Задаваясь вопросом: Что такое искусственный интеллект? Ответо будет зависеть от того, когда вы задали этот вопрос.
Еще в 1950-х годах, Минский и Маккарти описали искусственный интеллект, как любая задача, выполняемая программой или машиной, которые могут быть выполнены так, как если бы выполнял эту же задачу человек в виде интеллектуальной деятельности.
Очевидно, довольно широкое определение ИИ.
Системы ИИ обычно демонстрируют некоторые из следующих поведений, связанных с человеческим интеллектом: планирование, обучение, рассуждение, решение проблем, представление знаний, восприятие, движение и манипуляции и, в меньшей степени, социальный интеллект и творчество.
Какая польза от искусственного интеллекта?
Искусственный интеллект в настоящее время используется повсеместно. Например, виртуальные голосовые помощники, такие как и Siri от Apple, чтобы узнать кто и что находится на фотографии, чтобы определить спам или обнаружить мошенничество с кредитными картами.
Типы искусственного интеллекта
На очень высоком уровне искусственный интеллект можно разделить на два широких типа: узкий ИИ и общий ИИ.
Узкий ИИ-это то, что мы видим вокруг себя в компьютерах сегодня: интеллектуальные системы, которые были научены или научились выполнять конкретные задачи, не будучи явно запрограммированными, как это сделать.
Этот тип машинного интеллекта очевиден в распознавании речи и языка виртуального помощника Siri на Apple iPhone, в системах распознавания зрения на беспилотных автомобилях. В отличие от людей, эти системы могут только учиться или обучаться тому, как выполнять конкретные задачи, поэтому их называют узким ИИ.
Есть огромное количество новых приложений для узкого ИИ: перевод видео с беспилотников, осуществляющих осмотр объектов инфраструктуры, таких как нефтепроводы, организация личных и деловых календарей, ответы на простые вопросы поддержкой клиентского сервиса, координация действий с другими интеллектуальными системами, выполнение таких задачх, как бронирование отеля в любой момент, помощь , чтобы определить возможные опухоли с помощью рентгеновских снимков, блокировка нежелательного контента в интернете, выявления износа в лифтах от данных, собранных с помощью IoT-устройств, список продолжаться может очень долго.
Какие функции может выполнять общий ИИ?
Общий искусственный интеллект очень отличается, и является адаптируемым типом интеллекта, подобно интеллекту человека, гибкой формой интеллекта, способной научиться выполнять совершенно разные задачи, от стрижки до построения электронных таблиц, или рассуждать на различные темы, основанные на его накопленном опыте. Этот ИИ более часто люди видели в фильмах, подобных Скайнет в Терминаторе, но который ещё не существует сегодня и эксперты в области ИИ пишут о том, как вскоре всё это станет реальностью.
Опрос, проведенный среди четырех групп экспертов в 2012/13 году исследователями ИИ Винсентом Мюллером и философом ником Бостром, показал 50-процентную вероятность того, что Общий искусственный интеллект (AGI) будет разработан между 2040 и 2050 годами, увеличившись до 90 процентов к 2075 году. Группа пошла еще дальше, предсказывая, что ИИ сможет значительно превзойти деятельность человека практически во всех областях.
Тем не менее, некоторые эксперты ИИ считают, что такие прогнозы дико оптимистичны, учитывая наше ограниченное понимание человеческого мозга, и считают, что AGI все еще будет развиваться на протяжении веков.
Что такое машинное обучение?
Существует широкий спектр исследований в области ИИ, многие из которых питают и дополняют друг друга.
В настоящее время, машинное обучение-это то пространство, где компьютерная система получает большие объемы данных, которые она затем использует, чтобы научиться выполнять определенную задачу, такую как распознавание речи или подпись к фотографии.
Что такое нейронные сети (Ботнет) ?
Ключом к процессу машинного обучения являются нейронные сети. Это умные сети взаимосвязанных уровней алгоритмов, называемых нейронами, которые питают данные друг в друга, и которые могут быть обучены выполнять конкретные задачи, изменяя важность, приписываемую исходными данными. Во время обучения этих нейронных сетей значимость информации, прикрепленной в виде входящих данных, будет изменяться до тех пор, пока выход из нейронной сети не будет очень близок к желаемому, и в этот момент сеть «научится» выполнять ту или иную задачу.
Подмножество машинного обучения является глубоким обучением, где нейронные сети расширяются в разросшиеся сети с огромным количеством слоев, которые обучаются с использованием массивных объемов данных. Именно эти глубокие нейронные сети подпитывали нынешний скачок вперед в способности компьютеров выполнять такие задачи, как распознавание речи и компьютерное зрение.
Существуют различные типы нейронных сетей, с различными сильными и слабыми сторонами.
Рекуррентные нейронные сети-это тип нейронной сети, особенно хорошо подходящей для обработки языка и распознавания речи, в то время как сверточные нейронные сети чаще всего используются в распознавании изображений. Одним из ярких примеров нейронной сети является Google переводчик .
Другая область исследований ИИ-это эволюционные вычисления, которые заимствованы из знаменитой теории естественного отбора Дарвина, они замечают, что генетические алгоритмы подвергаются случайным мутациям и комбинациям между поколениями в попытке развить оптимальное решение данной проблемы.
Этот подход был использован даже для того, чтобы помочь конструировать модели ИИ, эффектно используя ИИ, для того чтобы помочь построить AI. Такое использование эволюционных алгоритмов для оптимизации нейронных сетей называется нейроэволюцией и могло бы сыграть важную роль в содействии разработке эффективного ИИ, по мере того, как использование интеллектуальных систем становится более распространенным, особенно, когда спрос на информацию часто опережает предложение. Этот метод был недавно продемонстрированы компанией Uber Labs, которая опубликовала результаты исследования об использовании генетических алгоритмов для обучения глубоких нейронных сетей с подкреплением проблемы.
Наконец, существуют экспертные системы, где компьютеры программируются с помощью алгоритмов, которые позволяют им принимать ряд решений, основанных на большом количестве входов, что позволяет этой машине имитировать поведение эксперта-человека в конкретной области. Примером таких систем, основанных на знаниях, может быть, например, система автопилота на самолете.
Что помогает развитию Искусственного интеллекта?
Самые большие прорывы для исследований в области технологии ИИ, в последние годы, были в области машинного обучения, в частности, в области глубокого обучения.
Отчасти это было обусловлено легкой доступностью данных, а также стремительным подъемом развития параллельных вычислительных мощностей в последние годы, в течение которых использование кластеров GPU для обучения систем машинного обучения стало более распространенным.
