Развитие технологий искусственного интеллекта и алгоритмов машинного обучения оказывает все большее влияние на сферы жизни общества, постепенно находя свое место не только в социальных медиа, но и в журналистике (Newman). Их активно внедряют в различные области масс-медиа, что позволяет автоматизировать ряд процессов медиакомпаний, оптимизируя работу журналистов, редакторов и медиаменеджеров. Данная тема представляет собой актуальную проблему в современном информационном обществе (Túñez-López et al.). Искусственный интеллект и процесс его обучения стали неотъемлемой частью процес сов создания, анализа и распространения контента, привнося новые возможности, но вместе с тем и серьезные вызовы. Например, алгоритмы персонализации позволяют адаптировать информацию к индивидуальным интересам и предпочтениям каждого пользователя, повышая его вовлеченность и удовлетворенность контентом. Таким образом социальные сети и многие другие интернет-платформы персонализированы для каждого пользователя на основе их демографических профилей и личных данных. В данной статье представлен обзор текущих научных данных о потенциальных рисках использования алгоритмов персонализации контента в масс-медиа. Результаты и выводы статьи могут помочь глубже понять природу этих рисков и сопряженные с ними вызовы для сферы массовой коммуникации.
В статье рассматриваются технологии воздействия на человеческий мозг, диалектика взаимодействия искусственного интеллекта (ИИ) и интеллекта человека с позиций следующего системного противоречия: информационные технологии – сознание и психология социума – эффективность управления людьми и техникой в условиях развития информационно-цифровой экономики. Акцент делается на сущности понятия «ментальность», ментальной идентичности, роли неформальных институтов, скорости изменений биологического и информационного времени. Автор представляет концептуальный взгляд на проблему роли искусственного интеллекта (ИИ) в развитии ментального управления как гуманитарной проблемы в логике развития идей и подходов, рассмотренных ранее автором в работах «Будущее России: переход в новую формацию», «Стратегия реформ в России: от лидера к лидеру», в контексте идеи о социальной справедливости и экономическом росте, обсуждавшийся на Первом Русском экономическом форуме.
Введение. В статье рассматривается использование генеративного искусственного интеллекта (ГИИ) в социологических исследованиях. Актуальность темы определяется возрастанием интереса к применению новых технологий для повышения эффективности и точности исследований в области социальных наук. ГИИ предоставляет новые возможности для сбора, обработки и анализа данных, что может существенно изменить традиционные подходы в социологии. Методология и источники. Исследование базируется на анализе доступных публикаций и экспериментальных данных, полученных в ходе общения с социологами, использующими ГИИ в своих проектах. В работе рассматриваются методики генерации описаний, анализа изображений и генерации синтетических изображений с использованием алгоритмов машинного обучения. Акцент сделан на конкретных случаях применения ГИИ в социологических исследованиях, а также на примерах успешных проектов. Результаты и обсуждение. Результаты исследования показывают, что использование ГИИ позволяет значительно ускорить процесс обработки данных и повысить их качество. Выявлены новые паттерны и тенденции в социологических исследованиях, благодаря чему ученые могут получать более точные и обоснованные выводы. Об суждаются также этические аспекты, связанные с использованием ГИИ, такие как во просы конфиденциальности и алгоритмической предвзятости. Заключение. Генеративный искусственный интеллект представляет собой мощный инструмент, способный трансформировать социологические исследования. Несмотря на существующие вызовы, он открывает новые горизонты для сбора и анализа дан ных, способствуя более глубокому пониманию социальных процессов и явлений. Важно продолжать исследовать возможности и ограничения ГИИ для развития социо логической науки.
Несмотря на то, что современные технологии искусственного интеллекта в значительной степени основаны на машинном обучении, сами по себе алгоритмы машинного обучения стратегией не являются. Стратегией мы будем называть полное описание того, как система будет себя вести при всех возможных обстоятельствах. Наиболее перспективным инструментом, позволяющим автономным системам принимать эффективные решения при управлении корпорациями, представляется теория игр. Учитывая разнообразие проблем, с которыми приходится сталкиваться советам директоров, теория игр, нашедшая свое применение в экономике, политологии, чистой математике, психологии, социологии, маркетинге и финансах, предоставляет возможность обеспечивать автономность системы искусственного интеллекта на основе моделирования эффективной стратегии. Обязательное требование о разработке этичных и легитимных автономных систем искусственного интеллекта может привести к тому, что некоторые дилеммы самой теории игр для автономных систем или не существуют, или изменяют свой смысл.
Цель – конкретизировать понятия «искусственный интеллект» и «сложная проблема», а также рассмотреть современное состояние работ в области применения искусственного интеллекта к решению сложных проблем.
Методы. Использованы методы контекстного поиска, системного анализа и обобщения информации.
Результаты. Сформулировано ключевое препятствие применения искусственного интеллекта к решению сложных проблем, заключающееся в отсутствии концептуального и технического решения по представлению междисциплинарных знаний в форме, доступной для обработки и синтеза методами искусственного интеллекта. Обучение ЭВМ на разных массивах данных, но без понимания процесса синтеза, с которым так легко справляется мозг человека, не позволяет искусственному интеллекту претендовать на открытие чего-то нового, принципиально неизвестного, без чего невозможно решение сложных проблем. Нужен универсальный язык, имитирующий процессы человеческого мышления.
