18. ИИ в информационных системах и средах

1.

2.

Искусственный интеллект
Искусственный интеллект (ИИ) — это направление информатики,
занимающееся созданием интеллектуальных агентов, способных воспринимать
окружающую среду и предпринимать действия, направленные на достижение
поставленных целей.
Сегодня ИИ активно применяется в различных областях человеческой
деятельности, включая обработку информации, принятие решений, диагностику
заболеваний, распознавание образов и многое другое.

3.

Искусственный интеллект
Традиционные информационные системы ориентированы на выполнение
конкретных задач по четким правилам и алгоритмам. Однако реальные
ситуации часто оказываются сложнее и менее предсказуемы. Например, нужно
учитывать нюансы человеческого языка, неопределенность ситуаций,
необходимость быстрого реагирования на нестандартные события.
Именно здесь проявляется преимущество искусственного интеллекта,
способного справляться с подобными задачами благодаря следующим
свойствам:
• Способность обрабатывать огромные объемы разнородных данных (Big
Data);
• Возможность находить скрытые закономерности и строить прогнозы на
основе накопленной информации;
• Умение понимать естественный язык и отвечать на сложные вопросы,
интерпретируя человеческую речь;
• Адекватное реагирование на изменение условий и обстановки;
• Быстрое принятие решений в условиях неполной или недостоверной
информации.

4.

Искусственный интеллект
Рассмотрим конкретные примеры использования искусственного интеллекта в
различных типах информационных систем:
1. Корпоративные информационные системы (CRM, ERP)
Здесь ИИ позволяет существенно улучшить клиентскую поддержку,
оптимизировать цепочки поставок и эффективно управлять ресурсами.
Например:
• Использование рекомендаций товаров клиентам на основе истории покупок
(AI-powered recommendation systems);
• Предсказания спроса на продукцию и своевременное пополнение запасов;
• Автоматическое составление отчетов и аналитических материалов на основе
собранных данных.

5.

Искусственный интеллект
2. Системы медицинского назначения
Медицинская отрасль стала одной из первых сфер, где начали массово
применять ИИ. Благодаря искусственному интеллекту удается ускорить
диагностику заболеваний, снизить вероятность ошибок врачей и
оптимизировать уход за пациентами:
• Распознавание признаков рака кожи на снимках дерматоскопии;
• Определение ранних стадий диабета и сердечно-сосудистых заболеваний по
результатам анализов крови;
• Предоставление персонализированных рекомендаций пациентам по образу
жизни и лечению.

6.

Искусственный интеллект
3. Финансовые и банковские системы
В финансовом секторе ИИ играет важную роль в защите от мошенничества,
выявлении подозрительных транзакций и принятии инвестиционных решений:
• Автоматическое обнаружение сомнительных платежей и предупреждения
клиентов о возможных попытках кражи средств;
• Рекомендательные системы для выбора кредитных продуктов или страховых
полисов, учитывающие индивидуальные предпочтения клиента;
• Выявление рисков дефолта компаний и индивидуальных заемщиков.

7.

Искусственный интеллект
4. Государственные информационные системы
При помощи ИИ государственные органы улучшают предоставление
электронных услуг гражданам, повышают точность анализа социальной
ситуации и быстрее реагируют на чрезвычайные происшествия:
• Оценка заявок на пособия и льготы на основе социального профиля
гражданина;
• Мониторинг общественного мнения через соцсети и форумах для раннего
обнаружения кризисных явлений;
• Быстрая идентификация нарушителей правопорядка по изображениям камер
видеонаблюдения.

8.

Искусственный интеллект
5. Транспортные системы
Развитие беспилотных автомобилей, поездов и самолетов невозможно
представить без активного участия искусственного интеллекта:
• Навигация транспортного средства на основе спутниковых данных и
дорожных знаков;
• Оптимизация маршрута движения для минимизации пробок и снижения
расхода топлива;
• Планирование перевозки пассажиров и грузов с учетом текущих погодных
условий и загруженности дорог.

9.

