SCI Библиотека

Статья предлагает читателю результаты обобщения практической деятельности компаний по разработке и/или внедрению технологий искусственного интеллекта (далее - ИИ), а также компаний-пользователей этих технологий - какие сценарии применения технологий ИИ существуют и в каких отраслях, с какими проблемами сталкиваются организации, внедряющие ИИ, как видится решение этих проблем экспертным сообществом сферы искусственного интеллекта и что предлагается со стороны государства. В части государственной политики в отношении развития искусственного интеллекта статья содержит сведения о факторах, закладываемых в актуализируемую национальную стратегию развития ИИ, отражает связь технологий ИИ и государственного суверенитета, показывает воздействие искусственного интеллекта на конкурентоспособность компании и творческие способности человека. Также в статье приведены основные поручения руководства Российской Федерации по развитию искусственного интеллекта, некоторые статистические данные по использованию ИИ в отраслях экономики и секторах социальной сферы, обозначены меры поддержки разработчиков и «внедренцев» технологий искусственного интеллекта, предлагаемые институтами развития в рамках федерального проекта «Искусственный интеллект» национальной программы «Цифровая экономика Российской Федерации». Много внимания в статье уделяется вопросу кадрового обеспечения ИИ-сферы - какие специалисты нужны компаниями, каков должен быть их уровень подготовки и что они должны уметь делать, какие требования предъявляются к преподавателям ИИ, что спрашивают компании-лидеры у соискателей на собеседовании и какова траектория «выращивания» талантов в сфере искусственного интеллекта. В заключительной части статьи даются рекомендации нынешним студентам по подготовке к повсеместному использованию технологий искусственного интеллекта.

До настоящего времени ни в академических кругах, ни в медицинском и ИТ сообществах не сформировано единого мнения, какой должна быть архитектура медицинской экосистемы. В связи с ориентированностью медицинских экосистем, в отличие от иных бизнес-экосистем, в первую очередь на удовлетворение потребностей пациентов в здоровье-сбережении, а также в связи с постоянными изменениями в мире ИТ и современном бизнесе, работа по согласованию бизнеса и ИТ в интересах пациентов в медицинской экосистеме приобретает особое значение. Предлагается использовать подход, основанный на концепции архитектуры предприятия (АП), которая уже в течение достаточно длительного времени использовалась для разработки информационных систем, в сочетании с подходом, основанном на управлении ИТ-сервисами. В данной статье при- водится обоснование использования концепции АП совместно с управлением ИТ-сервисами для согласования потребности бизнеса и информационных технологий при разработке архитектуры медицинской экосистемы. Цель данной статьи – дать общее представление об использовании АП для решения проблем совместного создания ценностей в рамках медицинской экосистемы средствами информационных технологий. Также в статье представлен фреймворк TOGAF как один из наиболее перспективных общих фреймворков для разработки архитектуры медицинской экосистемы. В качестве экосистемного продукта описан массив медицинских услуг экосистемы, также описаны основные артефакты и система управления экосистемы. Настоящая статья может стать отправной точкой для разработки архитектуры медицинской экосистемы с использованием существующих архитектурных фреймворков или для разработки специализированных фреймворков для применения в этой области.

Усилия медицины постепенно смещаются от борьбы с конкретным заболеванием к обеспечению индивидуального благополучия пациентов с одновременным ростом информационной емкости медицины. Информационно-коммуникационные технологии рассматриваются как ключевой фактор любой стратегии повышения качества и экономической эффективности медицинской помощи. Развитие систем электронных медицинских карт, интеллектуального здравоохранения, мобильной медицины, искусственного интеллекта открыли новые возможности для сотрудничества и взаимодействия между поставщиками медицинских услуг и пациентами в рамках цифровой экосистемы медицинской помощи, стимулируя технологические инновации. Медицинская экосистема призвана реализовать системный подход к обработке клинических данных, как основы повышения эффективности медицинской помощи за счет цифровой трансформации сквозных медицинских технологических процессов. Она сфокусирована на интеграции работы разных поставщиков и потребителей медицинской помощи, обмене между ними данными и информацией для оказания комплексной медицинской помощи пациентам некоторого объединения МО. Медицинские экосистемы рассматриваются как системы, которые фокусируются на данных и генерировании новых знаний о здоровье сбережении, то есть как открытые и слабосвязанные системы, которые позволяют участникам использовать полученные знания по-своему, например, в отдельных экосистемах МО участников.

