CC BY
17B.А. УРАЛЬСКОВ, А.И. ЛАБИНЦЕВ,
C.С. ВОЛКОВ
V.A. URALSKOV, A.I. LABINTSEV, S.S. VOLKOV
УСПЕХ ЗАДАЁТСЯ СТАРТОМ
SUCCES IS SET BY THE START
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ФОРМИРОВАНИИ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАЗОВАТЕЛЬНОЙ СРЕДЫ THE USE OF ARTIFICIAL INTELLIGENCE IN THE FORMATIONOF THE INTELLECTUAL EDUCATION ENVIRONMENT
Сведения об авторах: Уральское Владимир Анатольевич - старший научный сотрудник научно-исследовательского центра Военной академии РВСН имени Петра Великого, кандидат технических наук (г. Балашиха. E-mail: vladimiruralskov@yandex.ru);
Лабинцее Андрей Иванович - научный сотрудник научно-исследовательского центра Военной академии РВСН имени Петра Великого, майор, кандидат технических наук (г. Балашиха. E-mail: andrej.labintsev@ yandex.ru);
Волков Сергей Сергеевич - младший научный сотрудник Военной академии РВСН имени Петра Великого, капитан (г. Балашиха. E-mail: biockfm@yandex.ru).
Аннотация. Статья посвящена использованию элементов искусственного интеллекта в формировании интеллектуальной образовательной среды современного военно-учебного заведения.
Ключевые слова: искусственный интеллект, автоматизированные рабочие места, профессионально-важные качества.
Information about the authors: Vladimir Uralskov - Senior Researcher at the Research Center of the Military Academy of the Peter the Great Strategic Missile Forces, Candidate of Technical Sciences (Balashikha. E-mail: vladimiruralskov@yandex.ru);
Andrey Labintsev - Researcher at the Research Center of the Military Academy of the Peter the Great Strategic Missile Forces, Major, Candidate of Technical Sciences (Balashikha. E-mail: andrej.labintsev@yandex.ru);
Sergey Volkov - Junior researcher at the Military Academy of the Peter the Great Strategic Missile Forces, Captain (Balashikha. E-mail: andrej. labintsev@yandex.ru).
Summary. The article is devoted to the use of artificial intelligence elements in the formation of the intellectual educational environment of a modern military educational institution.
Keywords: artificial intelligence, automated workplaces, professionally important qualities.
Повышение качества подготовки офицерских кадров является актуальной современной задачей. Для её решения в Военной академии РВСН имени Петра Великого был разработан и в
ходе проведения Международного военно-технического форума «Ар-мия-2021» успешно продемонстрирован пилотный инновационный образовательный проект «Умная аудитория».
В ходе его разработки основные усилия сосредотачивались на дальнейшем внедрении в образовательный процесс цифровых технологий при гармоничном их сочетании с традиционными
средствами, формами и методами обучения.
Различные системы аудитории позволяют:
- во-первых, осуществлять мониторинг функционального состояния обучающихся с использованием технологий искусственного интеллекта (ИИ) и поддерживать у них необходимый для освоения образовательных программ уровень концентрации внимания;
- во-вторых, проводить экспресс-диагностику текущего интеллектуального потенциала обучающихся и применять передовые тест-системы экспресс-диагностики результатов занятий;
- в-третьих, комплексировать управление всеми функциями аудитории в едином интерфейсе с возможностью контроля темпе-ратурно-влажностного режима в аудитории, освещённости, наличия личного состава и решения иных организационных задач учебного занятия.
Совокупное применение перечисленных инноваций в значительной степени расширяет возможности профессорско-преподавательского состава по совершенствованию методик обучения и построению индивидуальных образовательных траекторий, что особенно актуально при изучении наукоёмких дисциплин в современном политехническом военно-учебном заведении [1].
Дальнейший поиск путей повышения качества подготовки офицерских кадров связан с расширением зоны применимости систем с использованием ИИ. Такие системы позволяют решать широкий спектр задач, например, рекомендовать пользователям какой-либо информационный материал на основе предполагаемых предпочтений, накопленных данных и т.д.
Исходя из этого, в настоящее время исследовательские усилия учёных академии сосредоточены на повышении качества образования за счёт использования элементов ИИ, позволяющего
формировать адаптивные индивидуальные образовательные программы для обучающихся и с использованием накопленных данных в автоматическом режиме делать рекомендации обучающимся, преподавателям и должностным лицам.
Формирование интеллектуального образовательного комплекса военно-учебного заведения в настоящее время предполагается в форме трёх крупных структурных элементов, состоящих из:
- модуля отбора, промежуточного контроля и ведения поступающих в военно-учебное заведение;
- модуля «Интеллектуальная образовательная среда», обеспечивающего формирование и проведение учебного процесса в составе помещений типа «Умная аудитория» с интегрированными элементами контроля и оценки эффективности как обучаемых, так и преподавателей;
- модуля управления образовательным процессом, совмещённым с модулем оперативного и стратегического планирования развития личностных и профессиональных качеств обучающегося с поддержкой принятия решения для должностных лиц.
