Full Text

Своим появлением в Перми искусственный интеллект обязан организатору и научному руководителю первого в Перми вычислительного центра, созданного на базе Пермского государственного университета (позднее переименованного в ПГНИУ), основателю кафедры прикладной математики Юрию Владимировичу Девингталю (рис. 1). В вычислительном центре им была сформирована исследовательская группа, занимавшаяся распознаванием образов. Его работы 1968-1976 гг. [16, 17] положили начало пермским исследованиям в области искусственного интеллекта. В 1973 г. Л.Н. Ясницкий [78] предложил оригинальный метод точного аналитического решения краевых задач теории гармонических функций и линейной теории упругости, впоследствии названный методом фиктивных канонических областей (ФКО) [72, 75, 87, 103-105]. Для реализации метода ФКО была создана интеллектуальная система, моделирующая знания, интуицию и опыт классических математиков XIX-XX вв. [7, 56, 57, 62, 86, 88]. Развитию метода ФКО и его применению посвящена защищенная в 2006 г. кандидатская диссертация С.Л. Гладкого [5]. Его программа REGIONS (http://inec.pspu.ru/regions/) является уникальной, не имеющей аналогов экспертной системой, успешно примененной для прочностных расчетов и проектирования инженерных конструкций ответственного назначения [6, 7-12, 18, 23, 26, 42, 67, 71, 72, 77]. В 2001 г. вышла в свет книга Л.Н. Ясницкого «Введение в искусственный интеллект» [56], посвященная памяти Юрия Владимировича Девингталя. Книга является учебно-методическим пособием и охватывает широкий круг вопросов - от проблем творчества, сочинения стихов и музыкальных произведений до решения краевых задач математической физики. Впоследствии книга стала достаточно популярной, и, по данным eLIBRARY, на три ее последних издания [57] зафиксировано более 300 цитирований. В 2001 г. начинается проект создания нейросетевой системы диагностики авиационных двигателей. Работа выполняется в сотрудничестве с ОАО «Авиадвигатель». В ПГНИУ поставляются сведения о дефектах, обнаруженных при исследовании двигателей, прибывших в ремонт, а также комплекс полетных параметров, характеризующих работу двигателя за время эксплуатации на самолете. Таким образом, формируются обучающие и тестирующие множества примеров, создается нейронная сеть, на вход которой подаются параметры двигателя в полете, а с выхода снимаются сведения о его дефектах (рис. 2). Рис. 2. Принципиальная схема нейросетевой системы диагностики авиационных двигателей Нейронная сеть обучается и проходит тестовые испытания на примерах, которых не было в обучающем множестве. Устраиваются дополнительные проверки. Ученым предоставляется комплекс полетных параметров авиадвигателя без указания сведений о его дефектах. Параметры подаются на вход нейронной сети, и она ставит диагнозы, которые сравниваются с результатами заводских исследований, полученными при разборке двигателя [29]. По одному из двигателей нейросеть ставит диагноз «Появление стружки в масле», совпадающий с результатами заводских исследований. Между тем экспертный анализ специалистов ОАО «Авиадвигатель» показал отсутствие изменения параметров двигателя (температура, давление и др.), которые могли бы быть вызваны появлением указанного дефекта. Следовательно, нейросеть, на вход которой подаются именно эти параметры двигателя, принципиально не должна ставить диагноз «стружка в масле». Но она его ставит, и оказывается права… Складывается впечатление, что нейронная сеть принимает правильные решения, используя информацию, недостаточную с точки зрения традиционной логики. В жизни это свойство мозга принято называть «интуицией», или «шестым чувством». В связи с этим в работе [57] высказывается мнение, что нейронная сеть, выполненная «по образу и подобию» мозга, унаследовала от своего прототипа и это замечательное свойство. Но специалисты ОАО «Авиадвигатель» предлагают более приземленные объяснения парадокса. По их мнению, нейросеть могла среагировать на изменения конфигурации деталей, вызванные загрязнением лопаток проточной части, приработкой деталей, или на совокупность изменений параметров внешних условий и соответствующих изменений параметров, характеризующих техническое состояние