(12.02.2021) Разработка систем, основанных на знаниях и искусственном интеллекте: опыт лаборатории интегрированных систем автоматизации СПИИРАН

Докладчик: Николай Николаевич Тесля

Transcript

1. Разработка систем, основанных на знаниях и искусственном интеллекте: опыт лаборатории интегрированных систем автоматизации СПИИРАН Тесля Николай Николаевич К.т.н., с.н.с. Лаборатория интегрированных систем автоматизации Санкт-Петербургский Федеральный исследовательский центр РАН
2. Лаборатория интегрированных систем автоматизации ⚫ Партнеры
3. Искусственный интеллект (1) ⚫ Может ли компьютер думать? ⚫ Классическая школа. ⚫ Системы основанные на знаниях. ⚫ Новая школа. ⚫ Системы машинного обучения. 3 Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор. Тест Тьюринга
4. Искусственный интеллект (2) ⚫ Объемы данных существенно увеличиваются с каждым годом. Человек не всегда способен удержать все, что ему необходимо в голове. ⚫ Искусственный интеллект. ⚫ 20% усилий решают 80% задач. ⚫ 80% усилий не решают эти 20% задач. ⚫ Нейронные сети. ⚫ Требуют ОЧЕНЬ много электричества. ⚫ Не лицензируемы (никто не знает как они работают). 4 Частично основано на презентации: Песков Дмитрий Николаевич Спецпредставитель Президента РФ по вопросам цифрового развития Сколково 2019
5. Слабый и сильный искусственный интеллект ⚫ Сильный искусственный интеллект. ⚫ Мышление ⚫ Целеполагание (воля) ⚫ Понимание ⚫ Слабый искусственный интеллект. ⚫ То, что есть есть сейчас. ⚫ Компьютерное зрение. ⚫ Распознавание речи, голосовые помощники. ⚫ Интеллектуальные агенты (например RoboCup). ⚫ Экспертные системы. ⚫ Автоматическое программирование. ⚫ Нечеткая логика. ⚫ … 5
6. Данные, информация, знания (1) 6 Понимание Знание Информация Данные Трансформация данных Уточнение Сенсоры, базы данных, речь, текст, … Обработанные данные в контексте Интерпретация информации Предвосхищение ситуации
7. Явные и неявные знания ⚫ Неявные знания ⚫ Сложно выразить ⚫ Находятся «в головах» их обладателей ⚫ Компетенции ⚫ Опыт ⚫ Мышление ⚫ Чем более неявно знание, тем более ценным оно как правило является ⚫ Явные знания ⚫ Знания, описанные в некотором виде (текст, аудио или видео запись, модель, …) ⚫ Находятся на соответствующем носителе
8. Интеллектуальные системы. Системы, основанные на знаниях ⚫ Системы для адаптируемого, проактивного и персонализированного решения задач пользователей, способные отслеживать текущую ситуацию с целью выявления неких специальных знаний, позволяющих уточнить предложенную задачу и наметить пути ее решения. • системы поддержки принятия решений; • системы распознавания образов; • математические системы и системы автоматического доказательства теорем; • игровые системы (шахматы шашки); • системы решения технических задач, связанных с целенаправленным движением в пространстве и времени; • системы понимания естественного языка; • … 8
9. Примеры разработок: мобильный туристический гид 9 TAIS Location & Preferences Geo2Tag Recommended Attractions Context Recommendation Attraction Information Services Sources
10. Примеры использования технологий ИИ в разработках. Мониторинг состояния водителя 10 Drive Safely System Smartphone Driver Telemetry Vehicle Infotainment System Recommendations Driver Context Driver Behavior Analysis Road Analysis Camera Sensor Information Car Context Speakers Onboard Display Sensors Web Application Trip Reports Driver Behavior Statistics Feedback Driver Behavior Patterns Taxi vehicle fleet managers Logistic managers Insurance representatives
11. Реализация системы мониторинга на смартфоне 11 • Распознавание изображений: • OpenCV • Dlib • Faceboxes • YOLO v3 • Реализация: • Java • Kotlin • C++ • Тестирование с участием 10000+ человек на смартфонах: • LG • Asus • Samsung • Huawei • Xiaomi • Google https://mobiledrivesafely.com/
12. Реализация системы мониторинга на одноплатном компьютере 12 Смартфон с приложением Встраиваемое устройство с камерой
13. Определение девиантного поведения людей по CCTV 13 №Правила базы знаний 1 DistanceReducedBetween(Vehic, Vict) ^ (GotOutOfA(Crim,Vehic) v WasOnA(Crim,Vehic)) ^ WereClose(Crim, Vict) → DroveUpTo(Сrim, Vict) 2 ReachedForAPocket(Crim, Vict) v ReachedForABag(Crim, Bag) ^ HoldABag(Vict, Bag) →SearchedA(Crim, Vehic) 3 HoldedA(Vict, Item) ^ HoldedA(Vict, Item) v WereInHandingPose(Vict) → TookAnItem(Crim, Vict) 4 DistanceIncreasedBetween(Vehic, Vict) ^ (GotInA(Crim,Vehic) v WasOnA(Crim,Vehic)) ^ WereClose(Crim, Vict) → DoveAwayFrom(Crim, Vict) 5 DroveUpTo(Сrim, Vict) ^ (SearchedA(Crim, Vehic) v TookAnItem(Crim, Vict)) ^ DroveAwayFrom(Crim, Vict) → RoberryHappend(Crime, Vict)
14. Определение девиантного поведения людей по CCTV 14 Построение 3D скелета и размещение его в пространстве Сгенерированные видео
15. C++ Система оценки степени погружения в медитацию с использованием камеры смартфона Kashevnik, A.; Kruglov, M.; Lashkov, I.; Teslya, N.; Mikhailova, P.; Ripachev, E.; Malutin, V.; Saveliev, N.; Ryabchikov, I. Human Psychophysiological Activity Estimation Based on Smartphone Camera and Wearable Electronics. Future Internet 2020, 12, 111. http://mindfulrelax.ru/
16. Анализ текстовых заявок от клиентов для конфигурации конечного продукта ⚫ Industry 4.0 ⚫ Анализ текстов на английском языке, описывающих задачи клиента «handling automation», с целью извлечения из текстов параметров задачи для ее последующего формального описания и конфигурации оборудования. 16 Google AutoML Texts NER Classifier DepAnalysis Order system
17. Генерация рекомендаций для водителя на основе анализа открытых данных 17 ⚫ Решаемые задачи: ⚫ Статистический анализ карточек ДТП (по координатам, типам и причинам ДТП, свойствам окружающей среды). Источник: stat.gibdd.ru ⚫ Соотнесение полученной статистики с данными с порталов открытых данных и «Безопасные дороги.РФ».
18. Объединение пространственно- временных данных ⚫ Цель – формирование семантической структуры для открытых источников данных, связанных с пространством и временем (географические и хронологические данных) и их объединение в единую структуру. ⚫ Задачи: ⚫ Исследование географических и хронологических источников данных и знаний (OpenStreetMap, Wikidata, LinkedGeoData и др.) ⚫ Создание семантического описания источников данных. ⚫ Разработка метода объединения данных из разных источников ⚫ Создание базы данных (базы знаний), содержащих знания из разных источников. ⚫ Разработка сервиса для формирования запросов к общей базе знаний. 18
19. Спасибо за внимание! Контакты: Тесля Николай Николаевич E-mail: teslya@iias.spb.su Тел.: +7 (921) 777-25-28 19