Цели ИИ
Цель искусственного интеллекта заключается в создании интеллектуальных
систем, способных решать задачи, традиционно выполняемые человеком. Это
включает в себя:
• Распознавание речи и письменного текста
• Прогнозирование поведения потребителей
• Диагностику заболеваний
• Автономное вождение автомобилей
• Анализ больших массивов данных

10.

Цели ИИ
Искусственный интеллект (ИИ) ставит перед собой амбициозные задачи,
направленные на создание интеллектуальных систем, способных действовать
подобно разумному существу.
Цель искусственного интеллекта заключается в проектировании таких систем,
которые могли бы воспроизводить когнитивные способности человека и даже
превосходить их в определенных ситуациях.

11.

Цели ИИ
1. Решение интеллектуальных задач аналогично человеку
Основной целью ИИ является воспроизведение человеческих способностей в
машинах. Сюда входят:
• Логическое мышление и умение рассуждать
• Решение абстрактных задач
• Интерпретация естественной речи и текстов
• Узнавание образов и предметов
• Понимание эмоциональных реакций и контекста общения

12.

Цели ИИ
2. Расширение возможностей человека
Ещё одна важная задача ИИ — усиление возможностей человека посредством
специализированных ассистентов и инструментальных систем. Этот подход
помогает людям:
• Увеличить производительность труда
• Освобождать работников от монотонной и утомительной работы
• Получать дополнительную информацию и анализировать большие объёмы
данных
• Совершенствовать качество обслуживания клиентов и пользователей

13.

Цели ИИ
3. Самообучаемость и постоянное совершенствование
Один из важнейших принципов ИИ — способность учиться на опыте.
Самоадаптирующиеся и самообучающиеся системы способны улучшать свою
функциональность и повышать эффективность работы без вмешательства
человека. Основные направления исследований в этой области:
• Машина учится самостоятельно, используя обучающие наборы данных
• Происходит автоматическое обновление моделей на основе обратной связи и
опыта эксплуатации
• Постоянное усовершенствование алгоритмов и моделей повышает точность
решений и уменьшает количество ошибок

14.

Цели ИИ
4. Преодоление ограничений традиционных информационных систем
Традиционные информационные системы ограничены фиксированными
правилами и алгоритмами, неспособны гибко реагировать на изменения
окружения. Поэтому важной задачей ИИ является преодоление этих
ограничений путём:
• Создания адаптивных систем, способных приспосабливаться к изменениям
условий
• Разработки алгоритмов, способных выбирать наилучшую стратегию
поведения в непредвиденных обстоятельствах
• Повышения устойчивости и надёжности автоматизированных систем

15.

Цели ИИ
5. Помощь в научных исследованиях и инновациях
Исследования в области искусственного интеллекта способствуют открытию
новых путей развития науки и технологий. ИИ позволяет:
• Автоматизировать научные эксперименты и анализ полученных данных
• Проводить численное моделирование физических и биологических
процессов
• Участвовать в открытии новых лекарственных препаратов и веществ
• Решать фундаментальные научные задачи, ранее считавшиеся
неразрешимыми

16.

Цели ИИ
6. Рационализация использования ресурсов
Одной из главных целей ИИ является рационализация потребления природных
и экономических ресурсов. Искусственный интеллект способен:
• Определять оптимальные маршруты доставки товаров и пассажиров
• Управлять энергосистемами городов и зданий
• Помогать фермерам рационально использовать удобрения и воду
• Сокращать издержки производства и транспортировки товаров

17.

Цели ИИ
7. Решение социальных и экологических проблем
Наконец, искусственный интеллект служит средством борьбы с социальными
проблемами и экологической деградацией. Среди значимых достижений:
• Создание экологически чистых производств и транспорта
• Минимизация воздействия на природу путём оптимального распределения
ресурсов
• Анализ климатических изменений и прогнозирование стихийных бедствий
• Оказание помощи в ликвидации последствий чрезвычайных ситуаций

18.

