Искусственный интеллект в государственном и муниципальном управлении. Учебное пособие

Елена Шевалдина

Учебное пособие «Искусственный интеллект в государственном и муниципальном управлении», подготовленное под редакцией Е. И. Шевалдиной, представляет собой актуальный и полезный ресурс для студентов и специалистов в области государственного управления. В условиях стремительного развития технологий ИИ, пособие охватывает ключевые аспекты использования этих технологий в государственных и муниципальных органах, что делает его особенно ценным для будущих профессионалов.

ГЛАВА 1. ЧТО ТАКОЕ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

1.1. Определение искусственного интеллекта

Существует несколько определений искусственного интеллекта. Правовое определение согласно «Национальной стратегии развития искусственного интеллекта на период до 2030 года» дано во введении. Более простым является определение, данное в Рувики: «Искусственный интеллект (англ. artificial intelligence; AI) — свойство искусственных интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека; наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ» [65].

Впервые термин «искусственный интеллект» был введен в доктринально-лексический оборот Джоном Маккарти в 1956 г. на первой научной конференции, посвященной вопросам интеллектуализации электронно-вычислительной техники», согласно мнению которого, он представлял собой «свойство роботов, компьютерных программ и систем решать задачи, формулировать выводы, принимать решения, выполняя творческие и интеллектуальные функции человека» [135].

ИИ является одним из самых перспективных направлений в области информационных технологий. Он может быть использован для создания систем, которые способны решать сложные задачи, требующие человеческого интеллекта, таких как распознавание речи, понимание естественного языка, обучение и планирование. В соответствии с «Национальной стратегией развития искусственного интеллекта на период до 2030 года» технологии искусственного интеллекта — это совокупность технологий, включающая в себя компьютерное зрение, обработку естественного языка, распознавание и синтез речи, интеллектуальную поддержку принятия решений и перспективные методы искусственного интеллекта [7].

Большинство исследователей согласны с тем, что ИИ должен выполнять задачи, которые обычно требуют человеческого интеллекта.

К таким задачам относятся:

— восприятие окружающей среды;

— рассуждение и принятие решений;

— обучение и адаптация.

Таким образом, ИИ представляет собой технологию, позволяющую компьютерам имитировать человеческое поведение и мышление, включая решение задач, обучение, восприятие и взаимодействие с окружающим миром.

Основными характеристиками ИИ являются:

— Способность к обучению. ИИ-системы могут обучаться на основе данных, которые они получают. Это позволяет им улучшать свою производительность и точность со временем.

— Адаптивность. ИИ-системы могут адаптироваться к изменениям в окружающей среде. Это делает их более гибкими и эффективными в решении задач.

— Рассуждения. ИИ-системы могут использовать логические правила и алгоритмы для принятия решений. Это позволяет им решать задачи, которые требуют логического мышления.

— Восприятие. ИИ-системы могут воспринимать информацию из окружающей среды с помощью датчиков и камер. Это позволяет им взаимодействовать с миром вокруг них.

— Взаимодействие. ИИ-системы могут взаимодействовать с людьми и другими системами. Это делает их полезными для автоматизации процессов и повышения эффективности работы.

Эти характеристики делают ИИ мощным инструментом, который может быть использован в различных областях, таких как медицина, юриспруденция, финансы, транспорт, сельское хозяйство и производство.

Существуют различные виды ИИ, которые отличаются по своим характеристикам и возможностям. К ним относятся слабый ИИ, сильный ИИ и супер-ИИ. Слабый ИИ предназначен для выполнения конкретных задач, таких как распознавание изображений или обработка естественного языка. Он не обладает способностью к самообучению или адаптации. Сильный ИИ обладает способностью к мышлению и рассуждению, подобно человеку, он способен решать задачи, требующие творческого подхода и абстрактного мышления. Супер-ИИ — это гипотетический ИИ, который превосходит возможности человека во всех областях. Он обладает способностью к самообучению и адаптации, а также к решению сложных задач.

На данный момент не существует сильного или супер-ИИ. Все существующие ИИ-системы являются слабыми ИИ. Они предназначены для решения конкретных задач и не обладают способностью к мышлению или рассуждению. По словам одного из ведущих мировых специалистов в области искусственного интеллекта, являющегося главой отдела искусственного интеллекта в IT-компании США, Янна Лекуна «мировые модели являются ключом к искусственному интеллекту на уровне человека, но это может произойти через 10 лет» [43].

Базовые классы ИИ-систем группируют на основе следующих принципов:

1) по классам и категориям объектов в управлении;

2) по технологиям построения, приобретения и использования знаний;

3) по функциям, которые выполняет ИИ в контуре управления;

4) по методам и технологиям, используемым в ИИ;

5) по методам и средствам взаимодействия ИИ с другими системами и человеком-оператором.

Эти подходы к классификации являются основными. Каждый из них может иметь иерархическую структуру [40].

