных креативных инновационных навыков и компетенций в шестом технологическом укладе индустрии 4.0. Умная когнитивная способность робота развивается искусственным интеллектом путем машинного переобучения на основе накапливаемых в базе знаний компетенций и в базе умений соответствующих профессиональных и поведенческих навыков.
Роботы могут решать множество разнообразных практических задач. Медицина, банковское обслуживание, промышленность, образование, гостиничный бизнес и даже развлечения - основные области применения роботов.
2.2 Социальные когнитивные умные роботы
Программное обеспечение социальных роботов создается на языках программирования. Многие программы для обобщающей архитектуры были реализованы на языке поведения, который был определен Бруксом. Этот язык представляет собой язык управления в реальном времени на основе правил, результатом компиляции которого стано-
1 Bryndin E. Formation and Management of Industry 5.0 by Systems with Artificial Intelligence and Technological Singularity // American Journal of Mechanical and Industrial Engineering. 2020. - Vol. 5, N 2. - P. 24-30.
вятся контроллеры AFSM. Отдельные правила этого языка, заданные с помощью синтаксиса, подобного Lisp, компилируются в автоматы AFSM, а группы автоматов AFSM объединяются с помощью совокупности механизмов передачи локальных и глобальных сообщений.
Универсальный робототехнический язык, или сокращенно GRL (Generic Robot Language). GRL - это функциональный язык программирования для создания больших модульных систем управления. Как и в языке поведения, в GRL в качестве основных конструктивных блоков используются конечные автоматы. Но в качестве настройки над этими автоматами язык GRL предлагает гораздо более широкий перечень конструкций для определения коммуникационного потока и синхронизации ограничений между различными модулями, чем язык поведения. Программы на языке GRL компилируются в эффективные программы на таких языках команд, как С.
Еще одним важным языком программирования для параллельного робототехнического программного обеспечения является система планирования реактивных действий, или сокращенно RAPS (Reactive Action Plan System). Система RAPS позволяет программистам задавать цели, планы, связанные с этими целями (или частично определять политику), а также задавать условия, при которых эти планы по всей вероятности будут выполнены успешно.
Крайне важно то, что в системе RAPS предусмотрены также средства, позволяющие справиться с неизбежными отказами, которые возникают в реальных робототехнических системах. Программист может задавать процедуры обнаружения отказов различных типов и предусматривать процедуру устранения исключительной ситуации для каждого типа отказа. В трехуровневых архитектурах система RAPS часто используется на исполнительном уровне, что позволяет успешно справляться с непредвиденными ситуациями, не требующими перепланирования.
Существует также несколько других языков, которые обеспечивают использование в роботах средств формирования рассуждений и средств обучения. Например, Golog представляет собой язык программирования, позволяющий обеспечить безукоризненное взаимодействие средств алгоритмического решения задач (планирования) и средств реактивного управления, заданных непосредственно с помощью спецификации.
Программы на языке Golog формулируются в терминах ситуационного исчисления с учетом дополнительной возможности применения операторов недетерминированных действий. Кроме спецификации программы управления с возможностями недетерминированных действий, программист должен также предоставить полную модель робота и его среды.
Как только программа управления достигает точки недетерминированного выбора, вызывается планировщик (заданный в форме программы доказательства теорем) для определения того, что делать дальше. Таким образом, программист может определять частично заданные контроллеры и опираться на использование встроенных планировщиков для принятия окончательного выбора плана управления.
Основной привлекательной особенностью языка Golog является предусмотренная в нем безукоризненная интеграция средств реактивного управления и алгоритмического управления. Несмотря на то что при использовании языка Golog приходится соблюдать строгие требования (полная наблюдаемость, дискретные состояния, полная модель), с помощью этого языка были созданы высокоуровневые средства управления для целого ряда мобильных роботов, предназначенных для применения внутри помещений.
Язык «JSk CES (сокращение от C++ for embedded systems - C++ для встроенных систем) - это языковое расширение C++, в котором объединяются вероятностные средства и средства обучения. В число типов данных CES входят распределения вероятностей, что позволяет программисту проводить расчеты с использованием неопределенной информации, не затрачивая тех усилий, которые обычно связаны с реализацией вероятностных методов.
