В разгар мая официальная делегация во главе с Борисом Кобринским, представлявшая 75 отдел Института проблем искусственного интеллекта, направилась в Коломну. Как и двумя годами ранее, её целью была XIII Международная научно-практическая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Организоторы, ФИЦ ИУ РАН и РАИИ, доверили открывать мероприятие лично Борису Аркадьевичу. В своём пленарном докладе «Когнитивный интерфейс для систем поддержки принятия решений в нечётком мире» (ссылка) он затронул систематические проблемы создания интеллекутальных интерфейсов для СППР, которыми его команда давно и успешно занимается (вспомним хотя бы ИИ-ГИППОКРАТ и ГенДиЭС).
Не обошёлся без него и традиционный круглый стол, где ведущие эксперты обсудили не только нарастающие возможности ИИ в науке, образовании и промышленности, но и вызовы, с которыми обязательно столкнётся человечество. А на следующий день эстафету перехватил Николай Благосклонов. Для секции «Нечёткие модели, мягкие вычисления, измерения и оценки» он подготовил рассказ о долабораторном этапе дифференциальной диагностики наследственных заболеваний и, в частности, о «Модификации алгоритма ранжирования диагностических гипотез для учёта нечётких характеристик клинических признаков» (ссылка).
И вновь взорам изумлённой публики предстала интеллектуальная система ГенДиЭС на основе экспертных данных, в которую заложены знания о проявлениях 30-ти клинических форм лизосомных болезней накопления. Её начальная версия предполагала только бинарный ввод признаков, но поскольку врачам удобнее оперировать тремя оценками («слабо», «умеренно» и «сильно»), пришлось пересмотреть датасет и выделить 7 признаков, для которых целесообразно было ввести новую градацию, а также новый рассчитываемый показатель усреднённая выраженность признака, добавив определённую степень нечёткости и модернизировав алгоритм ранжирования гипотез.
Процессс выставления экспертных оценок представили в виде OLAP-куба
Алгоритм выдвигает гипотезы и анализирует отмеченные выше признаки, формируя из них определённые кластеры, затем расчитывает степень сходства клинически активных пациентов с эталонами описания из базы знаний по схеме «чем меньше признаков “вне эталона”, тем более значим “кластер”». Дабы учитывать степень выраженности признака, авторы также добавили 4 правила и модицировали блок объяснений — вся информация будет незамедлительно предоставлена лечащему врачу, заверил Николай. И, знаете, очень убедительно: по итогам конференции работа была признана одной из лучших в линейке!
А для секции «Машинное обучение, нейросетевые технологии и вероятностные модели в искусственном интеллекте» Михаил Хачумов с коллегами подготовил увлекательный доклад «Прогнозирование временных рядов на основе нейросетевых моделей с функцией активации сигмоидного и параболического типа (ссылка) в рамках проекта РНФ № 25-21-00222 «Модели быстрых искусственных нейронов и нейронных сетей для бортовых вычислительных комплексов малых беспилотных летательных аппаратов» (ссылка). Правда, из-за высокой загруженности выступить он так и не смог, и замещал его главный научный сотрудник ИПИИ Вячеслав Хачумов.
Поскольку команда имела дело с цифровыми двойниками и обнаружением аномалий для принятия оперативных мер по повышению их надёжности, в работе нашли применение «быстрые» нейронные сети. Для прогнозирования использовались ИНС прямого распространения с одним скрытым слоем и новыми быстродейственными функциями активации параболического типа. Благодаря им время обучения снизилось примерно в 16 раз: время обучения с сигмоидом составило всего 180 секунд, а с s-порабулой — всего лишь каких-то 11 секунд! Т. е. настройка значительно уменьшила время вычисления результата.
Cсылки по теме:
«ИММВ–2026» на сайте РАИИ