В данном учебном пособии будет часто использоваться понятие «модель искусственного интеллекта», под которым будет подразумеваться программа для электронных вычислительных машин (ее составная часть), предназначенная для выполнения интеллектуальных задач на уровне, сопоставимом с результатами интеллектуального труда человека или превосходящем их, использующая алгоритмы и наборы данных для выведения закономерностей, принятия решений или прогнозирования результатов.

1.2. Краткий обзор истории развития ИИ.

История развития искусственного интеллекта начинается задолго до появления первых компьютеров. Ещё в античные времена философы задавались вопросами о природе человеческого разума и возможности создания мыслящих машин. В эпоху Средневековья и Возрождения эти идеи получили новое развитие в работах таких мыслителей, как Рене Декарт и Готфрид Лейбниц, которые заложили основы для будущих исследований в области ИИ.

Первые попытки создания механических устройств, способных выполнять интеллектуальные задачи, относятся к XVII—XVIII векам. В XIX веке появились первые вычислительные машины, такие как разностная машина Чарльза Бэббиджа, которая считается прообразом современного компьютера. Однако эти устройства были далеки от современных представлений об ИИ.

В XX веке исследования в области ИИ перешли на новый уровень благодаря развитию кибернетики, теории алгоритмов и машинного обучения. В 1950-х годах Алан Тьюринг предложил тест, который стал одним из основных критериев оценки уровня развития ИИ. Этот период также ознаменовался созданием первых компьютерных программ, способных решать логические задачи и играть в шахматы.

Таким образом, предыстория и первые шаги в развитии ИИ представляют собой длительный процесс, начавшийся ещё в античности и продолжающийся до наших дней. За это время были созданы различные механические устройства, разработаны новые теории и подходы, что в конечном итоге привело к появлению современных систем ИИ.

Период с 1960 по 1970 год стал временем активного развития и становления искусственного интеллекта как самостоятельной области исследований. В этот период были заложены основы многих современных технологий ИИ, а также сформировались основные направления исследований.

Одним из ключевых событий этого периода стало создание первых экспертных систем, которые представляли собой компьютерные программы, способные решать задачи в определённой предметной области на основе знаний экспертов. Экспертные системы стали важным шагом в развитии ИИ, поскольку они продемонстрировали возможность создания систем, способных обрабатывать большие объёмы данных и принимать решения на основе логических рассуждений.

Другим важным направлением исследований в этот период стало развитие методов машинного обучения, которые позволили компьютерам автоматически улучшать свою производительность на основе опыта. Машинное обучение стало основой для создания многих современных систем ИИ, таких как нейронные сети и глубокое обучение.

Кроме того, в этот период были проведены первые эксперименты по созданию интеллектуальных роботов, которые могли бы взаимодействовать с окружающей средой и выполнять задачи в реальном мире. Эти эксперименты показали потенциал ИИ для создания автономных систем, способных работать в различных условиях.

Таким образом, эпоха становления ИИ в 1960—1970-е годы стала периодом активного развития и формирования основ современных технологий ИИ. Были созданы первые экспертные системы, разработаны методы машинного обучения и проведены эксперименты по созданию интеллектуальных роботов.

После бурного развития в 1960—1970-е годы исследования в области искусственного интеллекта столкнулись с периодом застоя в 1980-х годах. Это было связано с рядом факторов, включая отсутствие прогресса в создании интеллектуальных систем, способных решать сложные задачи, и разочарование в результатах предыдущих исследований.

Однако, несмотря на застой, исследования в области ИИ продолжались. Были разработаны новые методы машинного обучения, такие как обучение с подкреплением, которое позволило компьютерам учиться на основе обратной связи от окружающей среды. Также были проведены исследования в области нейронных сетей, которые стали основой для создания современных систем глубокого обучения.

Тем не менее, период застоя оказал значительное влияние на развитие ИИ. Многие исследователи потеряли интерес к этой области, а финансирование исследований сократилось. Это привело к замедлению темпов развития ИИ и снижению интереса к нему со стороны научного сообщества.

Несмотря на все трудности, период застоя также стал периодом переосмысления целей и задач исследований в области ИИ. Исследователи начали искать новые подходы и методы, которые могли бы привести к созданию более эффективных и универсальных систем ИИ. Это заложило основу для будущего возрождения интереса к ИИ в 1990-х годах.

Возрождение интереса к искусственному интеллекту в 1990-х годах стало результатом ряда факторов, включая развитие новых технологий, таких как Интернет и мобильные устройства, а также успехи в области машинного обучения и нейронных сетей.

Развитие Интернета и мобильных устройств привело к созданию новых платформ и инструментов для разработки и развёртывания систем ИИ. Это позволило исследователям создавать более сложные и эффективные системы ИИ, которые могли работать с большими объёмами данных и решать более сложные задачи.

Успехи в области машинного обучения и нейронных сетей также сыграли важную роль в возрождении интереса к ИИ.

Таким образом, основные этапы развития ИИ можно представить следующим образом:

— 1950—1960-е годы: разработка первых компьютеров и исследований в области ИИ;

— 1970-е годы: замедление развития ИИ из-за отсутствия прогресса;

— 1980-е годы: возрождение интереса к ИИ благодаря развитию экспертных систем и нейронных сетей;

— 1990-е годы: развитие ИИ благодаря Интернету и мобильным устройствам;

— настоящее время: быстрое развитие ИИ благодаря новым технологиям.

