Секция “Методологические аспекты прогнозирования “Елхова О. И., Кудряшев А. Ф.

Секция “Методологические аспекты прогнозирования “ Доклад: Особенности предвидения в эволюционной модели искусственного интеллекта Елхова О. И. УУНиТ, Уфа, Россия oxana-elkhova@; Кудряшев А. Ф. УУНиТ, Уфа, Россия philozof@ Диапазон задач научного предвидения в области ИИ простирается от определения учеными магистральных путей развития систем ИИ до передачи функций прогностической деятельности самим системам ИИ. Большинство исследователей считает, что предсказывать события относительно того, как в ближайшие 20 – 30 лет будет развиваться ИИ, не только чрезвычайно сложно, но и невозможно. Так, известный автор Р. Курцвейл полагает, что после года технологической сингулярности, определяемого им как 2045 год, прогнозировать что-либо в связи с ИИ станет практически невозможно. Почему, собственно говоря? Ведь системы ИИ конструируются с определенными целями и для выполнения определенных функций, т.е. разработчики систем ИИ знают, что делают и могут предвидеть многое из того, что получится у них в итоге. Поэтому мы придерживаемся иной точки зрения, отличной от мнения Курцвейля. В обоснование своей позиции мы рассматриваем эволюционную модель ИИ, в которой ИИ вписан в эволюционное развитие человеческой популяции. Как мы полагаем, эволюция является видом развития, в котором отдаленный итоговый результат скрыт от субъекта эволюционных изменений. Но он может быть предсказан тем субъектом, который планирует эти изменения, не будучи их непосредственным производителем. Конечно, задача планирования не из легких, тем более что в процессе эволюции из-за ее нелинейности обязательно будут скачки, т.е. разрывы непрерывных изменений с непредсказуемыми результатами. Что касается передачи функций предвидения ИИ, то в этом контексте предвидение означает способность алгоритма или модели прогнозировать будущие события или результаты на основе имеющихся данных. Это особенно важно в областях, таких как финансы, медицина, транспорт и многое другое, где принятие решений требует анализа будущих возможных исходов. Прогнозирование является одной из ключевых функций ИИ. Современные системы ИИ способны анализировать огромные массивы информации, чтобы выявить скрытые закономерности и тенденции, знание которых может быть применено для предвидения будущих событий. Использование больших данных позволяет ИИ создавать более точные прогнозы. Многие системы ИИ привлекают машинное обучение для предвидения. Модели машинного обучения формируются на основе предыдущих данных, причем как с учителем, так и без него, используя различные техники, такие как регрессия, классификация, кластеризация и глубокое обучение. Нейронные сети являются основными инструментами для предвидения в ИИ. Они способны обучаться на сложных и неструктурированных данных, таких как изображения или текст, и привлекать эти данные для создания точных прогнозов. Системы ИИ способны адаптироваться к новой информации и изменяющимся обстоятельствам. Они могут обновлять свои модели предвидения по мере получения новых данных, улучшая точность своих прогнозов с течением времени. Хотя ИИ способен делать прогнозы на основе данных, он также учитывает неопределенность, предоставляя не только прогноз, но и меру неопределенности, или доверительный интервал для этого прогноза. ИИ способен учитывать неопределенность прогнозирования при принятии решений, используя такие методы, как байесовский вывод или метод Монте-Карло. Принятие решений в реальном времени является критическим аспектом многих приложений ИИ. Это особенно важно в сферах, где задержка в принятии решений может привести к негативным последствиям (автономное вождение, кибербезопасность, медицина, финансы и т.п.). Ключевыми аспектами принятия решений ИИ в реальном времени являются: скорость и эффективность; адаптивность; обучение с подкреплением; автономность; принятие решений на основе данных.