Эти кластеры не только предлагают более мощные системы для обучения моделям машинного обучения, но теперь широко доступны в виде облачных сервисов через интернет. Со временем крупные технологические компании, такие как Google и Microsoft, перешли к использованию специализированных процессоров, адаптированных как к запущенным, так и к недавно обученным моделям машинного обучения.
Примером одного из этих пользовательских чипов является (TPU), последняя версия которого ускоряет скорость, с которой эффективные модели машинного обучения, построенные с использованием библиотеки программного обеспечения Tensorflow Google, могут выводить информацию из данных, а также скорость, с которой они могут быть обучены.
Эти чипы используются не только для обучения моделей для DeepMind Google, но и для моделей, которые находятся в и распознавания изображений в Google Фото, а также услуг, которые позволяют общественности построить машинное обучение модели с помощью Google TensorFlow. Второе поколение этих чипов былj представлено на конференции компании Google в мае прошлого года, с массивом этих новых TPUs способных обучить модель машинного обучения Google, используемая для перевода в половину меньше времени, которое потребуется чтобы обработать массив данных из топовых графических процессоров (GPU).
Из каких элементов состоит машинное обучение?
Как уже упоминалось, машинное обучение является подмножеством ИИ и, как правило, делится на две основные категории: контролируемое и неконтролируемое машинное обучение.
Машинное обучение под наблюдением
Распространенным методом обучения систем ИИ является их обучение с использованием очень большого количества информации с примерами. Эти системы машинного обучения получают огромное количество данных, которые были аннотированы, чтобы подчеркнуть особенности, представляющие интерес. Это могут быть фотографии с меткой, чтобы сообщить пользователю, содержат ли они собаку или тестовую надпись. То есть происходит распознавание документа, текст или картинка на документе. А затем, система определяет к чему можно отнести картинку и ставит соответствующие метки для изображений (вид животного, памятник итд) либо пытается распознать и прочитать текст на документе. После обучения система может применить эти метки к новым данным, например, к собаке на фотографии, которая только что была загружена.
Этот процесс обучения машин, на примере выше, называется обучением с учителем. Маркировкой меток осуществляется обычно сотрудниками, работающих на таких платформах, как .
Обучение этих систем ИИ,обычно, требует больших объемов данных, при этом некоторые системы должны искать миллионы примеров, чтобы научиться эффективно выполнять задачи, хотя это становится все более возможным в эпоху большого количества информации и широкого интеллектуального анализа данных. Тренировочные наборы данных огромны и растут в размерах — в доступных изображениях Google есть около девяти миллионов изображений, а видео хостинг YouTube до семи миллионов с отметкой видео.
Обучением такого искусственного интеллекта занимаются люди. Как уже было написано выше, они ставят различные метки для текстов, изображений, видео. Эти метки используются ИИ, как примеры, для будущих распознаваний текстов, изображений. За два года был собран штат почти в 50 000 человек — большинство из которых были наняты через Amazon Mechanical Turk.
В долгосрочной перспективе доступ к огромным наборам данных с маркировкой также может оказаться менее важным, чем доступ к большому количеству вычислительной мощности.
В последние годы, системы машинного обучения показали, что могут генерировать огромное количество информации для собственного обучения.
Этот подход может привести к росту полууправляемого обучения, где системы могут научиться выполнять задачи с использованием гораздо меньшего количества маркированных данных, чем это необходимо для систем обучения с использованием контролируемого обучения сегодня.
Неконтролируемое машинное обучение
В отличие первого, неконтролируемое обучение использует другой подход, когда алгоритмы пытаются определить шаблоны в данных, ища сходства, которые могут быть использованы для классификации этих данных.
Примером может быть группировка фруктов, которые имеют один вес или автомобили с одинаковым объемом двигателя.
Алгоритм не настраивается заранее, чтобы выбрать конкретные типы данных, он просто ищет данные, которые могут быть сгруппированы по своим сходствам, например, Google Новости, группирующие новости по похожим темам каждый день.
Обучение с подкреплением
В процессе обучения с подкреплением система пытается максимизировать вознаграждение, основанное на входных данных, в основном проходя через процесс проб и ошибок, пока не достигнет наилучшего возможного результата.
Примером обучения с подкреплением является Google DeepMind , которая используется для лучшей работоспособности человека в различных классических видеоиграх. Система питается пикселями от каждой игры и определяет различную информацию, например, расстояние между объектами на экране.
Ведущие компании в области технологии искусственного интеллекта
Технологические компании-гиганты, а также стартапы делают всё, чтобы завоевать место на рынке будущих технологий, а именно технологий связанных с развитием искусственного интеллекта.
Каждый из них регулярно пишет доклады и статьи в исследованиях ИИ, хотя, вероятно, что Google с его DeepMind AlphaGo, оказала самое большое влияние на осведомленность общественности об ИИ.
Какие услуги ИИ доступны пользователям?
Все основные облачные платформы Amazon, и Облачная платформа Google — обеспечивают доступ к GPU для подготовки и запуска моделей машинного обучения.
Вся необходимая инфраструктура и услуги доступны от большой тройки в облачных хранилищах данных, способных содержать огромное количество информации, необходимой для обучения моделей машинного обучения, служб преобразования данных для подготовки к анализу информацию, инструментов визуализации для четкого отображения результатов и программного обеспечения, которое упрощает построение моделей.
Эти облачные платформы упрощают создание пользовательских моделей машинного обучения, Google недавно представила сервис, автоматизирующий создание модели ИИ, называемый Cloud AutoML. Эта служба создает пользовательские модели распознавания изображений, даже если у пользователя не было опыта машинного обучения.
Основе облачных технологий, машинного обучения, сервисы постоянно развиваются, модели обучения ИИ упрощаются.
Для тех фирм, которые не хотят создавать свои собственные модели машинного обучения, но хотят использовать AI-powered, on-demand сервисы-такие как voice, vision и Language recognition- Microsoft Azure выделяется широтой предлагаемых сервисов, за которыми следуют облачная Платформа Google, а затем AWS. Тем временем компания IBM также пытается продать отраслевых услуги технологии ИИ, направленные на всё, начиная от здравоохранения до торговли, группируя эти предложения вместе под названиеми в последнее время инвестирует $2 млрд, чтобы увеличить свои услуги в сфере искусственного интеллекта.
Кто выигрывает гонку в технологиях ИИ?