двигателя. Окончательно был сделан вывод о том, что нейросеть способна в неявном виде более точно определять индивидуальные характеристики двигателей, чем традиционные инженерные методы анализа параметров. Другой предполагаемой способностью нейросети является возможность выявления таких изменений параметров, которые не были предусмотрены специалистами при разработке традиционных алгоритмов диагностирования авиационных двигателей. Позднее не раз наблюдалось, как нейросети ставили правильные диагнозы и выполняли подтвердившиеся впоследствии прогнозы, объяснить которые в рамках традиционной логики было затруднительно, а термины «интуиция» и «шестое чувство нейронных сетей», впервые введенные в книге [57], стали употребляться многими авторами. В 2003 г. появляется идея создания нейросетевого детектора лжи. Главный полиграфолог Пермского края полковник Аскольд Маркович Петров проводит экскурсию для пермских ученых. Его полиграфный аппарат системы «Эпос-7» безошибочно уличает всех желающих его обмануть. Ученые выражают свое восхищение, но Аскольд Маркович возражает. Оказывается, три года назад с помощью детектора лжи им было раскрыто преступление, и за него был осужден человек. А совсем недавно с повинной явился настоящий преступник. Оказывается, штатный детектор лжи, применяемый в МВД России, может ошибаться. Причем, довольно часто. Согласно паспортным данным погрешность заключений полиграфного аппарата «Эпос-7» составляет 30 %. Низкая точность штатного детектора лжи обусловлена тем, что к разным людям, по-разному реагирующим на стрессовые ситуации, применяется одна и та же система решающих правил. Между тем известно, что у одних людей при ложном ответе дыхание учащается, а у других - наоборот, замедляется. Аналогично «ведут себя» артериальное давление, частота сердечных сокращений и т.д. Учесть это обстоятельство и создать интеллектуальную систему, которая бы настраивалась на каждого конкретного человека и учитывала индивидуальные особенности его организма, позволила нейронная сеть, спроектированная и обученная благодаря долгой и кропотливой работе коллектива сотрудников Управления внутренних дел (УВД) Пермского края, ПГГПУ и ПГНИУ [20, 37, 80, 81]. Наиболее результативной оказалась схема нейронной сети с комбинированным вводом параметров респондента, представленная на рис. 3 и защищенная в кандидатской диссертации З.И. Сичинавы. Данные об индивидуальных особенностях организма респондента в его нейронную сеть подавались с заранее составленной анкеты. Погрешность нейросетевого полиграфного аппарата в разных вариантах исполнения составила от 3,5 до 19,8 %, что значительно ниже погрешности штатных полиграфных аппаратов, применяемых в МВД и других госструктурах РФ. В 2005 г. это был первый в мире нейросетевой интеллектуальный детектор лжи [37]. Постепенно клеймо «лженауки» с искусственного интеллекта снимается не только на официальном уровне, а нейронные сети перестают называть «тупиковым научным направлением». Их включают в государственные образовательные стандарты вузов. В 2005 г. в ПГГПУ создается кафедра прикладной информатики, на базе которой открывается Пермское отделение Научного совета РАН по методологии искусственного интеллекта (www.PermAi.ru). В план его работы вошли темы, уже ставшие традиционными. Это разработка систем искусственного интеллекта для решения задач диагностики сложных технических устройств [29, 67, 68], систем медицинской диагностики человека [63-65, 100-102], систем прогнозирования фондовых рынков [41], систем прогнозирования расхода электрической и тепловой энергии предприятиями бюджетной сферы [2], моделирование творческого процесса математика-профессионала, выполняющего решение краевых задач [7, 56] и др. Рис. 3. Принципиальная схема нейросетевого детектора лжи [37] В 2007 г. в книге [67], а также в статьях [79, 90] были опубликованы результаты уникальной попытки применения аппарата нейросетевого моделирования в области политологии (рис. 4) - была спрогнозирована победа Д.А. Медведева за полтора года до президентских выборов 2008 г., когда его личность как политика еще была малоизвестна. В работах [79, 90], опубликованных в 2008 и 2010 гг., когда президент Д.