Использование ии в научной деятельности Искусственный интеллект — это использование компьютеров и систем для имитации мыслительного процесса человека с целью решения задач и принятия решений. В последние несколько десятилетий появилось множество самых разных определений искусственного интеллекта, но Джон Маккарти в 2004 году в своей статье определяет ИИ так: «Это наука и технология создания интеллектуальных систем, в особенности — интеллектуальных компьютерных программ. Искусственный интеллект связан с задачей использования компьютеров для понимания работы человеческого разума, но не ограничивается использованием методов, наблюдаемых в биологии». Однако впервые тема искусственного интеллекта возникла гораздо раньше: за несколько десятилетий до этого определения. В 1950 году Алан Тьюринг опубликовал свою эпохальную научную работу «Вычислительные машины и разум. В этой статье Тьюринг, которого часто называют «отцом компьютерных наук», задает вопрос: «Способны ли машины мыслить?». Чтобы это проверить, он предложил тест, который сегодня все знают как «тест Тьюринга»: экспериментатор по письменным ответам пытается определить, с кем он взаимодействует: с человеком или с компьютером. После публикации результаты этого теста вызвали бурные дискуссии, но, несмотря на это, тест по-прежнему остается значимой вехой в истории ИИ и даже в какой-то мере философским понятием, так как работает на стыке с лингвистикой. Через некоторое время Стюарт Рассел и Питер Норвиг опубликовали книгу «Искусственный интеллект: современный подход», которая стала одним из самых известных и популярных учебников по ИИ. Авторы классифицируют ИИ по четырем основным категориям, характеризующим компьютерные системы в зависимости от рационального мышления и действий: Человеческий подход: Системы, мыслящие как люди Системы, действующие как люди Идеальный подход: Системы, мыслящие рационально Системы, действующие рационально Определение Алана Тьюринга можно было бы отнести к категории «системы, действующие как люди». В самом примитивном варианте искусственный интеллект — это область, объединяющая вычислительные технологии с надежными наборами данных для решения проблем. Вместе с понятием «искусственный интеллект» часто упоминают и два его подраздела: машинное обучение и глубокое обучение. Эти дисциплины представляют собой совокупность алгоритмов ИИ, направленных на создание экспертных систем, способных делать прогнозы и составлять классификации на основе входных данных. Искусственный интеллект в истории: как технология продвигает науку Сегодня искусственный интеллект только начинает использоваться для изучения истории. Примеров его применения еще мало, однако историки уже обратили внимание на потенциал ИИ. Например, в 2012 году исследователи из Федеральной политехнической школы Лозанны совместно с национальными библиотеками и музеями многих стран создали проект «Машина времени». Они планируют разработать цифровую модель европейских городов прошлого на основе архивных документов и музейных экспонатов. Сегодня эксперты создают платформу, которая отражает 2000 лет истории Европы. Она будет содержать культурные, социальные и географические изменения. Кроме этого, специалисты развивают технологию, чтобы анализировать собранные данные в крупных масштабах. Единая база данных Для эффективного анализа информации необходимо собрать ее в одном месте, поэтому ученые планируют организовать архивы европейских городов в одну базу данных. С помощью единого крупного хранилища историкам будет проще сравнивать информацию, анализировать изменения и получать новые данные из старинных текстов. Объективная оценка Анализ данных с помощью искусственного интеллекта позволит избежать субъективности. Мнение историков часто формируется под влиянием эпохи, в которой они живут – от этого зависит то, как ученые воспринимают исторические факты. Кроме этого, авторы исторических книг могут предвзято относиться к тем или иным событиям и опускать некоторую информацию. Однако, когда данные будут собраны алгоритмами, а также структурированы и проанализированы искусственным интеллектом, удастся получить более объективную оценку исторических событий. Как ИИ уже применяется для исторических целей ИИ расшифровал архивы Ватикана Искусственный интеллект и технологию распознавания изображений уже применили для расшифровки