Искусственный интеллект в здравоохранении
ИИ может оказать значительное влияние на развитие здравоохранения, помогая рентгенологам выявлять опухоли в рентгеновских снимках, помогая исследователям обнаруживать генетические последовательности, связанные с заболеваниями, и выявляя молекулы, которые могут привести к созданию более эффективных лекарств.
В больницах по всему миру были проведены испытания технологии, связанной с ИИ. Они включают использование системы IBM Watson, использование Google DeepMind систем Национальной службой здравоохранения Великобритании и многое другое.
Опять же, это зависит от того, кого вы спросите.
Генеральный директор компаний Tesla и SpaceX, что ИИ-это «фундаментальный риск для существования человеческой цивилизации». В рамках своего стремления к более сильному регуляторному надзору и более ответственным исследованиям по смягчению недостатков ИИ он создал OpenAI, некоммерческую компанию по исследованию искусственного интеллекта, которая стремится продвигать и развивать дружественный человечеству ИИ, который должен принести пользу обществу в целом.
Аналогично, уважаемый физик Стивен Хокинг предупредил, что как только достаточно продвинутый ИИ будет создан, он будет быстро продвигаться к точке, в которой технология во много раз превышает человеческие возможности, явление, известное как сингулярность, и может представлять экзистенциальную угрозу человеческой расе.
Тем не менее, представление о том, что человечество находится на грани уничтожения ИИ кажется нелепым для некоторых исследователей ИИ.
Возможность искусственно интеллектуальных систем, заменяющих большую часть современного ручного труда могут отнять рабочие места у людей. Это является более вероятной теорией в ближайшем будущем.
Хотя ИИ не заменит все рабочие места, кажется, что он изменит характер работы, и единственный вопрос заключается в том, насколько быстро и насколько глубоко автоматизация изменит рабочее место.
Едва ли существует область человеческих усилий, которую ИИ не смог бы освоить. Эксперт в сфере ИИ, Эндрю Нг выразился: «многие люди занимаются рутинной, повторяющейся работой. К сожалению, технология особенно хороша в автоматизации рутинной, повторяющейся работы», заявив, что он видит «значительный риск технологической безработицы в течение следующих нескольких десятилетий».
Начинают появляться доказательства того, какие рабочие места будут вытеснены. Amazon недавно запустила в супермаркете города Сиэтл, где клиенты просто взять предметы с полок и уйти. Что это значит для более чем трех миллионов людей в США, которые работают кассирами, еще предстоит увидеть. Amazon намеренна использовать роботов для повышения эффективности внутри своих складов. Эти роботы расставляют и носят товары для человека комплектовщика, который выбирает элементы для отправки. Amazon имеет более 100 000 роботов в центрах реализации, и имеет планы развивать и увеличивать число роботов. Но Amazon также подчеркивает, что по мере роста числа ботов, будет расти также и число человеческих работников на этих складах. Однако, в Amazon и в небольших робототехнических компаниях на данный момент можно увидеть, как люди и роботы работают вместе. Эти роботы, которые работают вместе с человеком на одном пространстве называются cobots .
Появление на дорогах общего пользования полностью автономных самоуправляемых автомобилей не реальность, но по некоторым расчетам эта технология может отнять 1,7 млн. рабочих мест в ближайшие десятилетия, даже без учета курьеров и таксистов, которые также останутся без работы.
Тем не менее, некоторые из самых простых заданий для автоматизации даже не требуют использования робототехники. В настоящее время миллионы людей работают в администрации, осуществляют ввод и копирование данных между системами, бронирование отелей для компаний, и многое другое. По мере того, как программное обеспечение будет становится лучше, автоматически обновлять системы и помечать важную информацию, потребность в администраторах будет падать.
Но будут создаваться новые рабочие места для замены утраченных. Рекомендуем почитать об этом статью « «. Однако, неизвестно насколько быстро создадутся новые рабочие места за место потерянных человеком. И смогут ли люди так быстро обучиться и адаптироваться к новым технологиям.
Не все люди пессимисты. Для некоторых, ИИ-это технология, которая будет дополнять, а не подменять работников.
Среди экспертов ИИ существуют мнения о том, как быстро искусственно интеллектуальные системы превзойдут человеческие возможности.
Оксфордского университета будущего человечества Институте попросили несколько сотен машинного обучения экспертов для прогнозирования ИИ возможности, в течение ближайших десятилетий.
Компании подключили к решению этой задачи сам ИИ, который рассчитал, водители грузовиков будут сокращены к 2027 году, ИИ превзойдет человеческие возможности в розничной торговле к 2031 году, написание бестселлера к 2049 году и выполнение работы хирурга к 2053 году.
Специалисты оценили относительно высокую вероятность того, что ИИ опередит людей во всех сферах в течение 45 лет и автоматизирует все человеческие рабочие места в течение 120 лет.
Коротко расскажем об эволюции развития технологий и способах передачи информации по радиоканалу. Для лучшего понимания материала остановимся на нескольких фундаментальных понятиях, принятых в радио связи и передаче информации с использованием радиоволн.
Модуляция – дает возможность передавать сигнал на большое расстояние в заданной полосе частот и с заданными характеристиками (фаза, частота, амплитуда).
Канал связи – среда, в которой эффективно распространяется сигнал путем передачи электромагнитной энергии.
Кодирование обеспечивает помехоустойчивость передаваемой информации и достоверность передачи данных.
Шифрование относиться к разделу защиты информации. Оно обеспечивает ограниченный доступ к переданной информации и защиту от прослушивания, так как для доступа необходим своего рода ключ.
Методы разделения каналов связи – технические средства, которые позволяют организовать многоабонентскую связь в заданной полосе частот. Данное утверждение будем рассматривать только для цифровых систем телекоммуникации и связи. Сюда же будим относить и сетевые технологии, такие как TCP/IP протокол.
Первые методы передачи сигнала по радио эфиру
Проанализируем последовательность развития радиотехнологий с последовательным «включением» вышеизложенных понятий.
Первые радио приемо-передатчики (трансиверы — transceivers) использовали амплитудную модуляцию (АМ) , см. рис. 1, и ее разновидности: балансная АМ (БАМ с подавлением несущей), однополосная БАМ (ОБАМ).
Временной график АМ
Общая формула АМ: Sam (t )=(1+ m * sin (Ws * t ))* Vn * sin (Wn * t ) (1), где
Sam (t ) – про модулированный сигнал;
m – индекс модуляции, m = Vs / Vn ;
Vs – амплитуда передаваемого сигнала;
Ws – частота передаваемого сигнала;
Vn
Wn – часта несущего колебания.