Цифровая трансформация здравоохранения происходит в фарватере цифровой экономики. Мы имеем дело с трансфером инновационных решений бизнес-экосистем в медицину, что предполагает необходимость учета особенностей предметной области. Ключевой технологией цифровой трансформации медицины вслед за многими отраслями экономики считается метод цифрового двойника, применение которого невозможно без использования и развития других экосистемных технологий: ЭМК, аналитики больших данных, ИИ, интернета вещей и блокчейна. Эффективная и всеобъемлющая реализация концепции цифровых двойников для такой предметной области, как медицина, возможна, если решена проблема объединения по- ставщиков и потребителей медицинской помощи в цифровую медицинскую экосистему, способную предоставить целостные и однородные первичные данные.

Реализация концепции совместного управления здоровьем пациента в рамках цифровых экосистем медицинской помощи сталкивается с препятствиями, в первую очередь, из-за сложных проблем, связанных с интероперабельностью, конфиденциальностью, безопасностью и эффективным управлением данными. Решение возможных проблем находится в обеспечении приоритета научных исследований для усиления объективизации выбора экосистемных технологий и определения этапности в достижении поставленных целей. Развитие экосистемы необходимо рассматривать в виде строительных блоков, которые со временем накладываются один на другой. Первые, нижние блоки призваны расширить возможности имеющихся технологий, а более поздние потребуют специальных исследований в области информационных технологий в широком смысле, а также медицинской информатики, в частности. Необходимы и упреждающие изменения в регулировании отрасли с учетом вызовов цифровой экономики и динамики изменений в социальной сфере.

Введение. В статье обращается внимание на важность и перспективы использования искусственного интеллекта (далее - ИИ) в предиктивной аналитике в контексте уголовного правосудия. Это обусловлено значительным развитием технологий ИИ и машинного обучения, что находит применение во множестве сфер, включая уголовное судопроизводство.

Авторы подробно излагают теоретические и практические аспекты предиктивной аналитики, которая позволяет на основе статистических данных и алгоритмов машинного обучения прогнозировать будущие события. Отдельное внимание уделяется различию между ИИ и предиктивной аналитикой. Освещаются вопросы эффективности применения предиктивной аналитики в уголовном правосудии, включая оптимизацию предварительного расследования, улучшение уголовного преследования и прогнозирование результатов рассмотрения уголовных дел.

Методы. Основу методологии исследования составляют диалектический материализм, применяемые общенаучные (системно-структурный и формально-логический, индуктивный и дедуктивный, анализ и синтез) и специальные (формально-юридический, сравнительно-правовой) методы.

Результаты. Авторами делается вывод, что ИИ охватывает более широкий спектр задач, требующих человеческого интеллекта, в то время как предиктивная аналитика концентрируется на создании предсказаний. Описываются передовые технологии, которые уже активно используются в различных странах и позволяют улучшать и оптимизировать распределение ресурсов правоохранительных и судебных органов.

Рассматривается перспектива интеграции технологий виртуальной и расширенной реальности в уголовное правосудие, что может радикально изменить подходы к предиктивной аналитике и уголовному процессу в целом, обогащая визуализацию и интерактивное взаимодействие между участниками правоотношений.

В данной статье рассмотрены особенности интеграции технологий искусственного интеллекта в правовое пространство Российской Федерации. Осуществлен анализ рисков и достоинств данного процесса в контексте обеспечения национальной безопасности государства в период вооруженных конфликтов. Рассмотрены принципы развития и использования искусственного интеллекта.