1.3. Общие принципы создания и функционирования ИИ-моделей

1. Создание ИИ-моделей

Создание ИИ-модели включает несколько ключевых этапов. Для начала нужно определить цель и задачи модели. Прежде всего, необходимо понять, для чего вы хотите использовать искусственный интеллект. Это может быть:

— распознавание образов — используется для идентификации объектов, лиц, текста и т. д.

— обработка естественного языка (Natural Language Processing, NLP) — позволяет компьютерам понимать и генерировать человеческий язык.

— рекомендательные системы — предлагают пользователям персонализированные рекомендации на основе их предпочтений.

— прогнозирование временных рядов — предсказывает будущие значения временных рядов на основе исторических данных.

— автоматическое планирование — помогает планировать действия для достижения целей в условиях неопределённости.

Существует несколько подходов к созданию ИИ-моделей:

— символьный подход основан на использовании символов и правил для представления знаний и рассуждений. Этот подход используется в экспертных системах, которые помогают врачам ставить диагнозы и юристам давать консультации.

— нейронный подход основан на использовании нейронных сетей, которые представляют собой математические модели, имитирующие работу человеческого мозга. Нейронные сети используются в машинном обучении, которое позволяет компьютерам учиться на основе данных без явного программирования.

— гибридный подход объединяет символьный и нейронный подходы для создания более мощных ИИ-моделей. Гибридные системы используются в робототехнике, где роботы должны взаимодействовать с окружающей средой и людьми.

Методы обучения ИИ-модели тоже могут быть разными. Различают три основных вида:

— машинное обучение (Machine learning, ML) использует алгоритмы для анализа данных и выявления закономерностей. Оно может быть как с учителем (supervised), так и без учителя (unsupervised).

— глубокое обучение (Deep learning, DL) использует многослойные нейронные сети для обработки сложных данных, таких как изображения и текст.

— обучение с подкреплением (Reinforcement Learning, RL), при котором модели учатся принимать решения на основе обратной связи от окружающей среды.

2. Обучение искусственного интеллекта.

Обучение искусственного интеллекта — это процесс, в котором ИИ-модели учатся на основе данных. Существует два основных типа обучения:

— контролируемое обучение; в этом типе обучения ИИ-модель обучается на размеченных данных, то есть данных, для которых известны правильные ответы. Контролируемое обучение используется в задачах классификации, таких как распознавание изображений и речи.

— неконтролируемое обучение; в этом типе обучения ИИ-модель не знает правильных ответов заранее. Неконтролируемое обучение используется в задачах кластеризации, таких как сегментация изображений и анализ текста.

Процесс обучения искусственного интеллекта включает следующие этапы:

2.1. Сбор данных: данные собираются из различных источников, таких как интернет, базы данных и сенсорные устройства. Данные должны быть чистыми и структурированными, чтобы их можно было использовать для обучения.

2.2. Предварительная обработка данных: данные очищаются от шума и ошибок, а также преобразуются в формат, который может быть использован для обучения. Предварительная обработка данных может включать нормализацию, масштабирование и кодирование.

2.3. Выбор модели: модель выбирается на основе типа задачи и доступных данных. Модель представляет собой математическую функцию, которая отображает входные данные в выходные.

2.4. Обучение модели: ИИ-модель обучается на данных с использованием алгоритма обучения. Алгоритм обучения определяет, как модель обновляется на основе обратной связи от данных.

2.5. Оценка модели: ИИ-модель оценивается на тестовых данных, чтобы определить её точность и эффективность. Оценка модели может включать метрики, такие как точность, полнота и F-мера.

2.6. Развёртывание модели: обученная модель развёртывается в производственной среде, где она используется для решения реальных задач. Развёртывание модели может включать интеграцию с существующими системами и обеспечение безопасности.

Обучение искусственного интеллекта является сложным и многогранным процессом, который требует глубоких знаний в области компьютерных наук, математики и статистики. Однако благодаря развитию технологий и методов обучения, искусственный интеллект становится всё более мощным и эффективным инструментом для решения сложных задач.

3. Создание ИИ-модели на примере идентификации лиц.

Создание ИИ-модели, предназначенной для идентификации лиц, состоит из следующих этапов:

3.1. Сбор данных. На этом этапе собирается большой объём данных, содержащих изображения лиц людей (создание датасетов). Эти данные могут быть собраны из открытых источников, таких как социальные сети, или созданы специально для этой цели.

3.2. Предварительная обработка данных. Собранные данные проходят предварительную обработку, которая включает в себя следующие шаги:

— удаление искажений с изображений.

— приведение всех изображений к единому размеру и формату.

— преобразование изображений в числовые векторы, которые могут быть использованы моделью ИИ.

Предварительная обработка данных необходима для того, чтобы сделать данные более однородными и удобными для дальнейшей обработки.