Еще более важно то, что язык CES обеспечивает настройку робототехнического программного обеспечения с помощью обучения на основании примеров во многом аналогично тому, что осуществляется в алгоритмах обучения. Язык CES позволяет программистам оставлять в коде «промежутки», которые заполняются обучающими функциями; обычно такими промежутками являются дифференцируемые параметрические представления, такие как нейронные сети. В дальнейшем на отдельных этапах обучения, для которых учитель должен задать требуемое выходное поведение, происходит индуктивное обучение с помощью этих функций. Практика показала, что язык CES может успешно применяться в проблемных областях, характерных для частично наблюдаемой и непрерывной среды.
Язык ALisp представляет собой расширение языка Lisp. Язык ALisp позволяет программистам задавать недетерминированные точки выбора, аналогичные точкам выбора в языке Golog. Но в языке ALisp для принятия решений применяется не программа доказательства теорем, а средства определения правильного действия с помощью индуктивного обучения, в которых используется обучение с подкреплением. Поэтому язык ALisp может рассматриваться как удобный способ внедрения знаний о проблемной области в процедуру обучения с подкреплением, особенно знаний об иерархической структуре «процедур» желаемого поведения. До сих пор язык ALisp применялся для решения задач робототехники только в имитационных исследованиях. Его можно использовать для программирования роботов с подражательным мышлением и адаптивным поведением, способных к обучению при взаимодействия со средой.
Иерархический подход к реализации действий поведения когнитивного мобильного робота позволяет ему выполнять полезную работу и обеспечивать свое перемещение. Иерархические алгоритмы действий поведения поделены на агломеративные и дивизимные. Агломеративные алгоритмы начинают свое выполнение с того, что каждое действие заносят в соответствующий кластер и по мере выполнения объединяют кластеры, до тех пор, пока в конце не получает один кластер, включающий в себя все действия поведения. Дивизимные алгоритмы, напротив, сначала относят все действия в один кластер и затем разделяют этот кластер до тех пор, пока каждое действие не окажется в соответствующем кластере. Представлением результата иерархического алгоритма является дендрограмма - схема, показывающая в какой последовательности происходило слияние действий в кластер или разделение действий на кластеры.
Такой подход позволяет формализовать требования к мобильности поведения робота и разработать все возможные алгоритмы реакции на изменение состояния окружающей обстановки. Например, при перемещениях на улице, применяя технологию спутниковой навигации, а окружающие объекты, обнаруживая с помощью камер или дальномеров. То есть подход позволяет автономные робототехнические системы проектировать под реализацию множества социальных сфер жизнедеятельности.
Когнитивные роботы с подражательным мышлением и адаптивным поведением имеют перспективу широкого практического применения в качестве умных роботов лекторов и консультантов в образовательной деятельности, в социальной сфере.
Умные роботы становятся независимыми объектами социальной среды. Социальные когнитивные умные роботы используются в качестве администратора отеля, гида, продавца, лектора, пылесоса, медсестры, волонтера, охран-ника1.
2.3 Связь человека с роботом через нейроинтерфейс
Нейроинтерфейсы используются для диалога и управления с коммуникативными ассоциативными роботами с помощью высокотехнологичных беспроводных средств связи для приема и передачи сообщений. Наиболее подходящей технологией для реализации беспроводного нейроинтерфейса является беспроводная технология передачи данных Bluetooth Low Energy наиболее известная под своей аббревиатурой (BLE). Особым преимуществом технологии является ее распространённость на огромном количестве устройств, прежде всего устройств с автономным электропитанием, т.е. мобильных или носимых. Мысленное общение с коммуникативным ассоциативным роботом осуществляется через его интеллектуального агента коммуникатора.
Связь человека с роботом через нейроинтерфейс открывает новые эффективные способы организации работы.
III. Суперкомпьютер с искусственным интеллектом
Предлагается архитектура суперкомпьютера с большой оперативной памятью и искусственным интеллектом, обеспечивающим упреждающую подкачку данных для непрерывной их обработки. Суперкомпьютер обеспечивает непрерывную обработку больших программ и данных.
Супер-ЭВМ содержит новые устройства: процессор анализа связей между модулями программы, счетчики использования сегментов оперативной памяти модулями, процессор перемещения модулей по виртуальной памяти, процессор перемещения общих данных модулей.
Процессор анализа проводит упреждающий анализ связей модулей программ с детерминированно-связанными модулями. Процессор анализа реализует процесс вычисления номеров текущих модулей оперативной памяти по программе связи SPPt модуля PIt, а также процесс корректировки значения счетчика использования сегментов оперативной памяти модулями программы.