архивов Ватикана – старинной коллекции рукописей с редкими документами. Проект In Codice Ratio использовал искусственный интеллект и технологию оптического распознавания букв (OCR), чтобы перевести тексты в цифровой вид. Технология OCR применяется на напечатанных текстах. Она представляет слова в виде изображений отдельных букв, сравнивает картинки с буквами из своей памяти и переводит буквы в компьютерный код. Ученые создали подобную технологию, которая разбивает слова на детали: алгоритм изучает вертикальные и горизонтальные черточки и собирает из них буквы. ИИ обучили ученики итальянских школ, которые оценивали работу алгоритма и составили банк памяти для ИИ. Так, ИИ выучил 22 буквы средневекового латинского алфавита, а также научился рассчитывать вероятность их сочетаний между собой. В результате алгоритму удалось расшифровать несколько документов из архива, среди них – письма европейским королям и приказы. ИИ правильно распознал две трети слов – так, технологии удалось расшифровать около 96% писем. По информации от одного из руководителей проекта, даже такая неточная расшифровка предоставила достаточно нужной информации. ИИ проанализировал старые газеты Ученые из Бристольского университета использовали ИИ, чтобы проанализировать британские газеты за последние 150 лет. Исследователи стремились выяснить, можно ли обнаружить исторические и культурные изменения в обществе по информации из газет прошлых лет. Алгоритмы проанализировали 35 миллионов статей. Искусственный интеллект не только определил важные события в истории, но и выявил изменения, которые происходили в течение длительного времени. Среди них внедрение новых технологий и политических идей. Таким образом, автоматический контент-анализ выявил ключевые события, такие как войны, эпидемии и коронации, а также обнаружил связь между различными людьми и географическими местоположениями. Искусственный интеллект обладает потенциалом помочь историкам изучать прошлые события: математические процессы помогут добиться объективности, а «зрение» ИИ – прочитать старинные тексты. Если объединить доступные исторические факты со способностью технологии хранить и анализировать данные, получится извлечь новую информацию из имеющихся источников. Ии в химии Как искусственный интеллект можно использовать в медицине Почему вообще мы беремся за лекарства? Во-первых, они спасают жизни. Так, например, пенициллин спас около 200 млн жизней. Эфавиренз – вещество, которое входит в состав препаратов против ВИЧ, – спасает миллион жизней. Во-вторых, лекарства облегчают жизнь. Лизиноприл – препарат против гипертензии – ежегодно принимает 20 млн человек. А парацетамол принимается в количестве, равном 25 млрд доз в год. В-третьих, это огромный лекарственный рынок и по совместительству прибыльный бизнес. Стоимость разработки одного препарата оценивается в $4 млрд. При этом на пути разработки препарата может произойти ряд ошибок, который приведет к прекращению проекта. Для того чтобы найти нужное лекарство, следует подобрать молекулу, взаимодействующую с «мишенью». Идею, как сделать молекулу, воздействующую на определенный белок, более сотни лет назад предложил Эмиль Фишер. По его словам, действие простых молекул можно описать как взаимодействие ключа с замком. На белке имеется полость некой формы, куда входит молекула, чем предотвращает, например, проникновение туда нативного лиганда. В результате то, что должен делать этот белок, не происходит. Или наоборот — молекула проникает в белок и ускоряет какие-то процессы. И еще один важный момент — молекула должна не просто действовать на нужный белок, но не испортить что-нибудь еще, не нанести вред организму. Для создания лекарства необходимо находить «хорошие» биологические мишени, придумывать или находить молекулы с заданными свойствами, предсказывать свойства молекул и синтезировать их. Всем перечисленным занимается хемоинформатика. Иохан Гаштайгер дал определение этой науки — «применение методов информатики для решения химических проблем». Молекул, которые могут обладать лекарственными невероятное количество. Крупнейшие базы содержат сотни даже миллиарды молекул с описанными свойствами. Но лекарственными свойствами может обладать 10 в 33 степени чудовищная цифра. свойствами, миллионов и теоретически молекул. Это Для разработки лекарств нужен очень умный алгоритм, который