3.3. Выбор модели. Для распознавания лиц используются различные модели ИИ, такие как свёрточные нейронные сети (CNN) и глубокие нейронные сети. Эти модели представляют собой математические функции, которые принимают на вход изображение лица и выдают на выходе вероятность принадлежности этого изображения к определённому человеку.

Выбор модели зависит от конкретных требований и условий задачи. Например, если требуется высокая точность распознавания, то следует использовать более сложные модели. Если же требуется быстрое распознавание, то можно использовать более простые модели.

3.4. Обучение модели. Модель обучается на предварительно обработанных данных с использованием алгоритма обучения. Алгоритм обучения определяет, как модель обновляется на основе обратной связи от данных. В процессе обучения модель «видит» множество изображений лиц и учится распознавать их особенности, такие как форма, размер и расположение глаз, носа и рта. Во время обучения модель сравнивает изображения лиц с эталонными изображениями, хранящимися в базе данных. Если изображение лица соответствует одному из эталонных изображений, то модель присваивает ему соответствующий идентификатор.

Процесс обучения повторяется многократно, пока модель не достигнет требуемой точности распознавания. После обучения модель может распознавать лица на новых изображениях с высокой точностью.

3.5. Тестирование модели. После обучения модель тестируется на новых данных, чтобы проверить её точность и эффективность. Если модель показывает хорошие результаты, она готова к использованию.

3.6. Развёртывание модели. Развёртывание модели — это заключительный этап работы искусственного интеллекта. На этом этапе модель внедряется в реальную систему распознавания лиц. Модель может быть интегрирована с другими системами, такими как системы контроля доступа, видеонаблюдения и т. п.

3.7. Распознавание лиц. Результатом распознавания является список вероятностей принадлежности изображения лица к каждому из лиц, известных модели. Чем выше вероятность, тем больше уверенность модели в том, что лицо принадлежит данному человеку.

4. Создание ИИ-модели на примере GPT.

GPT (Generative Pre-trained Transformer) — это языковая модель, которая используется для генерации текстов на основе заданного запроса.

4.1. Сбор данных. Для обучения модели GPT используются большие объёмы текстовых данных из различных источников, таких как книги, статьи, блоги и другие материалы. Эти данные используются для создания базы знаний, на которой будет основана работа модели.

4.2. Предварительная обработка данных. Собранные данные проходят предварительную обработку, которая включает в себя следующие шаги:

— удаление искажений из текстов;

— приведение всех текстов к единому формату и стилю;

— преобразование текстов в числовые векторы, которые могут быть использованы моделью ИИ.

4.3. Обучение модели. Модель GPT обучается на предварительно обработанных данных с использованием алгоритма обучения. Алгоритм обучения определяет, как модель обновляется на основе обратной связи от данных. В процессе обучения модель «видит» множество текстов и учится распознавать их структуру, стиль и тематику. После обучения модель GPT может использоваться для генерации текстов на заданные темы.

4.4. Получение запроса. Пользователь вводит запрос или тему, на которую он хочет получить текст. Это может быть что угодно: от простого вопроса до сложной задачи.

4.5. Преобразование запроса. Языковая модель преобразует запрос в формат, который она может использовать для генерации текста. Это может включать в себя токенизацию (разбиение текста на отдельные слова или фразы), лемматизацию (приведение слов к их базовой форме) и другие операции.

4.6. Использование контекста. Языковая модель использует контекст, полученный из обучения, чтобы генерировать текст, соответствующий запросу. Она анализирует структуру и стиль запроса, а также учитывает тематику и цель текста.

4.7. Генерация ответа. На основе запроса и контекста языковая модель генерирует текст. Этот текст может быть представлен в виде одного или нескольких предложений, абзацев или даже целых статей.

4.8. Оценка качества. Сгенерированный текст оценивается на соответствие заданной теме, структуре, стилю и другим критериям. Если текст соответствует требованиям, он считается качественным. Если нет, то модель может внести изменения в текст, чтобы улучшить его качество.

4.9. Повторная генерация. После доработки текст снова оценивается, и если он соответствует требованиям, то считается окончательным результатом. Если нет, то процесс повторяется до тех пор, пока не будет достигнут желаемый результат.

4.10. Вывод текста. Готовый текст выводится пользователю. Он может быть использован для различных целей, таких как общение, обучение, создание контента и т. д.

1.4. Примеры использования ИИ в различных областях

Здравоохранение

Искусственный интеллект находит широкое применение в здравоохранении, где он используется для диагностики заболеваний, прогнозирования эпидемий и оптимизации работы медицинских учреждений. Одним из наиболее популярных направлений является использование ИИ для анализа медицинских изображений, таких как рентгеновские снимки, МРТ и КТ-сканы. Алгоритмы машинного обучения позволяют врачам быстро и точно диагностировать заболевания, что особенно полезно в условиях перегруженности медицинских учреждений и нехватки квалифицированных специалистов.

Ещё одним примером использования ИИ в медицине является разработка систем поддержки принятия решений (СППР). Эти системы помогают врачам выбирать оптимальные методы лечения на основе анализа больших объёмов данных о пациентах и их заболеваниях. СППР могут учитывать множество факторов, включая возраст, пол, историю болезни и результаты лабораторных исследований, чтобы предложить наиболее эффективные и безопасные методы лечения.

