Искусственный интеллект в государственном и муниципальном управлении. Учебное пособие. 2-е издание

– Обучение с подкреплением (Reinforcement Learning, RL), при котором модель (агент) учится принимать решения в определенной среде, взаимодействуя с ней и получая обратную связь в виде награды или штрафа. Цель агента – максимизировать суммарную награду, полученную за время взаимодействия со средой. Обучение с подкреплением используется в робототехнике, играх, рекомендательных системах и в управлении ресурсами. Обучение с подкреплением часто требует большого количества проб и ошибок, чтобы агент научился оптимальной стратегии.

Выбор подходящего метода обучения зависит от типа задачи, доступности данных и вычислительных ресурсов. В некоторых случаях для достижения наилучших результатов может быть полезно комбинировать различные методы обучения. Например, можно использовать обучение без учителя для предварительной обработки данных, а затем использовать обучение с учителем для обучения модели на размеченных данных.

3. Создание ИИ-модели на примере идентификации лиц.

Рассмотрим процесс создания ИИ-модели на примере идентификации лиц. Схема довольно упрощённая, но позволяет понять из каких основных этапов может состоять процесс.

3.1. Сбор данных (формирование базы данных).

Нам нужна обширная база данных изображений лиц, полученных из различных источников: фотографии из паспортов, водительских удостоверений, систем видеонаблюдения (с соблюдением требований законодательства о защите персональных данных). Крайне важно, чтобы данные были высокого качества, нужны чёткие фотографии с хорошим освещением. Некачественные изображения снизят эффективность работы системы. Следует обратить внимание на разнообразие, в базе должны быть представлены лица разного возраста, пола, национальности, с разным выражением лица (нейтральным, улыбающимся).

3.2. Предварительная обработка данных (подготовка изображений).

Полученные изображения необходимо «очистить» и привести к единому стандарту. Это включает в себя удаление дефектов, устранение размытостей и засветов, геометрическую нормализацию (поворот, масштабирование, обрезку изображений для приведения лиц к единому размеру и положению) и преобразование в формат, понятный модели, т.е. оцифровка.

3.3. Выбор модели (выбор технологии распознавания).

На этом этапе выбирается конкретный алгоритм распознавания лиц. Как ранее было рассмотрено, существует множество вариантов, каждый из которых имеет свои преимущества и недостатки. Проще говоря, алгоритм представляет собой математическую функцию, которая принимает на вход изображение лица и выдаёт результат – идентификатор личности. При выборе алгоритма необходимо учитывать требования к точности, скорости работы и вычислительным ресурсам.

3.4. Обучение модели (настройка системы распознавания).

Алгоритм «обучается» на подготовленной базе данных изображений. В процессе обучения алгоритм анализирует изображения и выявляет уникальные черты лица каждого человека (расстояние между глазами, форму носа, контур лица). Чем больше данных используется для обучения, тем точнее и надёжнее будет работать система. Это похоже на обучение сотрудника, чем больше примеров он увидит, тем лучше сможет выполнять свою работу.

3.5. Оценка модели (тестирование системы).

После обучения необходимо проверить, насколько хорошо работает система. Для этого используются тестовые изображения, которые не участвовали в процессе обучения. Оцениваются такие параметры, как точность (процент правильных идентификаций), полнота (процент правильно идентифицированных лиц от общего числа лиц, представленных в базе данных) и скорость работы (время, необходимое для идентификации одного лица).

3.6. Развертывание модели (ввод системы в эксплуатацию).

Если система успешно прошла тестирование, она готова к использованию в реальных условиях. Это может включать интеграцию с существующими системами видеонаблюдения, базами данных, системами контроля доступа. Необходимо обеспечить безопасность системы, защиту от несанкционированного доступа и кибератак.

Система должна регулярно обновляться и совершенствоваться для поддержания высокой точности и соответствия требованиям безопасности.

4. Создание ИИ-модели на примере GPT.

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

Наша задача – создать систему, которая сможет самостоятельно писать связные и осмысленные тексты на различные темы. Представьте себе опытного секретаря-референта, который умеет грамотно составлять письма, отчёты и ответы на вопросы. Мы хотим «научить» компьютер делать то же самое. Для этого нам предстоит пройти несколько этапов.

4.1. Подготовка «учебника» (сбор и токенизация текста).