Это был первый шаг к передаче информации на расстояние. Каналы разделялись по частотам методом перестройки входных фильтров на другую частоту. Решение работало хорошо но АМ была слишком подвержена внешним помехам, таким как разряды молний, искрение на клеммах генераторов, двигателей, умышленная помеха и т. п.
Передача информации производилась через эфир (по воздуху) и через провода (кабель). С появлением высокоскоростной цифровой техники появилась возможность кодировать информацию в цифровой вид, что дало в свою очередь возможность шифровать сигнал. Так же для передачи импульсных (цифровых) сигналов широко применяют квадратурную амплитудную модуляцию (КАМ — QAM) и ее разновидности.
Амплитудная модуляция применяется в диапазонах ДВ, СВ, КВ для аналогового вещания. Для цифрового радиовещания (DRM) – используется только КВ. Разделение используемых в технике радиочастот на диапазоны можно рассмотреть в таблице 3, которая приведена ниже:
| 4 | Прикладной (Application layer) | напр., HTTP , RTSP , FTP , DNS |
| 3 | Транспортный (Transport layer) | напр., TCP , UDP , SCTP , DCCP (RIP , протоколы маршрутизации, подобные OSPF , что работают поверх IP , являются частью сетевого уровня) |
| 2 | Сетевой (Internet layer) | Для TCP/IP это IP (вспомогательные протоколы, вроде ICMP и IGMP , работают поверх IP, но тоже относятся к сетевому уровню; протокол ARP является самостоятельным вспомогательным протоколом, работающим поверх канального уровня) |
| 1 | Канальный (Link layer) | Ethernet , IEEE 802.11 Wireless Ethernet , SLIP , Token Ring , ATM и MPLS , физическая среда и принципы кодирования информации, T1 , E1 |
ДВ-, СВ-диапазон широко применяют для загоризонтной связи, так как длина волны на данных частотах позволяет сигналу переотражаться от ионосферы и попадать за линию горизонта, что дает возможность организовывать связь на расстоянии более 500 км, это можно отнести к основному преимуществу по сравнению с другими диапазонами частот где применяется АМ. Также плюсом является узкополосность сигнала (см. рис. 2) чем не могут похвастаться другие виды модуляции. На рисунке 2, Ω — это крайняя частота спектра полезного сигнала и как следствие нет расхода энергии передатчика на побочные спектральные составляющие, особенно хороший результат в энергетическом плане достигается для ОБАМ(SSB – однополосная балансная амплитудная модуляция с подавленной несущей).
Угловая модуляция (УМ). Вид модуляции, при которой выходной сигнал (несущая) на выходе модулятора имеет постоянную амплитуду, а изменяется фаза, частота или их комбинация.
Виды угловой модуляции: частотная (ЧМ, FM) и фазовая (ФМ, PM) – используется в аналоговой технике. Квадратурная фазовая (КФМ, QPSK), Гаусовская частотная модуляция (GFSK), Гаусовская частотная модуляция с минимальным сдвигом по частоте (GMSK) и т. п. используется для передачи цифровых сигналов. Цифровые виды модуляции или как ее еще называют цифровую манипуляцию мы рассмотрим более детально далее, где будут указаны ее основные преимущества и недостатки, связанные с теми компромиссами на которые приходится идти разработчикам для обеспечения надежности связи.
На рисунке 3 изображена ЧМ и ее спектр. Спектр сигналов при УМ гораздо шире чем при АМ но при квадратурно-амплитудной модуляции спектры соизмеримы по своей частотной полосе. На рисунке 3 (для примера) изображена ЧМ и ее спектр.
Рис 3: Временной график ЧМ как вид УМ и его спектр при индексе модуляции т = 15
Применяются УМ и ее разновидности в радиовещании и телевидении. Это диапазон VHF (УКВ/ОВЧ), UHF (УКВ-СВЧ).
Общая формула УМ: m (t ) = Vc * cos (Wc * t + Q (t )) (2), где
m (t ) – форма сигнала УМ;
Vc – амплитуда несущего колебания;
Wc – частота несущего колебания;
Q (t ) – закон изменения фазы, изменяя этот закон можно получать фазовую или частотную модуляцию.
Сравнивая рисунок 3 и 2 можно сделать выводы, что при УМ спектр шире чем у АМ. Это своего рода плата за помехоустойчивость сигнала.
Практически все носимые станции, начиная с 30 МГц, использовали УМ (ЧМ, ФМ) и имелись во всех родах войск.
Цифровая модуляция
С развитием элементной базы и математического аппарата для цифровой техники в начале 90-х годов произошел революционный скачок в создании быстродействующих цифровых микросхем. Это дало возможность кодировать сигнал в цифровой вид. Переход на цифровые методы передачи информации дает неоспоримое преимущество перед аналоговыми – это: помехоустойчивое кодирование, шифрование и организация многоабонентской сети в одной полосе частот, при этом, разделение каналов связи происходит путем установки адресов абонентов и маршрутизаторов (об этом более детально будет написано ниже там, где рассматриваются основы организации сети).
Рассмотрим типовую структурную схему организации цифровой связи, (см. рис. 4).
Переданное сообщение — аудио, видео, фото или любая другая информация предварительно преобразуется из аналоговой формы в цифровой вид. Оцифровкой или кодидированием занимаеться блок «Кодирование источника». Это может быть обычный аналогово-цифровой преобразователь (АЦП) на выходе которого будет бинарный код, последовательность нулей и единиц. Данный сигнал в принципе уже можно было бы отправлять на модулятор и передавать в эфир, но как быть если на входе передатчика информации сигнал был искажен под действием помех и на приемной стороне вместо единицы мы получим ряд нулей или наоборот? Это приведет к потере данных. Чтобы избежать этой ситуации исходный цифровой поток передают в блок помехоустойчевого кодирования.
Блок помехоустойчивого кодирования представляет собой быстродействующее устройство, преобразующее исходный код (поток нулей и единиц от АЦП или другого устройства) также в цифровой пакет данных, но уже в измененном виде. В этот пакет вводиться избыточность по определенному алгоритму, что на приемной стороне дает возможность восстановить сигнал при определенном количестве ошибок. После преобразования сигнала, цифровой поток данных поступает на модулятор.