способен «найти атом в стоге сена». Возникает следующая задача: как предсказывать биологические свойства молекул? Одним из подходящих вариантов является метод машинного обучения, также известный под аббревиатурой QSAR. Подобные методы основаны на том, что молекула и ее свойства представляется в виде некого набора чисел — вектора. Этот вектор мы передаем машине. Практика показала, что методы машинного обучения ошибаются намного реже и работают лучше, чем человек. Вторым пунктом, благодаря которому в области дизайна лекарств очень заинтересовались нейронными сетями стала возможность строить модели напрямую на структурах молекул. То есть мы можем брать молекулярную структуру и напрямую, без расчета каких-то признаков, отправлять ее в нейронную сеть и предсказывать свойства. Теперь, при существовании подобных моделей, есть возможность взять некоторую библиотеку виртуально доступных молекул и проскринировать через QSAR модель на наличие нужных свойств. Отсеивание неподходящих молекул посредством данной технологии существенно экономит время, так как проверить оставшиеся молекулы намного проще. Подход виртуального скрининга сводится к тому, что мы тестируем огромное количество молекул на модели. Однако нет возможности протестировать подобным способом все существующие молекулы. Встает вопрос: как научиться предсказывать молекул под желаемые свойства, есть как с нуля создавать молекулы с определенными свойствами. Представленная задача называется «de novo дизайн», и решить ее удалось лишь недавно — опять же, благодаря исследованиям в области искусственного интеллекта. В чем же заключается суть данного метода? Мы берем молекулу и помещаем ее в нейронную сеть, которая впоследствии обрабатывает выбранную молекулу для дальнейшего появления ряда чисел. Полученные числа помещаются в другую нейронную сеть для воспроизведения той же самой молекулы. Если заменить нашу выборку чисел новыми векторами, то декодировщик будет генерировать новые молекулы. В итоге получается нейронная сеть, которая способна предсказывать молекулы, и наша единственная задача — осознанно давать вектора, чтобы они соответствовали определенной биологической активности. Молекулы можно представить не только в виде чисел, но и в виде текста. Для этого существует способ SMILES. Благодаря обозначению атомов и связей между ними буквами, мы можем привлечь к работе с молекулами достижения искусственного интеллекта по обработке текстов. Короче говоря, существует множество способов, позволяющих генерировать молекулы. В реальности же мы сталкиваемся с проблемой, что их еще необходимо синтезировать. Для этого нужно очень много знать: стратегию синтеза, условия протекания реакции, параметры синтеза, реакционное уравнение. По сложности задача синтеза нужно молекулы похожа на шахматы: у нас есть не так много вариантов ходов, но их количество очень велико. В результате получается 10 в 120 степени вариантов партий. При этом шахматный ИИ — Deep blue — был создан еще в 1997 году. Его задачей был простой перебор ходов и оценка степени их эффективности. Аналогичная идея была реализована в химии с программой Chematica. Она объединяет 50000 собранных человеком правил ретросинтетической трансформации. Еще один прорыв ИИ — нейросетевой алгоритм Monte-Carlo tree search. В 2016 году основанная на нем программа впервые победила человека в го, обучившись на имеющихся играх. Затем — нейросеть продолжила играть сама с собой, и теперь это абсолютный чемпион в го, обыграть которого невозможно. Эта идея реализована и в химии — нейросеть позволяет предсказать, какое ретросинтетическое правило следует использовать. Сейчас такие алгоритмы имплементированы в базы данных. Также современные ИИ могут предсказывать продукты реакций и условия реакции. Таким образом, у человечества есть модели, которые способны предсказывать все параметры синтеза молекул. Для последнего шага – создания полноценного робохимика – требуется аппарат для реализации всего вышеперечисленного. И для достижения поставленных задач в КФУ открылась лаборатория «Интеллектуальная химическая робототехника». Таким образом, в будущем стоит ожидать появления робоферм для осуществления простых синтезов. Использование ИИ в диагностике Сегодня медицина является областью, в которой тема внедрения технологий искусственного интеллекта вызывает множество