ИИ также используется для прогнозирования распространения инфекционных заболеваний. Алгоритмы машинного обучения анализируют данные о заболеваемости и смертности от инфекций, а также факторы, влияющие на распространение болезней, такие как погода, плотность населения и уровень вакцинации. Это позволяет медицинским работникам разрабатывать стратегии профилактики и контроля за распространением инфекций.

Таким образом, ИИ играет важную роль в улучшении качества и доступности медицинских услуг, повышении точности диагностики и эффективности лечения, а также в предотвращении распространения инфекционных заболеваний.

Образование.

В сфере образования искусственный интеллект используется для создания персонализированных учебных планов, оценки успеваемости студентов и автоматизации административных задач. Одной из ключевых областей применения ИИ в образовании является создание персонализированных учебных планов. Используя алгоритмы машинного обучения, образовательные платформы могут анализировать данные об успеваемости и интересах каждого студента, чтобы предлагать им индивидуальные учебные планы, которые соответствуют их потребностям и целям.

Другой пример использования ИИ в образовании — это оценка успеваемости студентов. Системы ИИ могут автоматически оценивать тесты и задания, предоставляя студентам мгновенную обратную связь и помогая преподавателям отслеживать прогресс учащихся. Это не только экономит время преподавателей, но и обеспечивает более точную и объективную оценку знаний студентов [123].

Кроме того, ИИ используется для автоматизации административных задач в образовательных учреждениях. Например, системы ИИ могут управлять расписанием занятий, распределять ресурсы и отслеживать посещаемость, освобождая преподавателей и администрацию от рутинной работы и позволяя им сосредоточиться на более важных задачах. Применение ИИ в образовании имеет ряд преимуществ. Во-первых, оно позволяет сделать процесс обучения более эффективным и доступным, предоставляя учащимся персонализированные учебные материалы и поддержку. Во-вторых, оно помогает преподавателям экономить время и ресурсы, автоматизируя рутинные задачи и позволяя им уделять больше внимания индивидуальным потребностям студентов. В-третьих, оно способствует повышению качества образования, обеспечивая более точную оценку успеваемости и своевременное выявление проблем.

Однако на данном этапе системы ИИ не способны самостоятельно принимать решения в области образования, так как они не обладают достаточным для этого экспертным уровнем, на который они выйдут не раньше, чем через 15—20 лет [29].

Промышленность.

В промышленности искусственный интеллект находит широкое применение для оптимизации производственных процессов, повышения качества продукции и снижения затрат. Одним из наиболее популярных направлений является использование ИИ для автоматизации производственных линий. Системы ИИ могут контролировать работу оборудования, отслеживать качество продукции и оптимизировать производственные процессы, что приводит к повышению производительности и снижению брака.

Ещё одним примером использования ИИ в промышленности является прогнозирование отказов оборудования. Алгоритмы машинного обучения могут анализировать данные о работе оборудования и предсказывать возможные отказы до их возникновения, что позволяет проводить профилактическое обслуживание и предотвращать простои. Это не только снижает риск аварий, но и увеличивает срок службы оборудования.

Также ИИ используется в промышленности для оптимизации логистики и управления цепочками поставок. Системы ИИ могут анализировать данные о запасах, заказах и транспортных расходах, чтобы определить наиболее эффективные маршруты доставки и графики производства, что способствует снижению затрат и повышению уровня обслуживания клиентов. Кроме того, ИИ применяется в промышленности для улучшения качества продукции. Алгоритмы компьютерного зрения могут использоваться для контроля качества продукции на производственных линиях, что позволяет быстро обнаруживать дефекты и принимать меры по их устранению. Это помогает повысить качество продукции и снизить количество возвратов от клиентов.

Наконец, ИИ может помочь предприятиям адаптироваться к изменяющимся рыночным условиям. Системы прогнозирования спроса на основе ИИ могут анализировать исторические данные о продажах и текущие тенденции рынка, чтобы предсказать будущий спрос на продукцию предприятия. Это позволяет предприятиям более точно планировать производство и запасы, что помогает им оставаться конкурентоспособными на рынке.

Таким образом, использование ИИ в промышленности имеет множество преимуществ, включая повышение эффективности производства, снижение затрат, улучшение качества продукции и адаптацию к изменяющимся рыночным условиям.

Сельское хозяйство.

Применение искусственного интеллекта в сельском хозяйстве направлено на повышение урожайности, оптимизацию использования ресурсов и улучшение управления сельскохозяйственными угодьями. Одним из основных направлений использования ИИ в сельском хозяйстве является точное земледелие. Системы точного земледелия используют датчики и алгоритмы машинного обучения для сбора данных о состоянии почвы, влажности, температуре и других параметрах на разных участках поля. Эти данные затем анализируются, чтобы определить оптимальные условия для роста растений на каждом участке.