А. Медведев был на вершине своей популярности, ему прогнозировалось снижение рейтинга (рис. 5, а), тогда как другому политику - В.В. Жириновскому - прогнозные кривые предсказали постепенный рост популярности (рис. 5, б), что и наблюдалось в последующие годы. В 2012 г. факультет государственного управления Московского государственного университета им. М.В. Ломоносова перепечатал методику и результаты сбывшихся политических прогнозов пермских ученых (см. рис. 4, 5) в качестве вводной статьи в своем сборнике научных трудов [91]. Рис. 4. Прогноз результатов голосований, опубликованный в [67] за полтора года до президентских выборов 2008 г. а б Рис. 5. Зависимость рейтинга Д.А. Медведева (a) и В.В. Жириновского (б) от их возраста. Опубликовано в 2008 г. [79, 90] В 2013 г. закончился финансированный Правительством Пермского края и Группой компаний ИВС проект создания медицинской диагностической системы, выполняемый совместно с ПГМУ имени академика Е.А. Вагнера. Обученная на тысячах данных о реальных кардиологических больных, нейронная сеть с достаточно высокой точностью ставит диагнозы наиболее распространенных заболеваний сердечно-сосудистой системы [64]. Применение компьютерной диагностической системы на сегодняшний день наиболее актуально в отдаленных селах, где отсутствуют высококвалифицированные специалисты и медицинское оборудование. Кроме того, по мнению авторитетных врачей-кардиологов, выявленные в результате исследования нейросетевой системы новые медицинские знания имеют как научное, так и практическое значение [63-65, 100-102]. К этому следует добавить, что в мире сейчас существуют сотни нейросетевых систем медицинской диагностики, однако только система, разработанная пермскими учеными, помимо диагностики, умеет выполнять долгосрочное прогнозирование развития заболеваний на 5, 10 и 15 лет вперед, а также управлять этими прогнозами - подбирать оптимальный образ жизни и схему лечения больных, желающих улучшить свои прогнозные показатели здоровья. В 2014 г. защищает докторскую диссертацию А.Л. Гусев. С помощью Нейропакета [33] и оригинальной методики функциональной предобработки входных сигналов [15] ему удалось разработать и внедрить меры по оптимизации деятельности Роспотребадзора в области гигиенической безопасности населения некоторых регионов РФ [61, 66]. Пионерскими можно назвать работы, посвященные применению нейросетевых технологий для моделирования успеваемости студентов [38] и их будущей успешности [73], что позволяет оптимизировать траектории обучения студентов. Пермскими учеными реализованы десятки проектов в самых различных областях. Результаты некоторых проектов, хотя и были в свое время опубликованы в научных журналах, выглядели весьма необычными и даже вызывали сомнения. Теперь же их можно считать признанными научной общественностью, а прогнозы, выполненные с помощью интеллектуальных систем, подтвердились произошедшими событиями либо выполненными экспериментами. Результаты некоторых проектов получили внедрение. Однако большинство из них являются инициативными, доведены только до демонстрационных прототипов и ждут своих потребителей. Это проекты создания интеллектуальных систем, позволяющих выявлять способности людей, например способности к руководящей деятельности, к занятиям наукой и бизнесом [68, 82]. Такие программы способны также выявлять склонность человека к воровству, алкоголизму, наркомании [60], депрессии [31], к насилию и серийным убийствам [55] и т.п. В отличие от широко применяемых психологических тестов, эти программы, в силу своей интеллектуальной базы, обучены на реальном жизненном опыте и используют выявленные из этого опыта закономерности, а потому объективны по своей природе и имеют более высокую точность. В свое время в средствах массовой информации были опубликованы результаты прогнозов, полученных пермскими учеными относительно Олимпиады-2014 (www.perm.aif.ru/society/people/1034930). Были также опубликованы [58] полученные в результате исследования математических моделей рекомендации по корректировке системы подготовки спортсменов, которые были доведены до сведения и учтены некоторыми российскими тренерами, например известным тренером по фигурному катанию на коньках А.