Метод декомпозиции функциональных характеристик систем искусственного интеллекта

Обложка
  • Авторы: Гарбук С.В.1,2
  • Учреждения:
    1. Всероссийский институт научной и технической информации Российской академии наук
    2. Технический комитет по стандартизации № 164 «Искусственный интеллект» Федерального агентства по техническому регулированию и метрологии
  • Выпуск: № 1 (2025)
  • Страницы: 14-32
  • Раздел: Системы, включающие искусственный интеллект
  • URL: https://journal-vniispk.ru/2071-8594/article/view/293487
  • DOI: https://doi.org/10.14357/20718594250102
  • EDN: https://elibrary.ru/WVSNNW
  • ID: 293487

Цитировать

Полный текст

Аннотация

При принятии решений о возможности применения систем искусственного интеллекта для решения конкретных прикладных задач одной из важнейших проблем является объективное оценивание функциональных характеристик этих систем в запланированных условиях эксплуатации. В статье предложен подход к обоснованию состава факторов внешней среды, вариативность которых необходимо учитывать для обеспечения требуемого уровня репрезентативности проводимых испытаний систем искусственного интеллекта. В основу предлагаемого подхода положено предположение о необходимости разработки классификатора элементарных интеллектуальных функций, схожих с функциями естественного интеллекта человека и обладающих определенными, унифицированными в пределах одного класса, требованиями к вариативности условий их испытания.

Об авторах

Сергей Владимирович Гарбук

Всероссийский институт научной и технической информации Российской академии наук; Технический комитет по стандартизации № 164 «Искусственный интеллект» Федерального агентства по техническому регулированию и метрологии

Автор, ответственный за переписку.
Email: garbuk@list.ru

кандидат технических наук, старший научный сотрудник, директор, председатель

Россия, Москва; Москва

Список литературы

  1. Minsky M. Steps Toward Artificial Intelligence // Proceedings of the IRE. 1961. V. 49 (1). P. 8-30.
  2. ГОСТ 59277-2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта. Дата введения 01.03.2021.
  3. ПНСТ 838-2023. Искусственный интеллект. Структура описания систем искусственного интеллекта, использующих машинное обучение (ISO/IEC 23053:2022, IDT). Дата введения 01.01.2024.
  4. ISO/IEC 24030:2024. Information technology — Artificial intelligence (AI) — Use cases. Дата введения 08.04.2024. P. 184.
  5. Chen F., Zhou J. Humanity Driven AI: Productivity, Wellbeing, Sustainability and Partnership. Sydney: Springer Cham, 2021. P. 330.
  6. Национальная стратегия развития искусственного интеллекта на период до 2030 года, утверждена Указом Президента Российской Федерации от 10.10.2019 г. № 490.
  7. Schmid T., Hildesheim W., Holoyad T., Schumacher K. The AI Methods, Capabilities and Criticality Grid. A ThreeDimensional Classification Scheme for Artificial Intelligence Applications // KI Künstliche Intelligenz. V. 35. P. 425–440.
  8. Гарбук С.В. Оценка качества систем искусственного интеллекта: особенности проведения и нормативно-техническая база // Контроль качества продукции. 2024. № 1. С. 20-26.
  9. Cosmides L., Tooby J. Beyond intuition and instinct blindness: toward an evolutionarily rigorous cognitive science // Cognition. 1994. V. 50. P. 41-77.
  10. Дрейфус Х. Чего не могут вычислительные машины: критика искусственного разума. Пер. с англ. Общ. ред., Б.В. Бирюкова. М.: Книжный дом «Либроком», 2010. С. 336.
  11. Марков А. Эволюция человека. В 2 кн. Кн. 1. Обезьяны, кости и гены. Москва: ACT: CORPUS, 2014. С. 464.
  12. Марков А. Эволюция человека. В 2 кн. Кн. 2. Обезьяны, нейроны, душа. Москва: ACT: CORPUS, 2014. С. 511.
  13. Опарин А.И. Жизнь, её природа, происхождение и развитие. М.: Издательство Академии наук СССР, 1960. С. 190.
  14. Тихомиров О.К. Психология мышления. М.: Издательство Московского университета, 1984. С. 272.
  15. Юнг К.Г., Фон Франц М.-Л., Хендерсон Дж. Л., Якоби И., Яффе А. Человек и его символы. Под редакцией С.Н. Сиренко. М.: Медков С.Б., 2020. С. 352.
  16. РМГ 29-2013 ГСИ. Метрология. Основные термины и определения. Рекомендации по межгосударственной стандартизации от 05.12.2013 № 29-2013.
  17. Финн В.К. Интеллект, информационное общество, гуманитарное знание и образование. Предисл. В.А.Лекторского. М.: ЛЕНАНД, 2021. С. 464.
  18. Nickerson R.S., Perkins D.N., Smith E.E. The teaching of thinking. Hillsdale, NY: Erlbaum, 1985.
  19. Дунин-Барковский В.Л. Бугорковые аттракторы и проблема поиска «кода разума» // Математическая биология и биоинформатика. III Международная конференция. Доклады. Под ред. В.Д. Лахно. М.: Издательство "Макс пресс". 2010. С. 66.
  20. Голдберг Э. Управляющий мозг. Лобные доли, лидерство и цивилизация. Пер. с англ. Д. Бугакова. М.: Смысл, 2003. С. 335.
  21. Шамис А.Л. Пути моделирования мышления. М.: URSS, 2017. 336 с.
  22. Князева Е. Н. Энактивизм: концептуальный поворот в эпистемологии // Вопросы философии. 2013. № 10. С. 91–104.
  23. Князева Е. Н. Эволюционная эпистемология перед лицом междисциплинарных вызовов современной науки // Философия науки. Вып. 19. М.: Институт философии РАН, 2014. С. 125-144.
  24. Russell S.J., Norvig P. Artificial Intelligence. A Modern Approach. Second Edition. Pearson Education, Inc. 2003. 874 p.
  25. Краткий толковый психолого-психиатрический словарь. Под ред. К. Игишева. 2008.
  26. Jalaian B., Lee M., Russell S. Uncertain Context: Uncertainty Quantification in Machine Learning // AI MAGAZINE. 2019. V. 40. No 4. P. 40-49.
  27. Adel T., Bilson S., Levene M., Thompson A. Trustworthy Artificial Intelligence in the Context of Metrology. 2024. arXiv:2406.10117v1 [cs.LG] 14.06. 2024.
  28. Арбиб М. Метафорический мозг. Пер. с англ. Под ред. и с предисл. Д.А.Поспелова. Изд. 3-е. М.: Едиториал УРСС, 2010. С. 304.
  29. Гарбук С.В., Губинский А.М. Искусственный интеллект в ведущих странах мира: стратегии развития и военное применение. М.: Знание, 2020. С. 590.
  30. Сеченов И.М. Рефлексы головного мозга. М: АСТ, 2015. 352 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).