Другим примером использования ИИ в сельском хозяйстве является автоматизация управления ирригационными системами. Системы ИИ могут использовать данные о погодных условиях, влажности почвы и потребностях растений в воде, чтобы автоматически управлять ирригационными насосами и клапанами. Это позволяет оптимизировать использование воды и предотвратить её перерасход.

Также ИИ может быть использован для прогнозирования урожайности на основе исторических данных о погоде, почве и урожаях. Системы прогнозирования урожайности могут помочь фермерам принимать более обоснованные решения о посеве, удобрении и сборе урожая. Преимущества внедрения ИИ в сельское хозяйство включают повышение урожайности за счёт оптимизации условий выращивания, снижение затрат на ресурсы благодаря точному управлению и улучшение качества продукции за счёт более тщательного контроля за процессом выращивания. Кроме того, использование ИИ может сделать сельское хозяйство более устойчивым к изменениям климата и другим внешним факторам.

Примеры успешного применения ИИ в сельском хозяйстве уже существуют в России. Так, например, отечественная компания Cognitive Pilot разработала систему автономного управления комбайнами, тракторами, опрыскивателями на основе искусственного интеллекта. Система Cognitive Agro Pilot анализирует поступающие с видеокамеры изображения и при помощи ИИ глубокого обучения определяет типы и положения объектов по ходу движения, строит траектории движения техники и передает необходимые команды для выполнения маневров. В России работают более 1000 «умных» комбайнов [116].

Управление искусственным интеллектом будет внедрено на крупной молочной ферме в Башкирии с 2025 года, это позволит оптимизировать процессы управления большими поголовьями скота. Каждое животное будет под онлайн-наблюдением камер, а ИИ будет ориентирован на эталон коровы, какой она должна быть. Если зафиксировано отклонение от заданных параметров, программа даст сигнал. Также ИИ будет анализировать поведение животных, обеспечивать их кормом, водой, свежим воздухом посредством системы вентиляции и в некоторых случаях сможет заранее увидеть зарождение заболеваний на примере проблемы с копытами по походке или хромоте и оповестить ветеринара [20].

Транспорт.

Использование искусственного интеллекта в транспортной отрасли направлено на повышение безопасности, эффективности и комфорта пассажиров. Одним из примеров применения ИИ в транспорте является разработка интеллектуальных транспортных систем (ИТС), которые используют алгоритмы машинного обучения для управления транспортными потоками и предотвращения пробок. ИТС могут анализировать данные о загруженности дорог, погодных условиях и авариях, чтобы оптимизировать движение транспорта и обеспечить более плавное движение.

Другим примером использования ИИ в транспортной отрасли является развитие беспилотных транспортных средств (БТС). БТС, оснащённые системами ИИ, могут самостоятельно управлять движением, избегать препятствий и принимать решения в сложных ситуациях. Это может привести к снижению количества аварий и улучшению безопасности дорожного движения.

Так, например, движение беспилотных грузовых автомобилей запустили на протяжении всей трассы М-11 «Нева», об этом в конце сентября 2024 г. сообщило Министерство транспорта России. Открытие первого в стране беспилотного логистического коридора состоялось в рамках форума «Цифровая транспортация». Также подписано постановление, разрешающее проведение беспилотных грузоперевозок на Центральной кольцевой автомобильной дороге (ЦКАД) и трассе М-12 «Москва-Казань» [25].

Также ИИ применяется в транспортной логистике для оптимизации маршрутов доставки грузов и управления складскими операциями. Алгоритмы ИИ могут анализировать данные о местоположении грузов, погодных условиях и дорожной ситуации, чтобы выбрать наиболее оптимальные маршруты и графики доставки. Это помогает сократить время доставки и снизить расходы на транспортировку. Внедрение ИИ в транспортную отрасль имеет ряд преимуществ. Во-первых, оно повышает безопасность дорожного движения за счёт предотвращения аварий и улучшения управления транспортными потоками. Во-вторых, оно способствует снижению затрат на транспортировку за счёт оптимизации маршрутов и графиков доставки. В-третьих, оно улучшает качество обслуживания пассажиров.

Юриспруденция.

Использование ИИ в юриспруденции открывает новые горизонты для анализа правовых норм, прогнозирования судебных решений и автоматизации рутинных юридических процедур. Это позволяет юристам сосредоточиться на сложных задачах, требующих творческого подхода и глубокого понимания правовых принципов.

Примеры применения ИИ в юридической практике включают автоматизацию составления договоров и других юридических документов, анализ больших объёмов данных для выявления тенденций и закономерностей в судебной практике, а также использование машинного обучения для прогнозирования исхода судебных дел.

Так, например, Минюст РФ намерен использовать технологии ИИ в информационной системе «Правовая помощь», которая поможет онлайн разобраться в юридических вопросах в различных жизненных ситуациях. Система работает в десяти пилотных регионах, в 2025 году планируется запустить ее во всех регионах и настроить ее работу с порталом госуслуг. Важная часть этой системы — это портал правового просвещения ВПРАВЕ.РУ. На портале уже размещено 226 жизненных ситуаций, в том числе связанных с вопросами пенсионного обеспечения, оформления наследства, использования средств маткапитала и других, и любой гражданин может зайти на этот портал и получить консультацию [73].