дискуссий. Одной из основных причин является то, что система искусственного интеллекта может использоваться для диагностирования сотен тысяч пациентов, это исключительный уровень ответственности за возникновение возможных ошибок . Закономерно возникает вопрос, относящийся не столько к инженерно-техническому, сколько к философскому и юридическому уровням — кто является агентом, ответственным за решение, которое выдвинул искусственный интеллект? Проблема атрибуции ответственности может разрешаться путем различения двух аристотелевских условий ответственности, одно из которых связано с контролем и добровольностью действий (контрольное), а другое — с изучением знаний агента (эпистемическое). Изначально предполагается, что в качестве агента ответственности выступает человек, обладающий самосознанием и способностью к контролю собственных действий. На данном этапе развития технологий, даже если искусственный интеллект обретает большую свободу действий, он не отвечает традиционным критериям моральной свободы действий и моральной ответственности. Рассматривая в качестве претендентов на роль агентов ответственности разработчиков искусственного интеллекта, стоит отметить, что сбои в работе системы могут происходить не только по причине программных ошибок, но и из-за некорректных исходных данных — как «сырых» (в машинном обучении), так и ошибок эксперта при составлении баз знаний (в экспертных системах). Для обеспечения безопасности компаний, занимающихся разработкой интеллектуальных систем, может быть использован подход, который в США применяется к производителям медицинского оборудования: компании не могут быть привлечены к ответственности, если их продукция была допущена FDA (Управление по санитарному надзору за качеством пищевых продуктов и медикаментов). Совершенствование процесса валидации медицинских интеллектуальных систем позволит постепенно возлагать на них больше ответственности. Автоматизированные медицинские интеллектуальные системы (в отличии от автоматических, взаимодействующих с конечным пользователем напрямую) выступают в роли помощника профессионала, оставляя за последним возможность принимать решение самостоятельно. Это дает основание рассматривать в роли агента ответственности врача. Кроме уровня точности предсказания, важным критерием качества интеллектуальной системы, работающей в паре с человеком, является прозрачность процесса вывода, что позволяет отследить «рассуждения» системы и вовремя обнаружить недочеты программного обеспечения. Это является одной из основных причин того, что системы, основанные на знаниях, являются востребованными в медицине, как в области с высокой ценой ошибки. Искусственный интеллект изучает законы физики Способность человека распознавать объекты и рассуждать об их поведении в различных физических ситуациях (падение, полет, качение) лежит в основе его когнитивного развития. Люди, даже младенцы, используя базовые представления о том, как устроен мир, могут объяснять, что уже случилось, предсказывать, что случится в дальнейшем, и предполагать, как события развернулись бы в других гипотетических ситуациях. Чтобы повторить этот тривиальный для человеческого мозга интеллектуальный процесс, искусственному интеллекту потребовались годы обучения и тренировок. Но в конце прошлого года ученые из Массачусетского технологического института (MIT) представили модель, которая способна не просто прогнозировать чем закончится взаимодействие предметов, но и регистрировать «удивление», если объекты в симуляции делают что-то неожиданное. Главная сложность в обучении искусственного интеллекта «интуитивной физике» заключается в том, что отвечающие за это сходные процессы в человеческом мозге еще до конца не объяснены. Известно, что уже младенцы обладают минимальными знаниями простых физических законов. Они ожидают, что все предметы будут взаимодействовать на пространственно-временных принципах целостности (объекты движутся как связанные и ограниченные целые), непрерывности (объекты движутся по соединенным, смежным путям) и контакта (объекты не взаимодействуют на расстоянии). Частично эти ожидания наблюдаются даже у новорожденных без какого-либо зрительного опыта, то есть представления о базовых законах физики могут быть врожденными. Больше о качествах предметов и физических силах, влияющих на их поведение — например, масса и