CC BY
13
4. РМД 11-22-2013 Санкт-Петербург (актуализированная редакция 11-082009);
5. ГОСТ Р 55528-2013 «Состав и содержание научно-проектной документации по сохранению объектов культурного наследия. Памятники истории и культуры. Общие требования»;
6. ГОСТ Р 56254-2014 «Технический надзор на объектах культурного наследия»;
7. Реставрация памятников архитектуры. Подъяпольский С.С., Бессонов Г.Б., Беляев Л.А., Постникова Т.М. М., 2000;
8. Реконструкция и реставрация объектов недвижимости. Асаул А.Н., Казаков Ю.Н., Ипанов В.И. 2005;
9. Реставрация и исследования памятников архитектуры. Ред. Андрей Бодэ. 2016.
УДК 004.85
Арисова Д. А. студент 2 курса
факультет «Информационные системы и технологии»
Баринова Е. С. студент 2 курса
факультет «Информационные системы и технологии» Поволжский государственный университет телекоммуникаций и информатики научный руководитель: Коняева О.С.
старший преподаватель Россия, г. Самара ТЕХНОЛОГИИ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Аннотация: В данной статье рассмотрены технологии, которые лежат в основе будущего развития Искусственного Интеллекта, новые типы и модели обучения нейронных сетей.
Ключевые слова: искусственный интеллект, технологии, глубокое обучение, нейронные сети, автоматическое машинное обучение, капсульные сети.
Arisova D.A. Student
2 year, Faculty of Information Systems and Technologies "Povolzhskiy State University of Telecommunications and Informatics "
Russia, Samara Barinova E.S. Student
2 year, Faculty of Information Systems and Technologies "Povolzhskiy State University of Telecommunications and Informatics"
Russia, Samara Scientific adviser: Konyaeva O.S.
Senior Lecturer TECHNOLOGIES OF ARTIFICIAL INTELLIGENCE DEVELOPMENT
Summary: This article discusses new types and models of training neural networks and technologies that base the evolution of Artificial Intelligence.
Keywords: artificial intelligence, technologies, deep learning, neural network, machine learning, capsule neural network.
Искусственный интеллект (Artificial intelligence) — это технология создания интеллектуальных машин, в частности интеллектуальных компьютерных программ; свойство интеллектуальных систем выполнять функции, которые традиционно считаются прерогативой человека. [1] В данной статье будут рассмотрены технологии развития ИИ.
Нейронные сети, имитирующие человеческий мозг, способны «обучаться» по разным типам данных, но люди все еще не имеют четкого представления того, как работает глубокое обучение. Новая теория, которая использует принцип узкого места информации для обучения, может поспособствовать осознанию обществом принципа обучения нейронных сетей, что приведет к его широкому развитию и применению.
Глубокое обучение с подкреплением (Deep reinforcement learning) -метод обучения, когда нейронная сеть обучается, контактируя с окружающим миром. Этот многофункциональный метод можно применять в бизнес-приложениях, поскольку он обучаем при помощи моделирования и требует меньше информации.
Одним из самых применяемых на данный момент типов нейронных сетей является сверточный, при котором невозможна поддержка иерархических отношений между объектами, что неизбежно порождает ошибки. Решением этой проблемы является использование иного типа сетей - капсульного, при котором визуальные данные обрабатываются почти так же, как мозгом, что обещает уменьшение количества ошибок.
Еще одним типом обучения является разделение на две нейронные сети, которые конкурируют между собой, способствуя тем самым взаимному улучшению, что происходит благодаря тому, что одна сеть берет на себя роль генератора фальшивых данных, а другая обрабатывает верные и поддельные данные. Такой тип системы называют генеративно-состязательным.
Получение большего количества информации возможно при реализации обучения на неполных и дополненных данных. Это имеет возможность быть воплощенным с помощью таких методов, как перенос обучения (передача информации из разных областей между собой), обучение с первого раза («экстремальный» перенос) и дополнение уже существующих
данных.
Для упрощения производства вероятностной модели можно воспользоваться высокоуровневыми языками программирования, которые способны обеспечивать требующийся уровень абстракции и принимать в расчет неопределенную и неполную информацию, что позволяет их применять к глубокому обучению.
Байесовские и вероятностные подходы к неопределенности модели имеют много преимуществ, поэтому для использования лучших особенностей каждого из подходов, было придумано гибридное обучение, которое предоставляет возможность увеличить спектр бизнес-задач.
Создание моделей обучения - это кропотливый процесс, который включает в себя множество аспектов. Для сокращения затрачиваемого времени на создание модели и разработку его без глубокого программирования рассматривается интеграция автоматического машинного обучения (AutoML), которое применяет методы статистического и глубокого обучения.
Цифровые двойники, применявшиеся для мониторинга и анализа психологических и физических систем, сейчас используют моделирование на основе системной динамики и агентов и могут поспособствовать расширению и продвижению Интернета вещей (Internet of Things), предоставляя способы прогнозирующей диагностики.
В большом количестве приложений сейчас применяется целый ряд алгоритмов машинного обучения, но при этом их модели являются труднообъяснимыми для человека. По-другому их называют «черными ящиками». Внедрение объяснимого Искусственного Интеллекта является шагом в сторону формирования доверия к этой технологии, а, следовательно, и более массового его распространения в будущем.
Использованные источники:
1. Artificial Intelligence (Искусственный интеллект), Википедия [Электронный ресурс] - режим доступа: ru.wikipedia.org/wiki/Искусственный_интеллект (дата обращения 19.03.2018)
2. Топ-10 трендов технологий искусственного интеллекта (ИИ) в 2018 году, Хабрахабр [Электронный ресурс] - режим доступа: https://habrahabr.ru/company/otus/blog/350614/ (дата обращения 19.03.2018)