А в департаменте киберпространства Китая зарегистрирована судебная платформа, созданная с помощью ИИ, которая поможет судьям повысить эффективность работы, и упростит доступ людей к юридическим услугам. Платформа представляет собой правовую инфраструктуру ИИ национального уровня, построенную на основе обширных, достоверных и высококачественных судебных данных. На данный момент платформа собрала 320 млн единиц данных и материалов, включая юридические документы, судебные решения, дела и юридические заключения. После обучения платформа будет способна понимать юридические термины, логически рассуждать, искать и генерировать контент [71].

Однако внедрение ИИ в юридическую сферу также вызывает определённые опасения, связанные с конфиденциальностью данных, возможностью ошибок и необходимостью обеспечения прозрачности процесса принятия решений. Поэтому важно тщательно изучить эти аспекты и разработать соответствующие меры для обеспечения безопасности и надёжности использования ИИ в юридической деятельности.

1.5. Нормативно-правовое регулирование развития и использования ИИ-решений в России

В Российской Федерации нормативно-правовое регулирование искусственного интеллекта находится на стадии активного формирования. Важным шагом в этом направлении стало принятие Национальной стратегии развития искусственного интеллекта на период до 2030 года, утверждённой Указом Президента РФ от 10 октября 2019 г. №490. Цель стратегии — обеспечить ускоренное развитие искусственного интеллекта в стране, проведение научных исследований в этой области, а также разработку и использование технологических решений на основе ИИ.

Для достижения этой цели стратегия предусматривает:

— создание инфраструктуры для разработки и использования технологий ИИ. Это включает создание центров обработки данных, обеспечение доступа к ним и развитие сетей связи.

— развитие человеческого капитала. Стратегия предусматривает подготовку специалистов в области ИИ, повышение квалификации государственных служащих и работников организаций.

— разработка и внедрение технологических решений. Стратегия предполагает разработку и внедрение технологий ИИ в различных отраслях экономики и социальной сферы.

— формирование нормативно-правовой базы. Стратегия предусматривает разработку и принятие нормативных правовых актов, регулирующих отношения в сфере ИИ.

— обеспечение безопасности и конфиденциальности данных. Стратегия включает меры по обеспечению защиты данных при использовании технологий ИИ.

Реализация стратегии позволит создать условия для развития и использования технологий искусственного интеллекта в России, что приведёт к повышению конкурентоспособности страны, улучшению качества жизни граждан и обеспечению национальной безопасности.

Национальная стратегия в сфере ИИ была обновлена и конкретизирована в соответствии с Указом Президента Российской Федерации от 15 февраля 2024 г. №124 «О развитии искусственного интеллекта в Российской Федерации». Данный указ определяет основные принципы развития ИИ:

— защита прав и свобод человека;

— безопасность;

— прозрачность;

— технологический суверенитет;

— целостность инновационного цикла;

— подготовка кадров.

Важную роль в нормативно-правовом регулировании ИИ играют государственные программы и проекты. Они направлены на создание условий для развития ИИ, повышение качества жизни граждан, улучшение эффективности государственного управления и т. д. Среди таких программ можно выделить следующие:

— программа «Цифровая экономика Российской Федерации», утверждённую распоряжением Правительства РФ от 28 июля 2017 г. №1632-р [6]. Она включает в себя ряд проектов, связанных с развитием ИИ, таких как создание инфраструктуры для обработки больших объёмов данных, разработка алгоритмов машинного обучения и т. п.;

— паспорт национального проекта Национальная программа «Цифровая экономика Российской Федерации» (утвержден протоколом заседания президиума Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам от 4 июня 2019 г. №7) призван создать условия для эффективного взаимодействия государства, бизнеса и науки в области искусственного интеллекта, а также сформировать инфраструктуру и кадровый потенциал для его развития [1];

— ведомственный проект цифровизации городского хозяйства «Умный город» Минстроя России, паспорт которого утвержден приказом Минстроя России от 27 декабря 2021 г. №1014/пр [4];

— пункт 2 перечня поручений Президента Российской Федерации от 31 декабря 2020 г. № Пр-2242 по итогам конференции «Путешествие в мир искусственного интеллекта», который касается разработки и утверждения стратегии развития искусственного интеллекта на период до 2030 года, а также комплекса мер по её реализации [2];

— Приказ Министерства экономического развития РФ от 29 июня 2021 г. №392 «Об утверждении критериев определения принадлежности проектов к проектам в сфере искусственного интеллекта» [5]. Содержит перечень технологических задач, на реализацию которых может быть направлен проект в сфере искусственного интеллекта.

Одним из ключевых аспектов нормативно-правового регулирования ИИ является обеспечение безопасности и конфиденциальности данных. В связи с этим были разработаны и приняты следующие документы:

— Федеральный закон «О персональных данных» от 27.07.2006 №152-ФЗ [10];

— Федеральный закон «Об информации, информационных технологиях и о защите информации» от 27.07.2006 №149-ФЗ [9];

— Федеральный закон «Об осуществлении идентификации и (или) аутентификации физических лиц с использованием биометрических персональных данных…» от 29.12.2022 №572-ФЗ [11].