Компоненты ИИ
Искусственный интеллект (ИИ) — это сложная система, состоящая из
множества взаимодействующих компонентов, каждый из которых важен для
полноценного функционирования и выполнения задач.
1. Сенсорные компоненты (датчики)
Сенсорные компоненты отвечают за восприятие информации из внешнего мира.
Без правильного восприятия информации ни одна интеллектуальная система не
сможет адекватно функционировать.
Существуют два типа сенсорных компонентов:
Физические датчики: видеокамеры, микрофоны, температурные и
светочувствительные сенсоры, акселерометры и гироскопы. Они собирают
первичную информацию об окружении.
Логические датчики: обработка сигналов от физических датчиков и
формирование понятных машине представлений. Это включает в себя
предварительную обработку сигнала (например, выделение контуров на
изображении, фильтрация шума на аудиозаписи).
Пример: камера автомобиля собирает изображение дороги, которое затем
обрабатывается системой компьютерного зрения.

19.

Компоненты ИИ
2. Представление знаний
Одна из центральных задач ИИ — представление знаний таким образом, чтобы
они были доступными и полезными для системы.
Существует несколько уровней представления знаний:
Символьное представление: факты записываются в виде символов и
логических утверждений (например, «Москва — столица России»).
Семантические сети: отношения между объектами выражаются графами,
показывая взаимосвязи между сущностями.
Фреймы и сценарии: специальные структуры данных, предназначенные
для компактного и наглядного представления стереотипных ситуаций
(например, покупка товара в магазине).
Нейронные сети: позволяют представлять знания в виде весов связей
между элементами сети, формирующих шаблонные реакции на стимулы.
Пример: медицинская база знаний, содержащая симптомы болезней и
соответствующие диагнозы.

20.

Компоненты ИИ
3. Механизм вывода
Механизм вывода отвечает за принятие решений на основе представленных
знаний и поступившей информации.
Выделяют три основных вида механизмов вывода:
Инференциальные процедуры: формальное преобразование высказываний
и дедукция следствий из имеющейся информации.
Метод обратного распространения: используемый в нейронных сетях
метод коррекции весов нейронов на основе разницы между желаемым
результатом и действительным выходом.
Статистические методы: байесовский вывод, максимизация правдоподобия
и прочие методы статистической интерпретации данных.
Пример: медицинский экспертная система, использующая симптоматику
пациента и базу знаний для постановки диагноза.

21.

Компоненты ИИ
4. Элемент исполнительных функций
Исполнительные компоненты обеспечивают реализацию решений, принятых
механизмом вывода.
Обычно они подразделяются на:
Прямой исполнительный механизм: непосредственно влияет на
физическую реальность (например, двигает руку робота, выводит сообщение на
экран).
Регуляторные механизмы: поддерживают стабильность внутренних
параметров системы (например, регулируют температуру внутри помещения).
Коммуникативные модули: предоставляют информацию внешним
наблюдателям (например, отправляют уведомления пользователям).
Пример: автомобиль с автопилотом управляет движением, тормозит и ускоряет
машину в зависимости от дорожной ситуации.

22.

Компоненты ИИ
5. Процессоры информации
Процессоры информации занимаются обработкой данных, получаемых от
сенсоров и других источников.
Основными видами обработки информации являются:
Предварительная обработка: фильтрация шумов, устранение искажений и
приведение данных к стандартному виду.
Классификация и распознавание: определение типов объектов и событий
на основе известных характеристик.
Кластеризация: группировка схожих объектов в отдельные классы.
Ассоциативное обучение: установление корреляций между различными
признаками и действиями.
Пример: компьютерная программа, принимающая фотографии лиц и
сопоставляющая их с базой данных преступников.

23.

Компоненты ИИ
6. Методы самообучения
Одной из ключевых особенностей ИИ является способность к обучению.
Наиболее распространенными способами самообучения являются:
Машинное обучение: анализ исторических данных и выбор оптимальной
стратегии на основе найденных закономерностей.
Обучение с подкреплением: система получает положительные или
отрицательные сигналы ("награды") за принятые решения и постепенно
улучшает свою стратегию.
Активное обучение: активное привлечение дополнительной информации и
экспериментирование для уточнения гипотез.
Пример: шахматная программа AlphaZero, играющая сама против себя
миллионы партий, пока не достигнет высочайшего уровня мастерства.