Цифровая модуляция отличается от аналоговой. Ее особенность в том, что при больших объемах, данных (или при больших скоростях) необходимо передавать много бит на символ. Примером такой модуляции для радиосвязи служит 4-FSK (манипуляция с сдвигом по частоте) или 4-GFSK (Гаусовская манипуляция с сдвигом по частоте). Смысл заключается в преобразовании входного кода в импульсы. На основе этих импульсов модулятор формирует скачки фазы, фазы и амплитуды или частоты на заданном интервале времени. Как правило, длительность этого интервала – это время на передачу одного бита. Таким образом, количество времени на передачу нескольких бит тратится столько же сколько и при передаче одного исходного бита, который на языке цифровой техники называется символом. Благодаря таким манипуляциям мы можем получить от 16 до 256 бит на символ (например, для QAM — квадратурная амплитудная модуляция). После этого, промоделированный сигнал переносится в область высоких частот (на несущую частоту) и излучается в эфир.
На приемной стороне происходит все в обратном порядке: демодуляция (детектирование) -> помехоустойчивое декодирование (исправление ошибок в принятой посылке данных) -> декодирование (преобразование в аналоговый сигнал или в необходимый вид сигнала)-> выдача информации оператору или выполнение каких либо действий.
Итак, цифровая модуляция позволяет:
- Шифровать информацию.
- Исправлять биты данных за счет введения помехоустойчивого кодирования, что повышает вероятность правильного приема информации.
- Повысить помехоустойчивость и как следствие увеличить дальность связи за счет использования помехоустойчивого кодирования, большой информативности переданного сигнала, организации сложных видов модуляции.
Появление цифровых радио станций произвело революцию в телекоммуникациях, так как дало огромное преимущество в плане обеспечения безопасности передачи информации но при этом не решался до конца вопрос взаимодействия большого количества отдельных боевых единиц между собой.
Интеллектуальные сети
В начале 80 годов шло активное развитие сетевых технологий для передачи данных через проводную систему связи, путем организации многоканальности по номеру абонента. В итоге это реализовалось в виде многопользовательской сети – ISDN (Integrated Services Digital Network). Это дало возможность объединить большую группу пользователей в единое цифровое пространство, где можно предавать друг другу сообщения, голос и даже видеоданные. Недостаток ISDN – это не универсальность системы. Выражалась она в сложности ее настройки, сложости программной модернизации и самое главное при введении серьезных изменений в протокол необходимо было модернизировать оборудование. То есть система была не самонастраивающейся, не ителектуальной.
Для лучшего понимания принципа работы интеллектуальных сетей и их преимуществ кратко рассмотрим организацию современной компьютерной сети. Хорошим примером является Интернет, базирующийся на стеке протоколов TCP/IP который был принят как стандарт в 1983 году и с тех пор совершенствуется.
На рисунке 5 изображена типовая организация сети, здесь есть сети с номерами 129.13.0.0, 198.21.17.0, 56.0.0.0 и маршрутизаторы (Router) которые их соединяют между собой.
Из таблицы 1 видно, что у каждого устройства или абонента есть свой IP адрес (сетевой адрес). При этом каждое устройство находиться в своей сети на это указывают цифры (слева на право), в конце как правило нули.
Маска сети определяет максимальное количество абонентов, которые могут находится в данной сети (подсети), определение происходит путем логического перемножения маски и адреса абонента. Теоретически максимальное число абонентов N одной сети это:
где 32 – это количество бит в IP-адресе
Для того что бы передать пакет данных с подсети 129.13.0.0 какому-либо абоненту, находящемуся в сети 213.34.12.0 необходимо пройти путь через маршрутизаторы путем указания адресов сети и шлюзов – то есть организовать своего рода канал связи. Другими словами, зная карту сети вы легко можете достучаться до любого абонента, но при этом надо учитывать, что на приемной стороне вам легко могут отказать в доступе, что в свою очередь дает возможность создавать закрытые каналы связи. В военных целях данная функция незаменима.
Выше кратко было показано, что необходимо для создания многопользовательской сети. Теперь стоит вопрос о передаче информации, что необходимо сделать для одновременной работы всех связанных в сеть абонентов. Для этого был создан стек протоколов TCP/IP (Transmission Control Protocol/ Internet Protocol).
См. табл. 4 (Таблица некоторых станций и сравнение их характеристик):
| Характеристики | Верделит-1 | Harris RF7850M-HH | Tadiran SDR-7200HH |
| MANET | Да | Advanced ECCM and Free Channel Search | Да |
| MESH | Да | Да | Да |
| Вид модуляции | 2FSK, 2GFSK, 4GFSK, 4FSK, MSK, OOK. | SDR: AM/FM-AnalogVoice, FSK/ASK- MELP Voice, ASK Data, FSK/TCM Data, GMSK/QPSK Data ECCM | SDR |
| ППРЧ | 400 скачков / сек | Нет | Да |
| IP- организация сети | IPv6, SNMP | IPv4, SNMP | Да |
| Диапазон частот, МГц | 160 – 930 | 30-512 | NBWF: 30-512 WBWF: 225 – 512 |
| Шифрование | AES256 | AES256 | AES256 |
| Скорость передачи данных | 1.2 до 512 кбит | До 1 Мбит | До 1 Мбит |
| Мощность передатчика | Адаптивная от 10 мкВт до 2 Вт | Дискретная 0.25, 1, 2, 5 и 10 Вт | 5 Вт |
| GPS | Да | Да | Да |
| Относительная цена | низкая | Средняя | Высокая |
| Доп. функции
USB
RS-232
Bluetooth v4/v6 Ethernet |
Да Да | Да Да | Да Да |
В рамках данной статьи мы не будем детально рассматривать все уровни. Главное понимать, что такой подход к организации сети дает возможность создания сложных телекоммуникационных сетей с предоставлением доступа к информации многим абонентам одновременно.
А теперь представьте, что у вас и у ваших товарищей есть в руках устройство, которое работает по беспроводному каналу связи, при этом вы можете настроить свою сеть, закодировать ее, зашифровать, сделать ее закрытой и без помощи базовых станций одновременно передавать данные друг другу, при этом каждая ваша станция (рация, телефон) будет выполнять функцию роутера или своего рода ретранслятора. То, что каждая рация может быть представлена ретранслятором и маршрутизатором одновременно – обеспечивает увеличение дальности связи и соединение с другими настроенными сетями. Таким образом мы подошли к концепции построения сетей типа MANET.
Что такое MANET
Под аббревиатурой MANET принято понимать сеть с динамически изменяющейся топологией, как правило, не вдаваясь в детали, как быстро эта топология изменяется. Однако, это является основным критерием отличия топологии MANET от топологий ad hoc и mesh. Итак, начнем с определения, что же такое сети типа Mesh, Ad Hoc, mobile Ad Hoc и в чем разница между ними.