Также существуют государственные стандарты (ГОСТ) по направлению «Искусственный интеллект», на сегодняшний день действующих стандартов — 61 и ещё несколько вступают в действие с 1.01.2025. Подробнее об этом в параграфе 4.2.

Кроме того, были созданы специальные организации и структуры, отвечающие за развитие и внедрение ИИ в России. Например, была создана Ассоциация развития финансовых технологий (Ассоциация ФинТех), которая занимается разработкой и внедрением инновационных финансовых технологий с применением ИИ. Также был создан Российский фонд прямых инвестиций (РФПИ), который активно инвестирует в проекты, связанные с развитием ИИ.

На данный момент в России не существует отдельных региональных законов и нормативных актов, которые были бы посвящены исключительно искусственному интеллекту. Однако многие регионы принимают собственные стратегии и программы по развитию цифровых технологий, включая искусственный интеллект.

Например, Москва является одним из лидеров в области внедрения искусственного интеллекта в государственное управление. В городе действует программа «Умный город — 2030», которая включает в себя проекты по использованию ИИ в различных сферах жизни. В Москве созданы специальные организации, такие как Департамент информационных технологий города Москвы, которые занимаются развитием и внедрением цифровых технологий.

Другие регионы также разрабатывают свои стратегии и программы, направленные на развитие искусственного интеллекта. Например, в Татарстане действует программа «Цифровая экономика Республики Татарстан», которая включает в себя проекты по внедрению ИИ.

Таким образом, нормативно-правовое регулирование ИИ в РФ представляет собой сложный и многогранный процесс, направленный на обеспечение безопасности, конфиденциальности и эффективности использования ИИ в различных сферах деятельности.

Контрольные вопросы:

1. Что такое искусственный интеллект?

2. Какие существуют подходы к определению искусственного интеллекта?

3. Назовите основные характеристики искусственного интеллекта.

4. Каковы основные этапы развития технологий искусственного интеллекта?

5. С чем связан перерыв в развитии искусственного интеллекта в 1970-ые годы?

6. С чем связано бурное развитие искусственного интеллекта в настоящее время?

7. В каких областях деятельности человека применяется искусственный интеллект? Назовите несколько реальных примеров.

8. Как искусственный интеллект может быть использован в здравоохранении? Назовите несколько реальных примеров.

9. Как искусственный интеллект может быть использован в образовании? Назовите несколько реальных примеров.

10. Как искусственный интеллект может быть использован в промышленности? Назовите несколько реальных примеров.

11. Как искусственный интеллект может быть использован в сельском хозяйстве? Назовите несколько реальных примеров.

12. Как искусственный интеллект может быть использован в сфере транспорта? Назовите несколько реальных примеров.

13. Как искусственный интеллект может быть использован в юриспруденции? Назовите несколько реальных примеров.

14. Как искусственный интеллект влияет на рынок труда и какие профессии могут быть автоматизированы?

15. Какие перспективы открывает использование искусственного интеллекта для улучшения качества жизни людей?

16. Какие изменения в законодательстве и регулировании могут потребоваться для эффективного использования искусственного интеллекта?

17. Какие навыки и компетенции необходимы специалистам в области государственного и муниципального управления для работы с искусственным интеллектом?

18. Какие нормативно-правовые акты регулируют развитие и использование искусственного интеллекта в Российской Федерации?

19. Каковы основные принципы регулирования искусственного интеллекта, закреплённые в действующем законодательстве РФ?

Практические задания:

Задание 1: ИИ в создании и продвижении культурного контента.

Описание ситуации: представьте, что вы работаете в музее современного искусства. Ваша задача — привлечь больше посетителей и повысить интерес к выставкам. Для этого вам нужно создать уникальный и запоминающийся контент о предстоящих событиях.

Задача: какие инструменты ИИ можно использовать для создания текстов, видео и других материалов?

Задание 2: ИИ как помощник в изучении иностранных языков.

Описание ситуации: предположим, что вы студент-филолог, который изучает несколько иностранных языков. Вы хотите улучшить свои навыки чтения, письма и произношения на этих языках.

Задача: какие технологии искусственного интеллекта могут помочь вам в изучении иностранных языков?

Задание 3: ИИ в анализе и интерпретации исторических данных.

Описание ситуации: допустим, вы занимаетесь исследованиями в области истории. Вашей задачей является анализ большого количества исторических документов и источников. Вам нужно выявить закономерности и тенденции в развитии общества, а также сделать выводы на основе полученных данных.

Задача: какие методы машинного обучения можно применить для выявления закономерностей и тенденций?

Задание 4: Разработка региональной стратегии развития искусственного интеллекта.

Описание ситуации: в рамках национальной стратегии развития искусственного интеллекта перед регионами стоит задача разработать собственные стратегии, учитывающие специфику и потребности каждого региона.

Задача: определите 5 приоритетных направлений развития искусственного интеллекта в Республике Башкортостан с учётом его специфики и потребностей.