24.

Инструменты создания ИИ
Современный искусственный интеллект создается с применением широкого
спектра инструментов и технологий, каждая из которых предназначена для
выполнения определенной задачи. Выбор подходящего инструмента зависит от
конкретной цели и характера разрабатываемой системы.

25.

Инструменты создания ИИ
1. Языки программирования
Основой любого ИИ-продукта является программный код, написанный на одном
или нескольких языках программирования.
Самые популярные языки для разработки ИИ включают:
• Python:
Простой и удобный язык с богатой экосистемой библиотек для машинного
обучения и анализа данных (NumPy, SciPy, TensorFlow, PyTorch). Используется
для быстрой разработки и тестирования моделей.
• Java:
Подходит для разработки промышленных систем, работающих с большими
объемами данных и высокими нагрузками. Часто применяется в корпоративных
решениях.
• R:
Специализированный язык для статистического анализа и визуализации данных.
Отлично подходит для исследовательской работы.
• Julia:
Новый высокоэффективный язык, подходящий для численных расчетов и
научных исследований.
• MATLAB/Octave:
Мощные инструменты для инженерных расчетов и научного программирования.

26.

Инструменты создания ИИ
2. Фреймворки и библиотеки
Создавая искусственный интеллект, разработчики используют готовые
фреймворки и библиотеки, облегчающие разработку и экономящие время.
Среди наиболее востребованных инструментов:
• TensorFlow:
Открытая библиотека от Google для создания глубоких нейронных сетей.
Позволяет легко создавать многослойные нейронные сети и запускать их на GPU.
• PyTorch:
Относительно молодой, но быстро развивающийся фреймворк от Facebook.
Особенно популярен среди исследователей благодаря своей простоте и удобной
поддержке динамических графов вычислений.
• Scikit-Learn:
Легкая в использовании библиотека для классического машинного обучения
(алгоритмы регрессии, классификации, кластеризации).
• Keras:
Высокоуровневый API для TensorFlow, упрощающий создание нейронных сетей
и глубокую настройку гиперпараметров.
• Theano:
Исторически важный инструмент для метричных вычислений и глубокого
обучения, однако сейчас теряет популярность из-за устаревшей архитектуры.

27.

Инструменты создания ИИ
3. Системы управления данными
Эффективная работа ИИ невозможна без надежных и мощных систем
управления данными.
Наибольшее распространение получили:
• MySQL / PostgreSQL:
Классические реляционные базы данных, подходящие для хранения
структурированной информации.
• MongoDB:
Неструктурированная база данных NoSQL, идеально подходящая для хранения
больших объемов данных в формате JSON.
• Redis:
Высокая скорость работы, поддержка очереди заданий и кеширования данных.
• Apache Cassandra:
Масштабируемая распределенная база данных для больших объемов данных.

28.

Инструменты создания ИИ
4. Сервисы для облаков и развертывания моделей
Современные ИИ-приложения зачастую работают в облачной среде, позволяя
масштабировать инфраструктуру и снижать затраты на оборудование.
Основные облачные провайдеры предлагают удобные инструменты для запуска и
поддержания моделей ИИ:
• Google Cloud Platform (GCP):
Служба AutoML, мощный инструментарий для работы с большими данными и
нейронными сетями.
• Amazon Web Services (AWS):
Сервис SageMaker, позволяющий создавать, обучать и разворачивать модели
машинного обучения.
• Microsoft Azure:
Высококачественные службы для обучения и развёртывания моделей,
интеграция с инструментами Microsoft.

29.