Для начала мы собираем большой объём текстов из разных источников: книг, статей, новостных сайтов, законодательных актов (в зависимости от того, какие тексты мы хотим, чтобы система генерировала). Затем эти тексты разбиваются на мельчайшие частички – как слова разбиваются на буквы. Эти частички называются «токенами».

4.2. Создание «словаря ассоциаций» (преобразование в эмбеддинги):

Для каждой части текста (токена) создаётся своего рода «паспорт», в котором указывается, с какими другими частями она чаще всего встречается. Например, слово «кот» часто встречается рядом со словами «мышь», «молоко», «шерсть» и т. п. Так создаётся огромный «словарь ассоциаций», который позволяет системе понимать, какие слова обычно идут вместе.

4.3. Обучение «секретаря» (блок декодирования трансформатора).

Далее мы используем специально разработанную программу (алгоритм), которая называется «трансформер». Этот «трансформер» – как очень умный ученик, который изучает наш «учебник» (тексты) и «словарь ассоциаций». В процессе обучения он выявляет закономерности и связи между словами, учится правильно строить предложения и понимать, как одна фраза связана с другой. Это как если бы мы показывали ученику множество примеров написанных текстов и объясняли, почему они составлены именно так.

4.4. Проверка знаний (файнтюнинг).

После того как «секретарь» обучен, мы проверяем, насколько хорошо он умеет писать тексты. Мы даем ему задание – например, написать ответ на вопрос гражданина. Если ответ получается не очень хорошим, мы показываем ему пример правильного ответа и просим его исправиться. Этот процесс называется «точная настройка» или «файнтюнинг».

4.5. Генерация текста (выдача результата).

Теперь наш «секретарь» готов к работе. Когда мы задаём ему вопрос, он анализирует его, вспоминает свои «знания» из «учебника» и «словаря ассоциаций» и генерирует ответ. Ответ получается связным и осмысленным, как если бы его написал человек.

При этом необходимо учитывать, что систему необходимо постоянно обучать и настраивать, чтобы она не устаревала и генерировала качественные тексты.

1.4. Использование ИИ в различных сферах общественной жизни

Здравоохранение.

Искусственный интеллект находит широкое применение в здравоохранении. Основные тренды в развитии ИИ лежат в плоскости поддержки принятия врачебных решений, анализа медицинских изображений, постановки диагноза и разработки лекарственных средств [7].

Одним из наиболее популярных, и в настоящее время часто применяемых, 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, имеющихся в их электронных медицинских картах. 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. Так, например, канадская компания BlueDot Insights, использующая ИИ для анализа данных о заболеваниях, предсказала вспышку коронавируса в Ухане (Китай) 31 декабря 2019 года, раньше чем это сделала ВОЗ [8]

Российское фармацевтическое предприятие «Инфамед К» (разработчик и производитель лекарственных препаратов «Мирамистин» и «Окомистин») использует модульную ИИ-платформу для разработки нового лекарственного средства. Чтобы оптимизировать поиск, обработку и анализ химической информации «Инфамед К» с помощью ИИ прогнозирует более 80 свойств веществ, включая токсикологические характеристики, что сокращает время выпуска новых лекарств в 2—3 раза [9].

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 [10].

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 [11].

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 [12].

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.

К ключевым трендам развития ИИ в промышленности в мире и России в настоящее время относятся:

– расширение использования ИИ в малых и средних предприятиях (МСП);

– рост количества нормативных требований к использованию ИИ;

– интеграцию ИИ и робототехнических комплексов для сборочных операций;

– новое поколение IoT с применением ИИ (AIoT);

– ускорение когнитивной автоматизации (развитие «мыслительной» способности ИИ самостоятельно автоматизировать решения) [12].

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. Так, например, в США разработана ИИ-модель, которая измеряет интенсивность обработки почвы на основе изображений почвы, а разработанный алгоритм объединяет эти данные с информацией от датчиков о состоянии почвы и факторах окружающей среды (температура, влажность) для определения оптимальных уровней обработки почвы и внесения удобрений. Этот подход, учитывающий как обработку почвы, так и внесение удобрений, представляет собой комплексное решение для снижения деградации почвы и воздействия на окружающую среду в сельскохозяйственной практике [13].