упругость, гравитация и трение, — человек узнает из активного взаимодействия с окружающим миром. Лучшим в поле интуитивной физики является ADEPT («Approximate Derenderer, Extended Physics, and Tracking») — искусственный интеллект, созданный группой нейроученых из Массачусетского технологического института (MIT). В нем восприятие физической реальности разделено на несколько этапов. Сначала ADEPT извлекает кадры из видео и использует инверсную графику, чтобы собрать базовую информацию об объектах, изображенных на них: например, форму, положение в пространстве и скорость. Это приблизительное описание объекта затем передается его физическому 3Dдвижку — такие часто используют в фильмах, видеоиграх, компьютерной графике. Движок симулирует поведение физических систем, различных твердых тел или жидкостей и делает предположение о том, что произойдет с объектом в следующем кадре. Затем машина исследует следующий кадр, еще раз собирает информацию об изображенных на нем предметах и сравнивает с тем, что предполагала на основе предыдущего кадра. Если предмет действовал согласно законам физики, различия в показаниях будут минимальные. Если предмет повел себя неестественно — ADEPT высчитывает вероятность такого несоответствия и регистрирует сигнал «удивления». Чем ниже вероятность — тем сильнее удивление. Чтобы понять, насколько хорошо обучен ADEPT и насколько его уровень понимания базовой кинетики соответствует человеческому, исследователи провели эксперимент. Они создали несколько видеороликов по классическим сценариям, используемым в экспериментах с «обманом ожидания». Наняли 60 взрослых и предложили им посмотреть 64 видео: в одних показаны правдоподобные события, где объекты придерживаются базовых представлений о том, как устроен мир, в других они каким-то образом нарушают их. Например, шар закатывается за стену и, когда она падает, его там не оказывается. Затем участников попросили оценить, насколько они были удивлены в тот или иной момент видео по шкале от 1 до 100. Эти же видео показали модели. Их результаты сравнили. В целом, мнение ADEPT о правдоподобности событий соответствовало мнению группы. Примечательно, что их результаты совпали и на тех видео, которые не показались людям удивительными, хотя, возможно, должны были. Например, когда объект, движущийся с определенной скоростью, исчезал за стеной и тут же появлялся с другого ее конца. Может быть, они посчитали, что он внезапно разогнался или телепортировался. Получается, люди и искусственный интеллект в большей или меньшей степени не были одинаково не уверены в таких неоднозначных событиях. Поле применения искусственного интеллекта, обученного физике, бесконечно. Прежде всего создатели считают своей конечной целью создание моделей, которые будут полезны людям в условиях высокой неопределенности — например, во время экстремальных ситуаций вроде торнадо или землетрясений. Еще в этих исследованиях можно получить полезные сведения о когнитивном развитии человека или роботизированных системах зрения. Искусственный интеллект покоряет космическое пространство Пока корпорации используют возможности искусственного интеллекта(ИИ) для поиска потенциальных покупателей и прогнозирования их привычек, ученые решают, как можно использовать ИИ для изучения космоса и как варианты его применения поистине потрясают воображение. ИИ блестяще справляется с анализом больших массивов данных, особенно если это визуальная информация. Поэтому ему поручают поиск экзопланет — планет, пригодных для жизни, например, в созвездии Дракона была открыта система Kepler-90, которую называют двойником нашей Солнечной системы. Наша ближайшая соседка — Луна — также не осталась без внимания. ИИ уже составляет детализированную карту ее поверхности и определяет местоположение кратеров на полюсах, которые трудноразличимы для человеческого глаза, это поможет разрабатывать оптимальные маршруты для луноходов. Алгоритмы машинного обучения позволят астрономам определять орбиты комет и астероидов, чьи траектории пролегают близко к нашей планете. ИИ определяет место на марсе, луне, куда можно приземлить космический аппарат без участия человека. В дальнейшем планетоходы планируется делать полностью автономными, что сделает исследование планет намного эффективнее. Сейчас ученые озабочены поиском так называемых гравитационных линз. Это галактики