Процессор перемещения общих данных реализует перемещение общих данных между модулями. Общие переменные имеют последовательности адресов перемещения из текущих значений. По последовательности адресов перемещения организуются потоки значений общих данных с доставкой их на место использования в модулях на оперативных сегментах. Обращение к модулям происходит по их номерам. Для модулей внешней памяти значения общих переменных переносятся в резидентный модуль общих данных при замещении модуля содержащего общие данные.
Процессор управления с искусственным интеллектом организует обработку, перемещение общих данных, анализ связей и определение текущих модулей по программе. Он совмещает работу устройств над одним модулем за разные циклы обращений к оперативному сегменту.
Количество оперативных сегментов для непрерывной обработки программы с детерминированно-связанными модулями определяется в процессе ее трансляции или компиляции.
Сегменты оперативной памяти коммутируются с процессорами последовательно, соответственно последовательности обработки модулей, расположенных на них. Это позволяет минимизировать коммутацию процессоров с оперативной памятью, переключая последовательно упреждающе динамично процессоры с оперативных сегментов.
Готовые к последующей обработке значения общих данных перемещаются по модулям программы, находящихся в оперативной памяти. Для каждого значения общего данного d определяются последовательность использующих его модулей, места использования их в этих модулях и относительные моменты использования значений d в модулях. По множеству модулей использования d составляется дополнительное множество модулей, через которые перемещаются значения данного d.
Значения общих данных перемещаются по модулям, находящимся на сегментах оперативной памяти, динамически, образуя поток данных.
Общие данные модулей, находящихся не на оперативной памяти, перемещаются в резидентные модули ROD. В резидентном модуле общих данных значения хранятся вместе с указателями перемещения. Значения, перемещаемые в один модуль, располагаются подряд. В начале последовательности указывается их количество. После записи новых значений в модуль общих данных перемещается его указатель свободного места (записи), если счетчик модуля общих данных не превышает допустимое число значений.
1 Bryndin E. Social Cognitive Smart Robots: Guide, Seller, Lecturer, Vacuum Cleaner, Nurse, Volunteer, Security Guard, Administrator // Communications. 2019. - Vol. 7, N 1. - P. 6-12.
Значения снабжаются признаками перевычисления. Если признак принимает состояние неизменяемости, то значение перемещается во все используемые модули.
Значения помещаются в модуль общих данных в порядке их перемещения в модули, поступающие с внешней памяти на оперативную память. В модуле общих данных значения могут снабжаться несколькими указателями.
После перемещения всех значений в модуль программы в нем устанавливается признак «перемещено», который указывает, что модуль готов к обработке.
Пусть имеется к модулей последовательности исполнения и п сегментов оперативной памяти. Пусть первый модуль имеет переменные. Для каждой переменной определяются номера последующих модулей, в которых она используется. Для второго модуля определяются все переменные, которых нет в первом модуле. Для каждой переменной определяются номера последующих модулей, в которых она используется. Для последующих модулей аналогично определяются последовательности использования переменных, которые не указаны в предыдущих модулях.
Для каждой переменной определим модули. Определим последовательности номеров модулей. Переменные будут храниться в резидентном модуле общих данных согласно последовательной нумерации внешних модулей, использующих переменные. Упреждающее перемещение данных с использованием резидентного модуля общих данных обеспечивает их непрерывную обработку1.
IV. Клиент-проектно-ориентированная подготовка специалистов
В эпоху бурного технологического развития в университетах целесообразно вести клиент-проектно-ориентиро-ванное образование. Клиент-проектно-ориентированное образование позволяет университетам эффективно формировать партнерства с бизнесом и промышленностью по подготовке компетентных специалистов для реализации проектов. По проектному управлению производством создается технологическая платформа компетенций для подготовки специалистов по реализации проекта. Университет по требуемым компетенциям участников проекта готовит курсы подготовки специалистов по приобретению умений на технологической платформе компетенций. На технологической платформе компетенций обладающие профессиональными знаниями учащиеся приобретают необходимые профессиональные умения и способность работать в команде проекта. Они становятся компетентными специалистами, готовыми участвовать в реализации проекта. Университет становится учреждением образовательного развития. В университетах формируется образовательное ядро с переходом на индивидуальную траекторию образования и исследований. Студенты получают знания и умения по участию в конкретном проекте. Наполнением и изменением образовательного процесса в соответствии с запросами самих учащихся реализуется принцип мобильности обучения. Принцип мобильности обучения даёт возможность гибко реагировать на потребности отдельных компаний и субъектов федерации. Данный принцип проявляется через постоянную трансформацию функциональной и организационной структуры, позволяющую университетам адаптироваться в подготовке кадров по быстро меняющимся технологиям инновационной индустрии и промышленности. В эпоху быстрой смены профессий клиент-проектно-ориентированное образование имеет особенно актуальное значение2.