Mesh сети – радиосети ячеистой структуры, состоящие из беспроводных стационарных маршрутизаторов, которые создают беспроводную магистраль и зону обслуживания абонентов) и мобильных/стационарных абонентов, имеющих доступ (в пределах зоны радиосвязности) к одному из маршрутизаторов. Топология – звезда, со случайным соединением опорных узлов (см. рис. 7).
Ad hoc сети – радиосети со случайными стационарными абонентами, реализующие полностью децентрализованное управление при отсутствии базовых станций или опорных узлов. Топология – фиксированная со случайным соединением узлов.
MANET (Mobile Ad hoc NETworks) сети – радиосети со случайными мобильными абонентами, реализующие полностью децентрализованное управление при отсутствии базовых станций или опорных узлов. Топология – быстро меняющаяся со случайным соединением узлов.
К этому надо добавить WSN (Wireless Sensor Networks) - беспроводные сенсорные (телеметрические) сети, состоящие из малогабаритных сенсорных узлов с интегрированными функциями мониторинга определенных параметров окружающей среды, обработки и передачи данных по радиоканалам. Они могут, в зависимости от задачи, строиться как по топологии mesh, ad hoc так и MANET; автомобильные сети VANET (Vehicle Ad hoc NETworks) – сети связи транспортных средств; и всевозможные гибриды вышеизложенного.
В последнее десятилетие большое внимание ученых всего мира уделяется созданию мобильных пакетных радиосетей, которые не имеют фиксированной инфраструктуры – сети стационарных (Ad Hoc) и мобильных абонентов (MANET).
Такие сети являются самоорганизующимися, поскольку их узлы являются не только оконечными пользовательскими терминалами, но и являются ретрансляторами-маршрутизаторами, ретранслируя пакеты других абонентов и участвуя в нахождении маршрутов к ним, следовательно, эти сети способны к самоорганизации. Такие сети могут состоять из десятков, сотен и даже тысяч узлов. Сфера применения таких сетей достаточно широка. Так, сети MANET полезны в поисково-спасательных операциях, на театре военных действий тактического уровня, местах большого скопления людей (например, для обслуживания участников конференций), и там, где нет телекоммуникационной инфраструктуры (например, в экспедициях в удаленные от «цивилизации» регионы).
В противоположность сетям c иерархической структурой и централизованным управлением, одноранговые сети без инфраструктуры состоят из однотипных узлов, где каждый узел обладает комплексом программно-аппаратных средств, позволяющих организовать передачу данных от источника к получателю напрямую при физическом наличии такого пути и тем самым распределить нагрузку на сеть и повысить суммарную пропускную способность сети. Передача данных от одного абонента к другому может происходить, даже в случае если эти узлы находятся вне зоны прямой радио видимости. В этих случаях пакеты данных этих абонентов ретранслируются другими узлами сети, которые имеют связь с корреспондирующими абонентами. Сети с многократной ретрансляцией называются многопролетными или многоскачковыми (multihop). При разработке таких сетей основными проблемами являются маршрутизация пакетов от узла источника к узлу получателю, масштабируемость сетей, адресация оконечных устройств, поддержание связности в условиях переменной топологии. Таким образом, основными требованиями к системам тактической связи нового поколения являются:
— полная мобильность всех абонентов и элементов сети;
— обеспечение заданного качества обслуживания пользователей (QoS) на значительных териториях и в условиях применения средств РЭБ противником;
— надежная защита информации;
— минимальное участие человека в процессе планирования, развертывания и управления сетями.
Ведущими мировыми производителями электроники, такими как Harris, Thales, Elbit Systems и другими предлагается широкий спектр специальных средств связи с поддержкой интеллектуальных протоколов для самоорганизующихся сетей с динамической топологией MANET и построенных по технологии SDR. Это позволяет добиться информационного превосходства над противником, на основе сетецентрического взаимодействия участников информационного обмена, а также допускает использование старого парка аппаратуры, там где это необходимо.
Как это работает
Современные телекоммуникационные сети эволюционируют в сторону пакетной инфраструктуры на основе стека протоколов TCP/IP. Например, стандарт мобильной связи третьего поколения (3G) подразумевают наличие у мобильного оператора опорной коммутационной сети на основе именно пакетной передачи информации по TCP/IP. А стандарт 4G и вовсе переводит весь трафик оператора, включая радиодоступ в формат “all-IP”. По этой части в телекоммуникационном мире достигнут консенсус. Пакетные сети прочно захватили свою нишу и не собираются сдавать позиции.
Военные телекоммуникации, известные своим консерватизмом и инерцией, также движутся в этом направлении. В частности, упомянутая выше компания Harris в линейке портативных станций типа Falcon III в качестве одной из характеристик приводят возможность работы радиосети по протоколам TCP/IP. Какая выгода от этого военным? Ответ прост. Интеграция всех видов трафика за счет проверенных и отлаженных Internet-сервисов. Представьте солдата на поле боя, где ситуация меняется ежесекундно, а ему надо в реальном времени доложить обстановку командованию, получить приказ, загрузить тактическую карту и тд. Такое соединение помимо надежности и безопасности должно быть еще и устойчивым к изменениям топологии, маршрутизация должна обладать быстрой сходимостью, т.е. гарантировать нахождение маршрута заданного качества за разумное время, гарантировать отсутствие зацикливаний, обеспечивать многоадресатную рассылку. А если таких солдат много. Скажем, рота или батальон?
К примеру, в классическом радио для обеспечения полной связи в группе из 10 человек, передатчик каждого абонента должен “доставать” до остальных 9. Иначе, какая-либо пара абонентов рискует остаться без связи. Решается такая проблема просто — путем установки ретранслятора на определенную площадь покрытия. Однако, такой подход не лишен недостатков. Такая организация связи предполагает, что пока “один говорит — остальные молчат”, таким образом, в зоне покрытия ретранслятор автоматически занимает свою часть времени в эфире, снижая при этом общую пропускную способность канала. При низкоинтенсивном голосовом трафике это решение может оказаться приемлимым, но при повышении интенсивности радиообмена такой подход неэффективен. Что уж говорить про передачу данных, где ретранслятор будет попросту “забивать” другие станции, если те вообще смогут выйти в эфир. Как видим, классическое радио с коммутацией каналов малопригодно для современных “сетецентрических” концепций интеграции голоса, данных и видео. Решается эта проблема проверенными временем методами, такими как пакетная коммутация и интеллектуальные протоколы, например TCP/IP.