В состав первого элемента интеллектуального образовательного комплекса военно-учебного заведения «Модуля отбора, промежуточного контроля и ведения поступающих в военно-учебное заведение» входят автоматизированные рабочие места с дополнительным оборудованием:
• АРМ ПФО - рабочее место обработки информации о тестировании на профессиональную пригодность;
• АРМ УМО - рабочее место специалистов учебно-методического отдела, осуществляющего контроль возможности поступления и дальнейшего прохождения обучения по критерию успеваемости (на этапе отбора - по результатам ЕГЭ);
• АРМ ГРВ - рабочее место компьютерной кирлианографии для скрининговой оценки психофизического состояния и функциональной активности человека (в основе лежит метод газоразрядной визуализации (ГРВ));
• АРМ ЭЭГ - рабочее место оператора электроэнцефалографа;
• АРМ НК - рабочее место начальника курса.
Данные, полученные каждым из специалистов на рабочих местах модуля отбора, заносятся в соответствующие разделы в их личных кабинетах, наполняя базу данных об обучаемых, формируя таким образом цифровой портрет каждого из обучающихся.
Представлена схема управления обучением, в которой рассмотрены образовательная среда и обучающийся, при этом управляющий агент в каждый дискретный момент времени находится в состоянии S. С момента вступительных испытаний на обучающегося оказываются воздействия А, на которые возникает соответствующая реакция R. По поведению обучающегося строится его модель М (цифровой портрет), при
Схема управления обучением
этом на основании использования технологии нейронных сетей ИИ формирует предложения по корректировке обучения обучающегося и предложения должностным лицам (см. схему).
Под реакцией R на воздействия A подразумеваются различные виды активности:
- оценки текущей и итоговой успеваемости;
- активность на занятиях;
- участие в общественной жизни курса, поощрения, проступки и т.д.
Для извлечения больших объёмов информации также могут применяться технологии слабого ИИ: классификация эмоционального состояния с помощью нейросе-тевых технологий, автоматическая оценка знаний с помощью различных тестовых модулей и систем и т.д.
Требуется оказывать такое воздействие на обучающегося, при котором эффект от реакции обучающегося будет максимальный:
max (R | A, S, M). (1)
В качестве варианта оценивания реакции R (1) предлагается использование обученной нейронной сети, например, для высокоточного отслеживания позы тела человека, вывода формируемых трёхмерных ориентиров и маски сегментации фона на всём теле обучаемого из получаемых видеокадров камер наблюдения и контроля. Оценка позы означает нахождение ключевых точек человека или объекта. Ключевыми точками человека являются: локоть, колено, запястье и т.д., поэтому нейросетевой пакет можно использовать для обучения модели машинного обучения, для изучения ключевых точек и дальнейшего использования знаний для конкретных задач, что на самом деле может быть полезно для распознавания конкретных действий человека в реальном масштабе времени.
В разработанной программе алгоритм использует двухэтапный конвейер машинного обучения, представляющий собой «детектор-трекер». Используя детектор, конвейер сначала находит интересующую область человека/позы в кадре. Затем трекер прогнозирует ориентиры позы и снимает маску сегментации в области интереса, используя кадр, обрезанный областью интереса, в качестве входных данных.
В качестве классификатора в нейросетевом пакете Mediapipe используется алгоритм к ближайших соседей (к-ЫЫ), где k-NN - это тип классификации, в котором функция аппроксимируется только локально, а все вычисления откладываются до оценки функции. Поскольку этот алгоритм использует расстояние для классификации, если функции представляют разные физические единицы или имеют совершенно разные масштабы, то нормализация обучающих данных может значительно повысить его точность.
Предлагаемый алгоритм к-ЫЫ, используемый для классификации поз, требует представления вектора признаков каждой выборки и метрики для вычисления расстояния между двумя такими векторами, чтобы найти ближайшие выборки поз к целевому. Чтобы преобразовать ориентиры позы в вектор признаков, используются попарные расстояния между предопределёнными списками состояния позы. Поскольку алгоритм основан на расстояниях, все позы нормализуются, чтобы иметь одинаковый размер туловища и вертикальную ориентацию туловища перед преобразованием. Чтобы получить лучший результат классификации, поиск к-ЫЫ вызывается дважды с разными метриками расстояния: во-первых, чтобы отфильтровать образцы, которые почти такие же, как целевые, но имеют лишь несколько различных значений в векторе признаков (что означает разный изгиб суставов и, следовательно,
другой класс позы), в качестве метрики расстояния используется минимальное расстояние по координатам. Затем среднее расстояние по координатам используется для поиска ближайшего кластера поз среди кластеров из первого поиска.
Для устранения «шума» от предсказания позы и её классификации предложено использовать математическое сглаживание - экспоненциальной скользящей среднего значения. Для этого выполняется поиск не только ближайших кластерных поз, но и вычисляется вероятность для каждого из них в реальном времени. Аналогично отработанному алгоритму определения положения тела и деятельности обучающегося разработаны алгоритмы и программные модули на отслеживание концентрации внимания (положение глаз) и т.д.
