СИЛЬНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: ПОВЫШЕНИЕ КАЧЕСТВА НЕЙРОСЕТЕВЫХ РЕШЕНИЙ С ПЕРЕХОДОМ К ОБРАБОТКЕ ВХОДНЫХ ДАННЫХ БОЛЬШОГО ОБЪЕМА 

Александр Иванович Иванов, доктор технических наук, доцент, консультант, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), E-mail: ivan@pniei.penza.ru
Игорь Анатольевич Кубасов, доктор технических наук, доцент, главный научный сотрудник ФКУ НПО «СТиС» МВД РФ, профессор кафедры информационных технологий, Академия управления МВД РФ (Россия, г. Москва, ул. Зои и Александра Космодемьянских, 8), E-mail: igorak@list.ru 

004.838.2 

DOI

10.21685/2307-4205-2021-1-1 

Актуальность и цели. Исследованы пути решения актуальной задачи перевода приложений «слабого» искусственного интеллекта в приложения «сильного» искусственного интеллекта, применяемые в интересах повышения надежности и качества сложных технических систем. Обоснована возможность повышения качества нейросетевых решений с переходом к обработке входных данных большого объема.
Материалы и методы. Выполнена оценка влияния количества входных и выходных размерностей искусственной нейросети на качество принимаемых решений. Предложено решение задачи нейросетевого анализа путем симметризации по коэффициентам корреляции входных данных.
Результаты. При планировании сочетания применения естественного и искусственного интеллектов, позволяющих повысить надежность и качество сложных технических систем, предложена количественная оценка корреляционной связи категорий «большие данные» и «сильный» искусственный интеллект. Высказана простая гипотеза связывания этих двух значимых категорий.
Вывод. Представлена оценка уровня вероятности ошибок, характерных для «сильного» эксперта-человека при его доступе к реальным данным ограниченной размерности n. Даны рекомендации по достижению желаемого уровня снижения вероятностей ошибок или заданию желаемого уровня увеличения объема принимаемых во внимание исходных данных. В итоге получен прогноз того, как связаны между собой эти два параметра, подлежащих регулированию (планированию). 

Ключевые слова

искусственный интеллект, нейронные сети, качество нейросетевых решений, большие данные 

 Скачать статью в формате PDF

1. Хайкин С. Нейронные сети: полный курс. М. : Вильямс, 2006. С. 1104.
2. Иванов А. И., Захаров О. С. Среда моделирования «БиоНейроАвтограф». 2009. URL: http://пниэи.рф/ activity/science/noc/bioneuroautograph.zip
3. Иванов А. И. Автоматическое обучение больших искусственных нейронных сетей в биометрических приложениях : учеб. пособие. Пенза, 2013. 30 с. URL: http://пниэи.рф/activity/science/noc/tm_IvanovAI.pdf
4. Качайкин Е. И., Куликов С. В. Получение биометрических параметров высокого качества из статического изображения рукописной подписи // Инфокоммуникационные технологии. 2015. № 4. С. 45–49.
5. Иванов А. И., Ложников П. С., Качайкин Е. И. Идентификация подлинности рукописных автографов сетями Байеса – Хэмминга и сетями квадратичных форм // Вопросы защиты информации. 2015. № 2. С. 28–34.
6. Иванов А. И., Ложников П. С., Качайкин Е. И., Сулавко А. Е. Биометрическая идентификация рукописных образов с использованием корреляционного аналога правила Байеса // Вопросы защиты информации. 2015. № 3. С. 48–54.
7. Кубасов А. И., Иванов А. И. Условия оперативного тестирования больших нейронных сетей на малых выборках // Академическая мысль. 2020. № 3. С. 102–106.
8. Иванов А. И., Кубасов И. А., Самокутяев А. М. Тестирование больших нейронных сетей на малых выборках // Надежность и качество сложных систем. 2020. № 3. С. 72–79. doi: 10.21685/2307-4205-2020-3-9.
9. Шалыгин А. С., Палагин Ю. И. Прикладные методы статистического моделирования. Л. : Машиностроение, 1986. 320 с.
10. Иванов А. И., Золотарева Т. А. Искусственный интеллект в защищенном исполнении: синтез статистико-нейросетевых автоматов многокритериальной проверки гипотезы независимости малых выборок биометрических данных. Препринт. Пенза : Из-во ПГУ, 2020. 105 c. ISBN 978-5-907364-24-0.
11. Иванов А. И., Банных А. Г., Серикова Ю. И. Учет влияния корреляционных связей через их усреднение по модулю при нейросетевом обобщении статистических критериев для малых выборок // Надежность. 2020. № 20. С. 28–34. URL: https://doi.org/10.21683/1729-2646-2020-20-2-28-34
12. Иванов А. И., Банных А. Г. Быстрая оценка энтропии длинных кодов с зависимыми разрядами на микроконтроллерах с малым потреблением и низкой разрядностью (обзор литературы по снижению размерности задачи) // Инженерные технологии и системы. 2020. Т. 30, № 2. С. 300–312. doi: 10.15507/2658-4123.030.2020.02.300.312.
13. Качайкин Е. И., Куликов С. В. Получение биометрических параметров высокого качества из статического изображения рукописной подписи // Инфокоммуникационные технологии. 2015. № 4. С 45–49.