Н. Мишиным: http://www.poisknews.ru/theme/infosphere/8916/. По этому поводу следует заметить, что спортивная тема в работах пермских ученых является сравнительно новой и выполняется пока как инициативная, без финансовой поддержки, причем главным образом силами студентов пермских вузов. И то, что опубликовано в СМИ, - это лишь небольшая часть всего, что можно сделать в области спортивной науки с помощью разработанных интеллектуальных инструментов. Наиболее адекватные математические модели удалось получить для одиночных видов спорта, например для фигурного катания, легкой атлетики [58, 70]. Такие модели можно использовать не только для прогнозов результатов будущих состязаний, но и для оптимизации программ подготовки спортсменов, обеспечивающих их наилучшие результаты. Также могут быть получены рекомендации по улучшению результативности спортивных команд [51]. Отметим, что нейросетевыми технологиями в настоящее время активно овладевают многие научные коллективы как в России, так и за рубежом. Однако теоретическая база этих технологий пока что развита очень слабо, поэтому успех создания качественных нейросетевых математических моделей во многом зависит от опыта и интуиции их создателей. Каждая научная школа имеет свою историю, традиции, свои собственные наработки, методы, опыт, ноу-хау. Пермское отделение Научного совета РАН в этом смысле не является исключением. Его опыт, наработки и инструменты могут быть применены для создания интеллектуальных систем, предназначенных для оптимизации подготовки спортсменов, для разработки рекомендаций, учитывающих их индивидуальные параметры и особенности, которые человеческому глазу не заметны. Необходимо отметить, что в Перми выполняются теоретические исследования, направленные на познание самой природы человеческого мышления с целью развития методологической и инструментальной баз искусственного интеллекта. Так, в работе [32] предложена модификация генетического алгоритма, расширяющая дарвиновское учение путем добавления факторов, действующих в социальной сфере, - самосовершенствование особей. В работе [43] предложен нейросетевой алгоритм выявления выбросов статистической информации. В работе [22] рассмотрены вопросы выбора оптимального количества обучающих примеров в задачах распознавания образов. В работах [13, 14] предложен метод повышения точности нейросетевых моделей путем удаления примеров из обучающего множества, выпадающих из общей закономерности. В работе [57] введено понятие и продемонстрировано на примере проявление свойства интуиции нейронных сетей. В Перми созданы основы теории эмоциональных роботов [34-36]. Предпринимаются попытки решения проблемы невербальности нейронных сетей [46], исследования границ их применимости [44], делаются прогнозы и обсуждаются вопросы прогнозирования будущего искусственного интеллекта [67, 83]. Делаются доклады и публикуются статьи, защищающие приоритет советской и российской науки в области искусственного интеллекта [59, 76]. Со временем проект создания научной школы искусственного интеллекта в Перми стал по-настоящему межвузовским и междисциплинарным. В его выполнение были вовлечены практически все пермские вузы и многие IT-фирмы, среди которых Российский государственный университет туризма и сервиса, Пермский государственный медицинский университет имени академика Е.А. Вагнера, Национальный исследовательский университет «Высшая школа экономики», Группа компаний «Информационно-вычислительные системы», Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения, Пермский национальный исследовательский политехнический университет. Например, можно отметить научные разработки в области теории искусственного интеллекта и его приложений, которые ведутся с 2010 г. на кафедре «Вычислительная математика и механика» ПНИПУ под руководством профессоров В.Ю. Столбова, М.Б. Гитмана и доцента А.