Протоколы и их влияние
Основой самоорганизации любой радиосети типа MANET являются интеллектуальные протоколы управления. Под протоколами в данном случае понимается набор семантических правил и логических предикатов, которые определяют модель поведения узла-абонента в радиосети в зависимости от конкретной ситуации. Поскольку весь трафик в такой сети представляет собой пакеты небольшой длины с явным указанием отправителя и получателя, а каждый абонент — ретранслятор, то возникает вопрос как именно этот пакет должен обрабатываться. Ведь нельзя просто ретранслировать все пакеты по принципу “повторяю всё, что слышу”, как в классическом радио. Это приведет к тому, что первый же выход в эфир любого абонента спровоцирует лавиноподобный эффект генерации трафика, который в итоге моментально “забъет” канал дубликатами пакетов. Вот тут и появляется поле для разработки интеллектуальных алгоритмов обработки пакетов в зависимости от вызываемого абонента, т.е. протоколов марштуризации.
Принято делить протоколы маршрутизации на проактивные (табличные), реактивные (зондовые) и их гибриды (есть еще волновые, но о них в другой раз). На заре развития mesh-сетей пытались использовать стандартный протокол маршрутизации OSPF. Из этого ничего не вышло, естественно, т.к. он разрабатывался для совсем иных условий эксплуатации. В результате появилась масса научных работ, где предлагаются десятки протоколов маршрутизации для самоорганизующихся радиосетей. Проблема, однако, заключается в том, что реально разработанные протоколы маршрутизации сетей MANET либо не реализованы физически в языке С, либо ориентированы на достижение оптимального использования сетевых ресурсов при квазистатичных условиях работы сети, т.е. когда топология меняется медленно или вообще не меняется. Последнее актуально для таблично-ориентированных протоколов типа OLSR, DSDV, WRP, BATMAN, Babel и т.п. Однако табличные протоколы подразумевают наличие в маршрутных таблицах информации обо всей сети сразу, т.е. они постоянно строят маршруты до всех известных им узлов, вне зависимости от того нужен нам этот абонент или нет.
Зондовые протоколы, как например AODV, DSR, SSR, TORA, предполагают маршрутизацию по запросу, но не до конца стандартизированы. К тому же из-за несимметричных каналов маршрутизация должна поддерживать режим построения множества маршрутов как от адресата-к получателю, так и в обратном направлении. А это поддерживают только протоколы DSR и TORA.
Таким образом, проблема выбора соответствующих протоколов маршрутизации для обеспечения связности и масштабируемости радиосети является крайне важной. При неправильном выборе стека протоколов характеристики сети и ее способность к самоорганизации могут существенно понизиться, вплоть до полного отказа от обслуживания. С другой стороны, при правильном проектировании и реализации, соответствующие протоколы могут реализовать концепцию “сетецентрического взаимодействия” со всеми видами трафика во всей ее красе.
В таблице 2 приведены некоторые аналоги станций и их сравнение. Все устройства в таблице являются элементами реализации концепции сетецентрического управления.
2016 год стал годом искусственного интеллекта. Прогресс в области систем самоуправления, распознавания голоса и глубокого обучения позволил компьютерам совершить ряд крупных прорывов, которые прежде были невозможны. Вот шесть наиболее значимых из них.
1. AlphaGo победил чемпиона мира по игре в Го
Го считается наиболее сложной профессиональной игрой, изобретенной человечеством. Она предлагает невероятное количество возможных действий, и во многом, как утверждают сами игроки, полагается на человеческую интуицию. Искусственный интеллект AlphaGo обучил себя игре, сыграв миллионы партий со своими копиями, и в марте этого года чемпиона Ли Седоля в четырех партиях из пяти.2. Самоуправляемая машина Tesla доставила в больницу человека с сердечным приступом
Беспилотные являются предметом горячих дебатов по всему миру. Однако глава Tesla Элон Маск подчеркивает, что автомобили с системой автопилота безопаснее, чем машины без него, независимо от точки зрения общественности. Отчет Национального совета безопасности США указывает, что в 2015 году смертность на дорогах составила 1,3 случая на каждые 100 миллионов миль, пройденных обычными автомобилями, в то время как показатели Tesla – 130 миллионов пройденных миль и всего один зарегистрированный несчастный случай. При этом на счету автопилота компании как минимум одна спасенная жизнь – машина доставила своего хозяина Джошуа Нелли в больницу, когда в дороге у него случился внезапный сердечный приступ.
3. Роевой интеллект предсказал результаты Кентуккийского Дерби
В мае искусственный интеллект UNU сумел успешно предсказать четверых победителей престижного конного состязания, причем, строго в порядке их финиширования. Этого не удалось сделать ни одному официальному эксперту по этим соревнованиям – таким образом, компьютер победил со ставкой 540 к 1. UNU был разработан компанией Unanimous A.I. во главе со специалистом по человеко-машинному взаимодействию Луисом Розенбергом.
4. Microsoft AI на сегодняшний день понимает человеческую речь лучше самих людей
В октябре этого года Microsoft продемонстрировала, что AI впервые сравнялся с человеком в эффективности автоматического распознавания речи. Чтобы добиться этого результата, система компании использовала так называемые сверхточные и рекуррентные нейронные сети. Для подготовки к испытанию ей понадобилось 2000 часов записанных данных.5. AI предсказал результаты президентских выборов в США
Итоги выборов в Америке оказались сюрпризом для многих, включая инсайдеров политической системы. Однако индийский стартап MogIA в Мумбаи уверенно предсказал победу Трампа. AI компании проанализировал 20 миллионов записей в социальных медиа и сумел определить реальные симпатии избирателей. И хотя многие эксперты остерегаются придавать победе MogIA слишком большое значение, объективно — данный интеллект сумел точно предсказать событие, которое оказалось неожиданностью для миллиардов людей.6. Искусственный интеллект произвел революцию в диагностике рака
Здравоохранение является одной из областей, в которых успехи AI имеют наибольшее практическое значение. В частности, суперкомпьютер IBM Watson уже сегодня способен замечать отклонения в здоровье человека, которые ускользают от внимания опытных диагностов. Статистически, примерно в 30 % случаев Watson ставит пациентам дополнительный диагноз, пропущенный врачами-людьми.Еще более впечатляющих результатов добился AI Хьюстонского методистского исследовательского института в Техасе. Искусственный интеллект исследует миллионы маммограмм (его скорость анализа в 30 раз превышает человеческую) и дает онкозаключение с точностью в 99 %.