или черные дыры, которые для наблюдателя с Земли оказываются позади источника света (звезды), вследствие чего, свет искривляет пространство вокруг объекта, превращая его в линзу. Изучение таких линз помогает ученым исследовать невероятно далекие уголки вселенной. Для обучения нейронной сети по поиску гравитационных линз было создано около 6 миллионов ложных изображений, на которых ИИ училась отличать реальные объекты от несуществующих, и после тонкой настройки она смогла с высокой точностью находить гравитационные линзы. Кроме того, ИИ поможет ученым в прогнозировании солнечных вспышек, классификации галактик, мониторинга здоровья космонавтов во время пребывания в космосе, в обработке фотографий астрономических объектов, получаемых с помощью телескопов и многих других задач, где необходим анализ большого количества данных. Звезды в кармане Помимо промышленных и научных решений, разрабатывается множество интересных приложений и программ для людей, интересующихся космической тематикой. Сегодня каждый может, не выходя из дома, изучать звездное небо или следить за «сводками» космических явлений. Например, приложение Solar Walk с помощью 3D-модели поможет изучить солнечную систему. А приложение Redshift дает возможность примерить на себя роль пилота космического корабля. Night Sky Lite оповестит о предстоящем звездопаде и подскажет откуда ожидать метеорный поток. А, скажем, приложение «МКС Детектор» известит пользователя о том, что через несколько минут у него над головой пролетит орбитальная станция, которую можно будет увидеть невооружённым взглядом. Для любителей наблюдений за планетами есть приложение Planet’s Position, оно следит за положением планет на ночном небе, а также может подсказать, когда произойдет ближайшее солнечное или лунное затмение. Для тех, у кого есть телескоп, разработано специальное приложение — SkEye Astronomy. Оно синхронизируется со смартфоном и выдает советы пользователю, куда можно направить аппарат, чтобы увидеть интересный космический объект. В базе приложения около 180 астрономических объектов — планеты солнечной системы, галактики, шаровые звёздные скопления, рассеянные звёздные скопления, а также галактические и планетарные туманности. Использование искусственного интеллекта в криминалистике Национальная полиция Голландии взяла на вооружение нейросети, которые помогают расследовать дела. Система серьѐзно сокращает время ведения дела, передаѐт The Next Web. Особый машинный алгоритм изучает материалы дел, помогает их классифицировать и готовить к расследованию. Искусственный интеллект изучает документы, разбирает их, анализирует улики и определяет вероятный уровень сложности дела. Как таковое уголовное дело нейросети не в состоянии разобрать самостоятельно, однако выполняют всю рутинную работу. ИИ, по словам правоохранительных органов, подготавливает дела за пару дней, тогда как обычный сотрудник полиции может заниматься этим несколько недель. Нейросети подключены к национальной базе ДНК, а поэтому могут обнаружить общие детали в разных, казалось бы, делах, и найти недостающие улики. В настоящий момент ИИ изучил более чем 1500 уголовных дел, хранящихся на 30 миллионах печатных страниц. "Подобная система выполняет не только механическую работу, но способна видеть связь между определѐнными событиями", — подчѐркивает полезность нейросетей сотрудник полиции Рул Вулферт. Криминалистическое программирование и компьютеризация расследования. В практике раскрытия и расследования преступлений активно используются автоматизированные информационно-поисковые системы, позволяющие получать информацию о возможных направлениях расследования: система «Блок», обеспечивающая информационное криминалистическое сопровождение расследования экономических преступлений; система «Маньяк», обеспечивающая получение информации при расследовании серийных убийств; 4 система «Спрут», помогающая установить контактные связи преступников; система «Сейф», в которой систематизируется информация о хищениях денежных средств из хранилищ; географическая информационная система «Зеркало», оперирующая пространственными (фактографическими и статистическими) данными, и др. Подобные экспертные системы способствуют повышению эффективности управления путем автоматизации деятельности и функционирования правоохранительных органов, позволяют значительно снизить