В. Клюева. Здесь следует отметить работы, посвященные применению методов компьютерного зрения для решения задач сегментации сложных объектов по их цифровым фотографиям. Разработаны алгоритмы визуализации границ зерен, применяемые при решении задач сегментации сложных зеренных структур металлических сплавов и идентификации их параметров. Для вычисления градиента яркости в изображении при нахождении границ используется нелинейный оператор, который по сравнению с линейными методами проявляет низкую чувствительность к шуму, что позволяет добиться наилучшей точности и производительности обработки фотографий микрошлифов [28, 47-50, 98, 99]. Предложен гибридный метод распознавания контуров на DICOM-изображении, включающий три основных этапа: размытие, выделение границ и сохранение границ. Данный подход был использован при решении задачи выделения границ печени человека, где условия работы были наиболее сложными ввиду наличия малоразличимых градаций серого на снимках и сильной неоднородности границ контуров распознаваемых объектов. Хотя многие известные методы выделения границ основываются на вычислении градиента изображения, они отличаются типами фильтров, применяемых для вычисления градиентов в различном направлении. Предлагаемый авторами подход использует несколько уже существующих методов выделения границ с определенными параметрами поиска контуров для достижения более точного результата распознавания DICOM-изображения [24, 25]. При этом обоснована наилучшая комбинация применяемых методов для решения задачи распознавания контура печени человека по DICOM-изображению. В последние годы сотрудниками кафедры разрабатываются алгоритмы решения интеллектуальных задач на основе нейросетевых технологий. Предложены алгоритмы решения задач сегментации и классификации сложных объектов с помощью сверточных нейросетей глубокого обучения. Рассмотрены вопросы влияния данных обучающего множества на точность решения задач, исследованы различные архитектуры нейросетей и их возможности при решении задач в различных предметных областях [22, 40, 96, 97]. Отдельно можно рассмотреть работы сотрудников кафедры, посвященные методам решения интеллектуальных задач в области управления сложными социально-техническими системами. Предложены методы комплексного оценивания эксплуатационных свойств функциональных материалов на основе теории нечетких множеств [27, 94, 95] и принятия коллективных решений в условиях неопределенности в производственных системах [3, 4]. Разработаны экспертные системы поддержки принятия решений в образовательных системах, основанные на мультиагентных технологиях [19] и генетических алгоритмах [45], а также при оценивании инновационных проектов на основе фреймовой модели представления знаний [95]. Из приведенных примеров видно разнообразие практических применений методов искусственного интеллекта и широкое взаимодействие пермских ученых. Благодаря такому сотрудничеству представители пермской научной школы искусственного интеллекта имеют определенный приоритет. Они в числе первых продемонстрировали возможности применения методов искусственного интеллекта в таких областях, как промышленность, экономика, политология, психология, педагогика, гигиена, спорт, криминалистика, экология, медицина. Конкретно, представители пермской научной школы искусственного интеллекта: - первыми применили методы искусственного интеллекта для решения краевых задач математической физики, выполнив прочностные расчеты ряда инженерных конструкций ответственного назначения (промышленность, 1973 г.) [56, 75, 77, 78]; - первыми показали возможность применения нейронных сетей для диагностики авиационных двигателей, продемонстрировав свойство интуиции нейронных сетей (промышленность, психология, 2005 г.) [57, 68]; - первыми создали нейросетевую систему оценки стоимости городских квартир и показали эффективность нейросетевых технологий для анализа рынка недвижимости (экономика, 2008 г.) [53], в том числе с учетом меняющихся макроэкономических факторов (экономика, 2017 г. [1, 92, 93]; - первыми применили аппарат нейросетевого моделирования для прогнозирования и предотвращения банкротства российских банков (экономика, бизнес, 2014 г.) [74]; - первыми создали нейросетевую систему выявления предрасположенности подростков к наркомании, способную давать рекомендации по снижению этой зависимости (психология, 2015 г.) [60]; - первыми показали возможность применения нейросетей в следственной практике для выявления серийных маньяков-убийц (криминалистика, 2015 