«Искусственный интеллект – это совокупность технологий и алгоритмов, которая позволяет компьютеру принимать решения, как человек. Когда мы не сможем их различить, можно будет говорить о высоком уровне его развития, но это перспектива пока очень отдалённая. Проще сказать, что искусственный интеллект — это алгоритмы, которые позволяют обрабатывать данные», — рассказывает заведующий лабораторией Владимир Доманский.

Термины «глубокое обучение», «машинное обучение», «нейросети» означают алгоритмы искусственного интеллекта. Часть методов машинного обучения представлена методами глубокого обучения или нейросетями (термин «нейронные сети» был популярен в 1980-х годах, сейчас более распространён «глубокое обучение»). Используя методы искусственного интеллекта, специалисты работают с признаками, характеристиками, которыми обладает тот или иной объект, делают выводы о его состоянии, например, решают задачу классификации.

«Другое дело – глубокое обучение. В этом случае мы не знаем явных параметров и делаем выводы о приблизительной части, о том, как распределились веса, судить очень сложно. Нейронные сети для нас ещё во многом – чёрный ящик. Мы не всегда понимаем, как «машина» приходит к какому-то решению. Можем только предполагать, что система «увидела» силуэт, «похожий на…», поэтому сделала определённый вывод», — объясняет Владимир Доманский.

Система, в целом, работает с числовыми аналогами. Вся суть как машинного, так и глубокого обучения сводится к тому, чтобы обучить модель, подобрав наиболее оптимальные параметры. Область практического применения искусственного интеллекта в современном мире очень широка, во многих задачах ИИ уже сейчас опережает человека.

При использовании технологии искусственного интеллекта специалисты ТИУ в настоящее время ведут разработку программы по сопровождению образовательного процесса. Система  тестируется, для неё разработаны отдельные компоненты. Один из них — задача сегментации на видеопотоке, в нашем случае — распознавания находящихся в помещении людей, студентов либо преподавателей.

«Собирая косвенные параметры, мы должны сделать вывод о вовлечённости человека в процесс: внимательно слушает или отвлекается на телефон, записывает или разговаривает. Анализ вопросов показывает, интересна ему тема или нет, хочет или нет знать её глубже», — рассказывает Владимир Доманский.

По его словам, решить подобную задачу пробовали в других российских вузах, в частности, в Московском финансовом университете при Правительстве РФ, где для анализа использовали 28 параметров. Данные в совокупности помогают сделать вывод о том, насколько подходит студентам та или иная учебная программа, насколько она востребована в учебном процессе в целом.

«Наша программа больше ориентирована на студентов, благодаря ей они могут увидеть, какие моменты недопоняли или поняли настолько хорошо, что им необходимы дополнительные курсы по схожей тематике. Мы часто не знаем тех возможностей, которыми располагаем, по косвенным параметрам сможем сделать о них правильные выводы», — поясняет разработчик.

Программа позволит также полностью перевести на автоматику контролирующую функцию, которая обычно вменяется преподавателю при проведении олимпиад и других подобных мероприятий.

Отличительной особенностью системы, кроме того, является модуль, который переводит голос в текст. В программу добавили графикационную составляющую. «Студент сможет зайти в свой профиль, посмотреть, как он себя вёл на занятии, понять свои пробелы, и в соревновательной форме стараться учиться лучше. Таким образом, наша система приобретает хорошую мотивирующую функцию. Эффект достигается за счёт применения игровых механик — значок за своевременное выполнение работы, различные рейтинги», — уточняет Владимир Доманский.

Коллектив лаборатории, помимо заведующего, включает двух лаборантов. В работе используются открытые библиотеки, которые позволяют обучать нейронные сети, машинные алгоритмы. Лаборатория оснащена всем необходимым для начала работ, в ближайшее время в ней появится суперкомпьютер, который позволит вычислять на видеокартах GPU (графические процессоры) и обеспечит существенный прирост производительности. Для сравнения, на обычном компьютере нейронная сеть «обучается» за шесть часов, GPU настраивает алгоритмы около часа.

«В декабре 2018 года коллектив лаборатории выполнил работу по прогнозной аналитике для одного из московских индустриальных партнёров, — рассказывает руководитель Центра компетенций Интернета вещей и Smart City ТИУ Василий Смоленцев. — Проект направлен на предсказание объёмов закупаемой оптом электроэнергии для промышленных предприятий. Точность прогнозирования удалось увеличить уже почти в пять раз, что даёт заказчику экономию в несколько десятков миллионов рублей в год. В начале 2019 года проект планируется перевести в фазу коммерциализации».

По его словам, лабораторией, кроме того, уже интересуются нефтяные компании, есть задачи по Большим данным, направленные на предсказание необходимости ремонта отдельных участков трубопроводов.

Отметим, лаборатория искусственного интеллекта и машинного обучения ТИУ создана в рамках стратегического проекта Smart City (входит в Программу развития опорного университета). Проект охватывает более 20 направлений — «Умная дорога», «Умное производство», «Умный дом», сферы ЖКХ, экологии, образования, медицины и др. В число разработчиков проекта сегодня входит более 17 кафедр (ведущая – Автомобильного транспорта, строительных и дорожных машин), а также Многопрофильный колледж ТИУ. Руководитель проекта — заведующий кафедрой АТСиДМ, доктор технических наук, профессор Олег Данилов.