Какие виды искусственного интеллекта применяют в российских компаниях

Аннотация научной статьи по праву, автор научной работы — Ларчев Данила Вячеславович

Это одна из простых, но распространенных тем. Есть изображение и ограниченное число классов, задача — определить, к какому классу относится это изображение. Например, квадрокоптер летит над лесом и снимает видео, а искусственный интеллект классифицирует тип деревьев — ели, сосны, лиственницы, березы.

Еще пример: простое российское производство фанеры, малый бизнес. Есть 5 степеней качества березового шпона, из которого изготавливается фанера. Обычно степень качества определяют рабочие, но они часто ошибаются. Нейронная сеть же работает по фотографии: под камеру на стенде кладется лист шпона, и она с высокой точностью определяет качество.

Это проекты на пересечении компьютерного зрения и обработки текстов — OCR (optical character recognition), оптическое распознавание символов. Это частый тип задач, особенно в юридической, банковской и подобных сферах. Типовые задачи — распознавание данных паспорта, СНИЛС, ПТС, СТС, фотографий документов ИП или распознавание чеков. Еще одна часто встречающаяся задача — распознавание показаний весов, когда товар кладется на весы и надо, чтобы камера визуально распознала результат взвешивания в цифрах.

This article examines the problems of defining artificial intelligence (AI) and its classification in various contexts from national strategies to international research. The main attention is paid to the evolution of the concept of AI in Russian and international legislation, including GOST standards and legislative initiatives. The author highlights the difference between broad and narrow AI, and discusses autonomy , selflearning and interaction among the key characteristics of AI. The article also deals with the classification of robots, the relationship between AI and robotics, as well as approaches to legal regulation of AI. This comprehensive study provides an in-depth analysis of the current state and prospects of AI development, highlighting its multidimensional and complex nature.

До вступления в силу настоящей Стратегии ИИ определялся в ГОСТ 15971-90, принятом в 1992 году, как «способность компьютерной машины имитировать мыслительные процессы путем выполнения функций, традиционно ассоциируемых с человеческим интеллектом, таких как обучение и логические рассуждения»1 Важно отметить, что уже в 1990 г. была предпринята попытка дать определение ИИ. Данный документ сохраняет свою силу в части, соответствующей целям регулирования, установленным ст. 46 Федерального закона № 184-ФЗ «О техническом регулировании»2, в остальной части носит рекомендательный характер.

В английском языке это называется NLP – natural language processing, обработка естественного языка. Текстовых задач на российском рынке мы встречаем меньше, чем остальных, хотя на мировом рынке NLP занимает вторую позицию после компьютерного зрения. Текстовые задачи делятся на несколько типов.

Artificial intelligence: concept, features, classification

и социальные аспекты. Специализированный ИИ отличается от общего ИИ своей направленностью на конкретные области, такие как игры, машинный перевод, беспилотные автомобили и распознавание образов1. Тем самым законодатель определяет понимание ИИ в широком и узком смысле. Такое разграничение позволяет сделать вывод о том, что ИИ может быть системой с интеллектом, сопоставимым с человеческим, или специализироваться на узком круге задач. Как отмечают исследователи И.В. Понкин и А.И. Редькина, несмотря на то что дискуссии об ИИ ведутся с начала века, длительные дебаты по этому законодательству отражают сложность интеграции всех аспектов ИИ в законодательство [2, с. 91].

В данной статье рассматривается проблематика определения искусственного интеллекта (ИИ) и его классификация в различных контекстах — от национальных стратегий до международных исследований. Основное внимание уделяется эволюции понятия ИИ в российском и международном законодательстве, включая ГОСТы и законодательные инициативы. Автор анализирует различие между пониманием ИИ в широком и узком смысле, исследует автономность , способность к самообучению и взаимодействию среди ключевых характеристик ИИ. Приводится классификация роботов , описываются взаимосвязи между ИИ и робототехникой, а также подходы к правовому регулированию ИИ. Предпринята попытка анализ и всестороннего исследования текущего состояния и перспектив развития ИИ, сделан вывод о сложности и многоаспектность его использования.

Annotation. This article examines the problems of defining artificial intelligence (AI) and its classification in various contexts — from national strategies to international research. The main attention is paid to the evolution of the concept of AI in Russian and international legislation, including GOST standards and legislative initiatives. The author highlights the difference between broad and narrow AI, and discusses autonomy, self-learning and interaction among the key characteristics of AI. The article also deals with the classification of robots, the relationship between AI and robotics, as well as approaches to legal regulation of AI. This comprehensive study provides an in-depth analysis of the current state and prospects of AI development, highlighting its multidimensional and complex nature.

Оптимизационные задачи решаются генетическими алгоритмами. Частая задача — подбор оптимальных настроек оборудования. Например, на химическом производстве под разный поступивший материал нужно по-разному настроить оборудование. Изначально это делают эксперты, а с помощью генетических алгоритмов можно настроить автоматический подбор параметров оборудования, которое оптимально проведет работу с данными типами сырья.

Сегментация изображений – это задача обвести по контуру объект на изображении. Например, Zoom умеет удалять задний фон и оставлять человека, обведенного по контуру. Также сегментация применяется в проектах, о которых я рассказывал в предыдущем пункте. Например, обвести на КТ-снимке очаг пневмонии, на фотографиях леса с квадрокоптера сделать сегментацию леса по контуру — вот здесь у нас еловый лес, здесь опушка, здесь река, здесь березовый лес. Компьютерное зрение занимает чуть большую долю проектов, чем остальные типы AI-задач.

На рынке искусственного интеллекта нет консолидации, практически нет доминирующих тем, на которые приходится хотя бы 20% проектов по искусственному интеллекту. Примеры, которые я приведу в статье, — в подавляющем большинстве случаев либо проекты, которые мы внедряли, либо проекты, которые мы разрабатываем в данный момент. В меньшем числе случаев это будут проекты, обсуждаемые с компаниями в режиме консультаций, но не внедрённые непосредственно нами.

Работа с временными рядами в целом похожа на работу с табличными данными, но отличие в том, что данные упорядочены по времени, а основная задача – предсказание, прогнозирование. Например, есть временной ряд инцидентов на заводах компании, и надо спрогнозировать количество инцидентов на квартал вперед. Также прогнозируется нагрузка на серверы компании, количество переходов на сайт компании, количество поломок оборудования — есть временной ряд количества его поломок по неделям (если компания крупная), и мы хотим на 4 недели вперед предсказать объем поломок оборудования.

Более конкретные классификации включают роботов повышенной опасности, обычных роботов и интеллектуальных роботов; аналогичная классификация существует и для ИИ: эвристические поисковые системы, включая системы, основанные на знаниях, искусственные нейронные сети и генетические алгоритмы. Классификация ИИ также включает в себя разграничение на слабый (прикладной) и сильный ИИ. Сильный ИИ обладает способностью к свободному мышлению и самосознанию, в то время как слабый ИИ ограничен узкими областями применения, но может превосходить возможности человека в этих областях3.