Инструменты создания ИИ
5. Визуализация и анализ данных
Важным этапом работы с ИИ является визуализация и анализ промежуточных и
конечных результатов.
Для этого существуют многочисленные инструменты:
• Matplotlib / Seaborn:
Универсальные библиотеки для визуализации данных на Python.
• Plotly:
Интерактивные графики, совместимые с веб-интерфейсами.
• Tableau:
Профессиональный инструмент для анализа и визуализации данных,
применяемый крупными компаниями.
• PowerBI:
Продукт от Microsoft для интерактивной отчетности и анализа данных.

30.

Инструменты создания ИИ
6. Генерация синтетических данных
Часто недостатком реальных данных является нехватка качественных примеров
для обучения.
Для решения этой проблемы создаются инструменты синтеза данных:
• Data Augmentation:
Изменение существующих данных (вращение, зеркальное отражение, наложение
шумов) для увеличения разнообразия набора данных.
• GAN (Generative Adversarial Networks):
Генератор создает новые образцы данных, которые неотличимы от настоящих.
• Synthetic Data Generation Tools:
Специальные инструменты, генерирующие искусственные данные для обучения
моделей (например, Imbalanced-learn).

31.

Инструменты создания ИИ
7. Инструменты предиктивной аналитики
Предиктивный анализ позволяет прогнозировать будущие события на основе
предыдущих наблюдений.
Основные инструменты включают:
• Prognos:
Сервис для предсказательной аналитики на основе временных рядов.
• Auto-sklearn:
Автоматизирует выбор лучшей модели и настройка гиперпараметров.
• Arima:
Стандартный метод для прогнозирования временных рядов.

32.

Инструменты создания ИИ
8. Полезные утилиты и вспомогательные инструменты
Помимо перечисленных выше категорий, существует ряд универсальных
инструментов, помогающих разработчикам ежедневно:
• Anaconda:
Бесплатная среда для работы с Python и пакетами данных.
• Jupyter Notebook:
Удобный инструмент для интерактивного программирования и
документирования экспериментов.
• Colaboratory:
Онлайн-версия Jupyter notebook, работающая прямо в браузере и
поддерживающая бесплатную обработку на GPU.
• Spyder / VSCode:
Интегрированные среды разработки для Python, поддерживающие
автодополнение, дебаггинг и статический анализ кода.

33.

Пример создания ИИ
Python стал языком номер один для разработки искусственного интеллекта
благодаря своему простому синтаксису, богатым библиотекам и активной
поддержке сообществом разработчиков. Далее представлен пример создания
простого ИИ через библиотеки.
1. Установка необходимых библиотек
Первым делом установите нужные пакеты для работы с искусственным
интеллектом. В примере будут использоваться библиотеки scikit-learn для
машинного обучения и pandas для работы с данными.

34.

Пример создания ИИ
2. Импорт нужных модулей
Теперь импорт необходимых модулей в скрипт:

35.

Пример создания ИИ
3. Подготовка данных
Для демонстрации можно добавить небольшой датасет. Предположим, мы хотим
спрогнозировать цену дома исходя из площади.

36.

Пример создания ИИ
4. Предварительная обработка данных
Перед началом обучения нужно разделить данные на обучающую и проверочную
части, а также нормализовать данные.

37.

Пример создания ИИ
5. Обучение модели
Далее создаем простую линейную регрессию и обучаем нашу модель на
обучающем наборе данных.
6. Прогнозирование и оценка модели
Проверим, насколько точно наша модель научилась предсказывать цены.
Эта ошибка показывает, насколько сильно наше предсказание отличается от
реальной цены. Чем меньше значение, тем точнее модель.

38.

Пример создания ИИ
7. Визуализация результатов
Посмотрим, как выглядит график наших данных и предсказанной линии.
Этот график покажет, насколько близко проходит линия регрессии относительно
фактических данных.
8. Упрощение и повторение цикла
Теперь у вас есть рабочий пример простого искусственного интеллекта на
Python. Если ваша модель недостаточно точна, попробуйте изменить гиперпараметры модели, добавить больше данных или попробовать другую модель.
Например, можно перейти от линейной регрессии к другим видам регрессии или
вообще использовать дерево решений, случайный лес или градиентный бустинг.

39.

Благодарю за внимание