Также ИИ используется для прогнозирования урожайности на основе исторических данных о погоде, почве и урожаях [14]. Системы прогнозирования урожайности помогают 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 [15].

Управление искусственным интеллектом внедрено на крупной молочной ферме в Башкирии с 2025 года, это позволяет оптимизировать процессы управления большими поголовьями скота. Каждое животное находится под онлайн-наблюдением камер, а ИИ ориентирован на эталон коровы, какой она должна быть. Если зафиксировано отклонение от заданных параметров, программа даёт сигнал. Также ИИ анализирует поведение животных, обеспечивает их кормом, водой, свежим воздухом посредством системы вентиляции и в некоторых случаях может заранее увидеть зарождение заболеваний на примере проблемы с копытами по походке или хромоте и оповестить ветеринара [16].

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 в конце сентября 2024 г. запустили на протяжении всей трассы М-11 «Нева». 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» [17].

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.

Финансовые технологии.

Использование искусственного интеллекта в сфере финансовых технологий в основном заключается в автоматизации процессов и повышении операционной эффективности. ИИ трансформирует банковскую отрасль, предлагая инструменты для роста эффективности, снижения рисков и улучшения клиентского опыта. Искусственный интеллект активно внедряется для оптимизации рутинных операций, таких как обработка кредитных заявок, верификация документов и управление клиентскими данными.

ИИ стал ключевым инструментом для анализа кредитоспособности клиентов и прогнозирования дефолтов. Нейросети анализируют не только кредитную историю, но и поведенческие паттерны, социальные данные и рыночные тренды, что повышает точность скоринга. По состоянию на март 2024 года «Сбер» принимает 100% решений о выдаче кредитных карт и более 90% потребительских кредитов на основе ИИ, что сократило время обработки заявок до 2 минут [18]. Чат-боты, такие как «Салют» (Сбер) или «Олег» (Т-банк), решают до 80% типовых запросов без участия человека, обеспечивая круглосуточную поддержку. В Альфа-Банке внедрена система речевой аналитики, которая автоматически обрабатывает 97% звонков в контакт-центре. Росбанк применяет ИИ для автоматической обработки данных при открытии счетов и совершении операций, система распознает более 70 реквизитов с документов за 2 секунды, что значительно ускоряет процесс обслуживания клиентов [19]

В борьбе с мошенничеством алгоритмы ИИ выявляют аномалии в транзакциях, такие как нестандартные суммы или подозрительные географические перемещения средств. Так, например, компании Wildberries и Russ разработали и внедрили собственную систему на базе искусственного интеллекта для автоматического выявления и блокировки аккаунтов «дроперов» c точностью 99,99%. Так называют граждан, которые за вознаграждение предоставляют третьим лицам доступ к своим банковским счетам или картам для участия в незаконных схемах. Новая антифрод-система обрабатывает около 10 тыс. финансовых операций в секунду и в онлайн-режиме оценивает каждую из них на предмет потенциального мошенничества [20].

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 [21].

В Сахалинской области внедряют искусственный интеллект для протоколирования судебных заседаний, ИИ подготовит стенограмму, проанализирует аудиозапись судебного заседания, выделит ключевые моменты, а также сформирует протокол. Правильность фиксирования данных будет проверять секретарь судебного заседания и мировой судья, при необходимости в готовый текст внесут правки [22].

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 [23].

В Аргентине искусственный интеллект уже применяется в автоматизации заявок на получение гражданства и систематизации приговоров в уголовной юстиции, а также помогает в администрировании тюрем, рассчитывая баллы за поведение заключенных в зависимости от их участия в образовательных и трудовых программах. Прокуратура Буэнос-Айреса начала использовать генеративный ИИ для предсказания судебных решений по делам о выплате зарплат в госсекторе. Сотрудники загружают документы в ChatGPT, который анализирует их, классифицирует и готовит проект решения [24].

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 формирования с пока ещё низкой активностью. «Законодательное регулирование технологии искусственного интеллекта не планируется в ближайшие два года», – об этом в ходе презентации национального проекта «Экономика данных» рассказал вице-премьер – руководитель аппарата правительства РФ [25].

Но отдельные шаги в этом направлении, тем не менее, сделаны. Так, например, 10 октября 2019 года Указом Президента РФ от №490 была утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 года. 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.