Заключение. Выполненный анализ и рекомендации позволяют взглянуть на задачу применения искусственного интеллекта к решению сложных проблем с отличной от принятой в настоящее время точки зрения, опирающейся на использование быстрых алгоритмов поиска (так называемые большие языковые модели). Создание языка-транслятора между различными областями знаний должно способствовать междисциплинарному обмену, развитию творческого мышления, появлению новых идей и генерации инновационных решений в самых разных областях деятельности человека. Развитый язык позволит решать сложные задачи, объединяя различные дисциплины.
В последнее время задачи выделения надводных объектов становятся все более актуальными. Под задачей выделения подразумевается поиск местоположения объектов на изображении. Одно из возможных решений - это нейронные сети, способные как убрать шумы, так и провести выделение объектов. Находящиеся в открытом доступе статьи опираются на использование одной нейронной сети, из-за чего предлагаемые методы обладают относительно большой погрешностью. В связи с этим предложен метод выделения надводных объектов, основанный на ансамбле нейронных сетей. В рамках метода предложен алгоритм, включающий в себя этапы предобработки изображений и выделения соответствующих объектов на спутниковых снимках. Метод может служить в системах контроля различных акваторий как вспомогательный, выделять надводные объекты для дальнейшей обработки и получения необходимой информации. В статье рассмотрены предобработка изображений и выделение надводных объектов, приведены точность для тренировочного и валидационного наборов, а также результаты, полученные в ходе программной реализации метода, структура используемой нейронной сети и разработанного ансамбля.
С быстрым развитием информационных технологий защита передаваемых данных становится одной из приоритетных задач. Классические методы шифрования эффективно решают эту проблему, однако иногда необходимо скрыть сам факт передачи важной информации. Одним из возможных решений могут быть стеганографические методы, которые скрывают сам факт передачи, добавляя данные в существующие цифровые ресурсы. В научной литературе описано множество традиционных стеганоалгоритмов. В последние годы методы сокрытия информации с помощью нейронных сетей становятсявсе более популярными [1]. Однако большинство таких методов используют нейронные сети для реализации более сложных функций встраивания данных, не создавая новых способов сокрытия информация. Целью работы является краткий обзор разработанного автором метода сокрытия информации без использования цифровых ресурсов - изображений для встраиванияи приведение некоторых критериев оценки его эффективности и надежности. В начале статьи дается описание существующих стеганографических методов, общая структура предложенного метода. Оценивается сходимость предложенного алгоритма, генерирующего равномерно распределенный массив данных, даются временные и емкостные характеристики разработанного метода. Приводятся примеры исходных данных и сгенерированных на их основе изображений
Современные технологии, в том числе искусственный интеллект (ИИ), оказывают значительное влияние на образование. Однако внедрение новых технологий в образовательный процесс и процесс научных исследований встречает ряд барьеров, особенно среди преподавателей пожилого возраста. Понимание их отношения к ИИ и готовности использовать технологии в своей работе становится важной задачей для создания инклюзивной научно-образовательной среды. Учитывая разнообразие применений ИИ, важно рассмотреть вопрос о том, можно ли, как и в какой степени использовать технологию ИИ для оказания помощи научным и научно-педагогическим работникам в преодолении трудностей, с которыми они сталкиваются в своей профессиональной деятельности. Данная статья исследует факторы, влияющие на восприятие технологий искусственного интеллекта научными и научно-педагогическими работниками пожилого возраста, а также определяет основные барьеры и перспективы их использования в образовательной практике. Работа представляет собой обзор эмпирических исследований, проведенных зарубежными авторами, и опубликованными в открытых научно-рецензируемых изданиях.
The problem of identifying deterministic cause-and-effect relationships, initially hidden in accumulated empirical data, is discussed. Statistical methods were used to identify such relationships. A simple mathematical model of cause-and-effect relationships is proposed, in the framework of which several models of causal dependencies in data are described – for the simplest relationship between cause and effect, for many effects of one cause, as well as for chains of cause-and-effect relationships (so-called transitive causes). Estimates are formulated that allow using the de Moivre–Laplace theorem to determine the parameters of causal dependencies linking events in a polynomial scheme trials. The statements about the unambiguous identification of causeandeffect dependencies that are reconstructed from accumulated data are proved. The possibilities of using such data analysis schemes in medical diagnostics and cybersecurity tasks are discussed.
Темпы развития «искусственного интеллекта» (ИИ) заставляют людей, причастных к разработкам, серьезно задуматься об искусственной приостановке прогресса, чтобы подготовиться к возможным рискам. «Искусственный интеллект» - это новая реальность, осмысление которой требует комплексного подхода - объединенных усилий инженеров и ученых, в том числе философского дискурса. Философский анализ позволит решить вопрос идентификации ИИ, позволит спрогнозировать возможные риски его использования. Если человек утратит контроль и чувство ответственности за научный прогресс, последствия будут непредсказуемыми.