В этой статье мы исследуем возможности чат-бота с генеративным искусственным интеллектом ChatGPT для преподавания английского языка для специальных целей. В дополнение к этому мы также рассматриваем возможные проблемы, связанные с использованием ChatGPT.

Цель: провести сравнительный анализ точности подбора интраокулярных линз (ИОЛ) у пациентов с длиной глаза менее 22,0 мм по формулам Barrett Universal II, Kane, Hoffer Q и при применении искусственного интеллекта (ИИ). Материал и методы. Проанализированы результаты 88 операций факоэмульсификациикатаракты с имплантацией монофокальных ИОЛ. Предоперационная биометрия и расчеты ИОЛ выполненына IOL Master 700 (Zеiss, Германия). Точность подбора ИОЛ определяли также по программе LensCalc, работающей на основе ИИ, представляющего собой четыре модели нейросетей типа DecisionTreeClassifier (классификатор - Дерево принятия решений).
Результаты. Аксиальная длина глаз у пациентов была от 19,8 до 22,0 мм.Прогноз попадания в целевую рефракцию был наиболее точным при использовании формул Barrett Universal IIв отличие от Hoffer Q (Z= 2,12; p=0,034). Средняя величина ошибки попадания в целевую рефракцию при применении формулы Barrett Universal II не отличалась от формулы Kane (р>0,05). Посредством ИИ определено,что более высокая точность в результатах определения оптической силы ИОЛ достигалась при примененииформулы Barrett Universal II.
Заключение. На основании сравнительного анализа результатов исследованияи оценки точности подбора ИОЛ с помощью ИИ установлено, что формула Barrett Universal II (4-е поколение)более точна в определении оптической силы ИОЛ на «коротких» глазах, чем формула Hoffer Q (3-е поколение).Полученные результаты при использовании формулы Barrett Universal II по сравнению с формулой Hoffer Qне отличаются от данных, рассчитанных по формуле Kane (5-е поколение), которая является наиболее точнойформулой подбора ИОЛ в настоящее время.

В книге представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию искусственного интеллекта как науки проектирования рациональных агентов. Теоретическое описание иллюстрируется многочисленными алгоритмами, реализации которых в виде готовых программ на нескольких языках программирования находятся на сопровождающем книгу Web-узле.

Книга предназначена для использования в базовом университетском курсе или в последовательности курсов по специальности. Применима в качестве основного справочника для аспирантов, специализирующихся в области искусственного интеллекта, а также будет небезынтересна профессионалам, желающим выйти за пределы избранной ими специальности. Благодаря кристальной ясности и наглядности изложения вполне может быть отнесена к лучшим образцам научно-популярной литературы.

Книга посвящена фундаментальным проблемам создания искусственного интеллекта и существующими подходами к их решению. В ней рассматриваются задачи распознавания образов, машинного доказательства теорем, восприятия машиной окружающего физического мира и, наконец, понимание машиной естественного языка.

Особое внимание уделяется основным идеям и принципам искусственного интеллекта.

Описаны фундаментальные вопросы из области искусственного интеллекта, лежащие в основе многих приложений к обработке естественного языка, автоматическому программированию, «интеллектуальным» системам извлечения информации, экспертным системам и планированию действий. Показано, что большинство современных систем искусственного интеллекта (ИИ) может быть описано в виде глобальной базы данных, к которой применяются правила продукций под контролем некоторой управляющей системы.

Выделение базы данных, правил продукций и блока управления в системе ИИ дает возможность изучения разнообразных механизмов использования в вычислительном процессе дополнительной информации о предметной области, обеспечивающих в конечном счете эффективное решение задач реальной сложности. Приводятся многочисленные примеры и программы, поясняющие и детализирующие общий подход к максимальному использованию знаний при решении задач.

Автор книги — известный американский ученый, руководитель работ по искусственному интеллекту в Станфордском исследовательском институте, разработчик системы STRIPS, предназначенной для управления автономным роботом.