Искусственный интеллект давно и успешно «сел за руль» - например, беспилотников Google и Tesla. Абсолютное большинство специалистов сходится во мнении, что за самоуправлением автомобилей - будущее. И ближайшее. Используется в охранных системах: к примеру, после серии тренировок «умная» камера в банке способна вычислять подозрительно ведущих себя посетителей и мгновенно отправлять сигнал на пульт охраны. Если система будет доведена до совершенства, ограбление станет совершенно безнадежной затеей.
Изображение: depositphotos
Электронный «журналист» на основе информационных данных в считанные мгновения генерирует статьи, которые не может отличить от «настоящих» даже профессиональный редактор. Тем паче, ошибки исключены. Возможно, словарный запас искусственного интеллекта пока не столь богат, а обороты не так креативны, как у живых конкурентов, но он невероятно быстро учится. Пишущей братии придется подвинуться. Примеров внедрения не счесть - в скором времени труднее будет найти сферу, где ИИ не применяется, чем ту, где она успешно работает.
Что такое «интеллектуальный смартфон»?
«Smartphone» переводится с английского как «умный телефон». Однако, как показывают современные тренды развития гаджетов, между «умным» и «интеллектуальным» телефоном - пропасть. Сегодня в этой области происходят, пусть и не очевидные большинству пользователей, но принципиально важные события. Революция, если хотите.
Так в чем же революционное отличие между смартфоном и интеллектуальным устройством? А разница в том, что современный гаджет не просто исполняет приказы.
ИИ по-настоящему, с нуля помогает решать определенные задачи - то есть предоставляет вам не точечные функции, а целую стратегию. Для каждой отдельной проблемы подбирается уникальный алгоритм. Это не раб и не слуга, это партнер.
Все больше гаджетов получают ИИ не в качестве опции, а в качестве основы, на которой построены функции всех остальных систем. На базе прогрессивного искусственного интеллекта созданы флагманские модели нового поколения. Именно благодаря «электронному мозгу» возможности использования смартфона раскрываются в полной мере. Как это работает, покажем на примере различных подсистем смартфона LG G7 ThinQ .
ИИ снимает как профи
ИИ может помочь вам стать настоящим фотохудожником: он умеет делать пейзажи без искажений и заваленного горизонта, четкие и естественные традиционные селфи, а также снимать в портретном режиме (о нем отдельно - ниже). Пользователи могут редактировать и улучшать свои фотографии с помощью оптимально подходящих фильтров, предлагаемых ИИ.
Предварительно система идентифицирует объект или сцену и предлагает варианты обработки в зависимости от результата. Речь идет не о механическом наложении масок, а о серьезном преобразовании изображения в стиле популярного приложения Prisma.
Древнегреческий философ Сократ - селфи через Prisma
В том же LG G7 ThinQ ИИ, контролирующий режим Super Bright Camera, позволяет делать фото в 4 раза ярче обычных фотографий, снятых при тусклом свете. Благодаря совместной работе сенсора и программной обработки, ИИ автоматически регулирует настройки камеры при съемке в условиях низкой освещенности, настраивая оптимальный баланс яркости, четкости, разрешения и цветовой палитры для каждого отдельного снимка.
LG G7 ThinQ
Одна из самых востребованных функций ИИ в обработке фото - это портретный режим, благодаря которому можно создавать фотоснимки профессионального уровня с размытым фоном (этот популярный прием называется «эффект боке» (в переводе с японского - «неясный, нечеткий»). Также ИИ применяется для распознавания лиц, а затем владельцы смартфонов могут использовать стикеры для создания масок, а еще анимодзи или даже анимированные аватарки.
Прогрессивный интеллект - помощник в любой ситуации
Новейшие технологии искусственного интеллекта и компьютерного зрения нашли применение в передовом алгоритме поиска с помощью Google Lens. Доступная в Google Assistant и Google Photos, эта опция может предоставлять больше информации о различных объектах - достопримечательностях, растениях, животных, книгах.
Фотосъемка в LG G7 ThinQ с двойной камерой - одна из главных особенностей
Кроме того, смартфон идентифицирует текст при посещении веб-сайтов, считывает и распознает данные для добавления визитной карточки в контакты, внесения событий в календарь или поиска нужного блюда в меню ресторана.
Крупнейшие аудиторские компании мира постепенно начинают внедрять технологии искусственного разума в свою деятельность. Аудиторы надеются, что AI поможет им освободить людей от технических и рутинных заданий, чтобы оптимизировать свою работу.
Как стало известно , аудиторские компании EY и PwC внедряют пилотный проект по использованию искусственного интеллекта (AI) для распознавания изображений, выполнения части бухгалтерских заданий и других видов рутинной технической деятельности, которую сейчас выполняют сотрудники. Британское издание отмечает, что все компании большой четверки- PwC, EY, KPMG и Deloitte - активно наращивает инвестиции в новые технологии, в том числе искусственный интеллект, для оптимизации своей деятельности и во избежание ошибок человеческого фактора. Среди наиболее перспективных областей применения AI - ускорение заполнения заявок от и для клиентов, распознавание «аномалий» в финансовых транзакциях и анализ данных на предмет возможного вмешательства извне и мошенничества.
«Нам становится все очевиднее, что AI окажет огромное влияние на наш бизнес, поэтому мы уже сейчас пытаемся сделать максимальный задел в этой области,- заявил FT глава PwC UK по технологиям и инвестициям Джон Эндрюс.- Инвестиции в этих областях, скорее всего, будут расти по экспоненте».
В свою очередь, KPMG планирует внедрить систему, которая будет оценивать кредитную информацию по результатам анализа портфелей займов в коммерческих банках. Кроме того, искусственный интеллект может использоваться для предикативного анализа и построения вероятностных моделей. Для внедрения этих технологий KPMG уже больше года сотрудничает с проектом Watson компании IBM и несколькими стартапами, работающих в области AI.
FT отмечает, что большая четверка аудиторов активно внедряет AI еще и потому, что пытается отстоять свои позиции на рынке ЕС, где в последнее время заметно повысилась конкуренция: новые правила ЕС, в соответствии с которыми компания обязана раз в десять лет объявлять тендер на аудит и менять своего аудитора не реже чем раз в 20 лет, заметно увеличили число тендеров на проведение внешнего аудита. Так, количество таких тендеров среди компаний, входящих в индекс FTSE 250, выросло с пяти в 2012 году до пятидесяти в 2016 году.
«Ожидания в аудиторской отрасли заметно растут, по мере того как регуляторы становятся все более требовательными,- отмечает Стивен Гиггс из Deloitte.- Аудиторские фирмы пытаются выделиться из общей массы своим подходом к инновациям и собственным наработкам, что должно обеспечить им конкурентное преимущество».