г.) [55]; - первыми показали возможность применения нейросетей для прогнозирования результатов спортивных состязаний и разработки рекомендаций по улучшению показателей спортсменов и спортивных команд (спорт, 2014 г.) [51, 58, 70]; - первыми создали нейросетевой детектор лжи и показали его эффективность (психология, криминалистика, 2010 г.) [80, 81, 84, 85]; - первыми создали и внедрили интеллектуальную систему оценки акмеологического потенциала студентов, способную прогнозировать их будущую успешность и подбирать наиболее оптимальные траектории обучения (психология, педагогика, 2014 г.) [74]; - первыми создали основы математической теории эмоциональных роботов (психология, кибернетика, 2009 г.) [34-36]; - первыми создали интеллектуальную медицинскую систему, способную не только ставить диагнозы заболеваний, но и прогнозировать их появление и развитие во времени, а также подбирать оптимальные курсы лечения и профилактики заболеваний (медицина, 2005 г.) [57, 63-65, 100-102]; - первыми создали и внедрили в инструктивные материалы Роспотребназдора интеллектуальную систему, позволяющую воздействовать на здоровье населения России посредством влияния на экологическую обстановку ее регионов (экология, гигиена, здравоохранение, 2010 г.) [61, 66]; - первыми применили нейронные сети для прогнозирования результатов голосований и разработки рекомендаций по улучшению рейтинга политических деятелей (политология, 2008 г.) [79, 90]; - одними из первых применили нейронные сети для прогнозирования и оптимизации кассовых сборов кинофильмов (кинематография, бизнес, 2017 г.) [52]. - одними из первых применили нейронные сети для распознавания старопечатных текстов (лингвистика, 2011 г.) [30]; - первыми применили нейронные сети для выявления способностей человека к бизнесу [82], к руководящей и научной деятельности [68] и показали возможность разработки на этой основе рекомендаций по усилению этих способностей (психология, 2010 г.); - первыми показали возможность применения нейронных сетей для подбора наиболее подходящих для клиента туристических маршрутов (туризм, 2010 г.) [54]; - одними из первых применили методы компьютерного зрения и нейронные сети для распознавания и классификации сложных зеренно-фазовых структур металлических материалов (материаловедение, 2014 г.) [48, 49] и т.д. Многие из вышеназванных тем в наше время уже не кажутся новыми. Они активно изучаются и развиваются другими исследователями. Немалый прогресс пермскими учеными достигнут в разработке методики преподавания искусственного интеллекта в системе высшего образования. До 2000 г. из всех пермских вузов искусственный интеллект преподавался только в одном - на механико-математическом факультете Пермского государственного университета. Теперь методы построения интеллектуальных информационных систем изучаются практически во всех пермских вузах. Разработан лабораторный практикум (www.PermAi.ru), выпущены учебные пособия и учебники [57, 68], которыми пользуются студенты и преподаватели во многих городах России. Цель одного из последних пермских проектов - сделать изучение искусственного интеллекта доступным не только для студентов, но и для школьников [39]. С этой целью совместно с Издательством «БИНОМ. Лаборатория знаний» (Москва) создан элективный учебно-методический комплекс (http://gazeta.lbz.ru/2012/1/1nomer.pdf), предназначенный для преподавания искусственного интеллекта в старших классах общеобразовательных школ [69, 89]. Много делается в Пермских вузах для привлечения талантливой молодежи, желающей заниматься исследованиями в области искусственного интеллекта. Открываются новые образовательные программы в рамках магистратуры и аспирантуры, а в 2018 г. в ПНИПУ открыт диссертационный совет по специальностям: 05.13.01 - Системный анализ, управление и обработка информации; 05.13.10 - Управление в социальных и экономических системах. Совет ориентируется на кандидатские и докторские диссертации, преимущественно направленные на развитие и применение методов искусственного интеллекта.

About the authors

L. N Yasnitsky

Perm State University

References

Statistics

Views

Abstract - 103

PDF (Russian) - 38

Refbacks

• There are currently no refbacks.