Отбор обучающихся при поступлении в военно-учебные заведения, а также контроль усвоения учебного материала и становление будущего офицера являются актуальной задачей на протяжении всего обучения. Это достаточно отлаженная система, регламентированная различными нормативно-правовыми актами. Профессиональный отбор в РВСН -это особый вид военно-специальной экспертизы, целью проведения которой является выбор из исходного контингента лиц, наиболее отвечающих по определённой совокупности профессионально-важных качеств (ПВК) конкретной профессии, виду военно-профессиональной деятельности и задачам подготовки к ней.
В настоящее время возникают ситуации, когда при поступлении в военно-учебное заведение и распределении по направлениям подготовки обучающиеся получают недостаточно качественную оценку своих ПВК. Помимо этого, в период обучения они сталкиваются со сложностями, вызванными особенностями военной службы, что может зачастую сказываться на их квалификации и успеваемости.
В связи с этим существует насущная потребность во внедрении средств интеллектуальной автоматизации в систему профессионального отбора и образовательный процесс, которые позволят достоверно оценивать ПВК абитуриентов, а также проводить промежуточный контроль их успеваемости и освоения профессии «военнослужащего» путём выдачи соответствующих рекомендаций командирам и начальникам.
Рассмотрим на примере АРМ ГРВ один из вариантов внедрения автоматизированной системы, в основе которой лежит метод ГРВ. В состав данной автоматизированной системы входят прибор «ГРВ-каме-ра» и разработанная модель принятия решения по отбору и контролю обучающихся.
Это позволяет, дополнительно с получаемыми результатами тестирования группой профессионального отбора, получать дополнительные параметры о каждом обучающемся, а именно уровень его стрессоустойчивости, выносливости, интеллектуальных способностей, адаптации к военной службе, концентрации внимания, вероятности ошибочных действий и мотивации к военной службе. Совокупность полученных данных позволит сформировать для каждого обучающегося своего вектора (массива) оценки его ПВК и времени его обследования и применять для мониторинга эффективности корректировки учебного плана и плана мероприятий повседневной деятельности:
У = . . Л,// . / - / Л- (2) /' - II,' ... 1„')т , I - 1-Х.
Модель принятия решения по отбору и контролю обучающихся имеет следующий вид и обеспечивает заданную экспертами точность:
где: х - вектор диагностических параметров, получаемый на блоке датчиков в АСО, п - количество диагностических параметров, i - номер Ьго тестирования обучающегося, t - момент времени тестирования ^го обучающегося, ^ "(*) - функция преобразования состояния обучающегося.
Нечёткая подсистема диагностики создаётся в несколько этапов. На 1-м этапе разрабатывается нечёткая модель (2) с привлечением экспертов для формирования функций принадлежности. На 2-м этапе по разработанному алгоритмическому обеспечению создаётся программное обеспечение. На 3-м этапе с участием экспертов проводятся эксперименты с целью получения доверительной оценки близости результатов моделирования и экспертных решений.
Если заданный уровень точности не достигается, то процесс повторяется, начиная с уточнения функций принадлежности с участием экспертов до тех пор, пока не достигнута требуемая точность. После этого нечёткая подсистема диагностики считается работоспособной. В процессе функционирования системы допускается выборочное проведение 3-го этапа с целью контроля точности получаемых заключений и рекомендаций.
Для успешного функционирования нечёткой модели необходимо применить кластерный анализ диагностических параметров с выделением принадлежности получаемых данных к соответствующим ПВК. Это необходимо для проведения внутри каждого класса линейной свертки. При этом нечёткая модель (2) преобразуется к виду:
, I - I \ к - I (4)
где используется преобразованный вектор диагностических параметров.
Таким образом, разбиение на классы с использованием линейной свертки позволяет существенно уменьшить количество
аргументов модели (3), снизить вычислительную трудоёмкость при реализации в вычислительных средах.
В предложенной модели принятия решения по отбору и контролю обучающихся применяется аппарат нечёткой логики, который позволяет аналогично ИИ делать заключения и выдавать рекомендации командирам и начальникам о каждом подчинённом, которому требуется оказать помощь и содействие в обучении и преодолении тягот и лишений военной службы.
Предложенные элементы автоматизированной системы контроля в составе модуля отбора и промежуточного контроля займут одно из основных мест в составе интеллектуального образовательного комплекса военно-учебного заведения.
Перечисленные задачи решаются за счёт применения разработанных алгоритмов и программ, способов и средств интеграции в образовательный процесс новейших достижений информационных технологий искусственного интеллекта и в перспективе позволят существенно повысить эффективность процессов отбора, образования и в автоматическом режиме выдавать рекомендации обучающемуся, преподавателю и должностным лицам кадровых органов для наиболее эффективного использования того уровня знаний, навыков и умений, полученных выпускниками военно-учебных заведений.
ЛИТЕРАТУРА
1. Рудаев, СА., Волков, С.С., Ла-бинцев, АИ. Цифровая трансформация образовательного процесса в современном высшем военном учебном заведении // Сборник докладов и выступлений научно-деловой программы Международного военно-технического форума «Ар-мия-2021». - М.: ГУНИД МО РФ, 2021. С. 657-659.