В рамках клиент-проектно-ориентированной деятельности целесообразно говорить и про модели маркетинга, которые нам дают понимание того, каким образом организовать деятельность по реализации услуг, что больше учитывать в общении с потребителями и как лучше организовать указанные мероприятия.
Маркетинг и клиент-проектно-ориентированная деятельность требуются участникам рынка образовательных услуг. Учреждениям образования, чтобы знать, что нужно потребителю, прогнозировать спрос, проводить грамотное ценообразование и предоставление услуг, а также их продвижение, т. е. вести клиент проектно-ориентированную деятельность. Клиенту образовательных услуг необходимо знать о предложении как можно больше, понимать конкурентные преимущества услуг, социальные результаты от их получения, получать максимальное удовлетворение своих потребностей.
От учреждений образования потребуется разработка и реализация серьезной маркетинговой коммуникационной стратегии, исследований рынка образовательных услуг, которые должны привести к совершенствованию управления образовательным процессом, к применению методов поиска и набора потребителей и клиентов, качественного изменения образовательных технологий, изменению и совершенствованию взаимодействия.
Формирование спроса на образовательные услуги, продвижение информации о них требуют разработки комплексной системы рыночного взаимодействия с бизнесом и обществом, связанной с движением услуг, обменом информацией, технологиями, знаниями, опытом.
Преподаватели университета предлагают знания для участия в целевом проекте. Во время обучения происходит освоение проектных компетенций. На следующем этапе приобретаются профессиональные умения на технологической платформе заказчика, и осваивается проектное управление умениями для командной работы (рис. 1).
1 Bryndin E. Supercomputer BEG with Artificial Intelligence of Optimal Resource Use and Management by Continuous Processing of Large Programs // International Journal of Research in Engineering. 2019. - Vol. 1, N 2. - P. 9-14.
2 Bryndin E. Client-Project-Oriented University Education in Era of Rapid Technological Development and Change of Professions // Science Journal of Education. 2021. - Vol. 9, N 4. - P.124-130.
Заказчик
Технологическая платформа
Проектное
управление
умениями
Проектные < компетенции
Учащиеся
Компетентные Специалисты
Профессиональные
Клиент-проектно-ориентированное университетское образование
умения
Рисунок 1.
Клиент проектно-ориентированное университетское образование
На технологической платформе заказчика обучающиеся приобретают профессиональные умения и вырабатывают способность работать в команде. То есть становятся компетентными профессиональными специалистами.
Специалисты стремятся создать умного человекоподобного робота. Создание человекообразного робота связано с реализацией большого количества функций и компетенций. Автор предложил реализовать функции и компетенции человекообразного робота с помощью больших ансамблей интеллектуальных агентов, обрабатывающих большие данные о высокоскоростных огромных вычислительных ресурсах. Большие ансамбли интеллектуальных агентов настраиваются путем самоорганизации. В статье предлагается подход и технология самоорганизации больших ансамблей интеллектуальных агентов по принципу золотого сечения.
Большие ансамбли с сильным искусственным интеллектом и технологической сингулярностью очень востребованы в промышленной и социальной сфере. Особенно в окружениях и ситуациях непонятных сознанию специалистов, где возникают огромные риски. Большие ансамбли с сильным искусственным интеллектом и технологической сингулярностью, учитывающие состояния реального окружения путем обработки больших данных о них и моделирования жизнедеятельности общества, могут помочь человечеству идти по безопасному пути существования. Развитие и успешное внедрение сильного искусственного интеллекта может в корне изменить нашу жизнь. Сильный искусственный интеллект поможет из нынешнего хаоса создать абсолютный порядок, например: полной автоматизацией транспорта и абсолютным контролем дорожного трафика, стабильным ростом экономики, отсутствием войн, постоянным внедрением новых технологий и предотвращением экономических застоев, а также перспективным освоением космоса.
Заключение