временные затраты на принятие решений в рамках конкретной ситуации, связанной с правом, обеспечивают улучшение качества и проработанности принимаемого решения. Это становится возможным благодаря тому, что любая интеллектуальная система есть результат аккумулирования всех имеющихся знаний в определенной сфере. В экспертных системах человеческий интеллект используется в концентрированном виде для решения стандартных ситуаций в различных областях знаний и что при этом выдаваемые машиной рекомендации носят консультативный характер, принятие решения остается за человеком, хотя эти решения представляют собой качественно новый, более высокий уровень. Роботы-полицейские, всезнающий искусственный интеллект, способный прогнозировать преступления, тотальный видеоконтроль, колоссальные базы данных обо всех и вся…какие методы криминалистики из фантастических фильмов и литературы найдут своѐ место в реальности? Дактилоскопия 2.0. Анализ отпечатков пальцев в XIX веке стал революционным шагом в криминалистике. Первым европейцем, который догадался об уникальности 5 отпечатков пальцев человека, стал англичанин Уильям Гершель (подробнее о том, как произошло открытие. Криминалистика началась не с дактилоскопии, но именно этот метод захватил воображение людей, как ни одно другое новшество. Сегодня базы данных с отпечатками пальцев – норма. Но и она развивается, предлагая криминалистам более точные методы идентификации личности. Какие? Например, так называемая ДНК-дактилоскопия. Эту технологию открыл в 1984 году британский генетик Алек Джеффрис (Alec Jeffreys). По аналогии с уникальными отпечатками, каждый человек имеет собственный «генетический паспорт». У исследуемого берут эталонный образец и сопоставляют его с найденным на месте преступления. Получается, что след, который может оставить преступник, ограничивается не только отпечатком пальца. Образец можно получить из крови, слюны, спермы или других подходящих жидкостей либо тканей с личных вещей, например, с зубной щѐтки или бритвы). Методика уже «ушла в тираж» среди криминалистов. Она более научная, то есть надѐжная и точная. В ДНК-профилировании эксперты анализируют количество повторяющихся элементов в выбранном участке генома. Точность идентификации зависит от количества анализируемых участков генома (или локусов). Чем больше исследовали – тем точнее получили результаты. Уже сейчас число локусов для составления ДНК-профиля превышает 16. Полиграф 2.0. Еще одна методика, которая, благодаря развитию технологий, должна и будет усовершенствована в скором времени – это экспертиза на полиграфе. Сегодня результаты работы с полиграфом в первую очередь зависят от опытности эксперта, который проводит допрос, правильности его вопросов. Сама технология если не устарела, то близка к этому. 6 Криминалисты считают, что работа с полиграфом скоро изменится принципиально. К психофизиологическим исследованиям посредством одновременной регистрации параметров дыхания, сердечно-сосудистой активности, сопротивления кожи и других физиологических параметров должен прибавится анализ реакции мозга с помощью возможностей электроэнцефалографии (ЭЭГ) и магнитнорезонансной томографии (МРТ). Вскрытие без вскрытия, или виртуальная аутопсия Судмедэксперт, который работает с телом, должен обнаружить и зафиксировать все детали, обнаруженные на нѐм и внутри него. В результате анализа информации он пытается реконструировать «прошлое» – момент преступления. Однако не всегда (по религиозным, личным или другим причинам) тело умершего позволяют исследовать. Максимально этично решить этот вопрос позволит криминалистическая томография, или виртуальная аутопсия – вскрытие без вскрытия. Для исследования тела судмедэксперты будут использовать возможности компьютерной томографии, мультиспиральной компьютерной томографии и 3D технологий. Эта технология уже применяется в мире, правда, не часто, из-за дороговизны. Еѐ признают суды Швейцарии, использует американская армия, криминалисты из Австралии. Важное преимущество (помимо решения этических вопрос) в том, что при виртуальной аутопсии не нарушают ткани. Более того, другой эксперт в любой момент может ознакомиться с цифровыми и фотоданными исследования, что позволяет получить другое мнение. «Говорящий» транспорт 7 Сегодня почти в любом автомобиле есть «интеллект»: GPS-навигатор, видеорегистраторы, Bluetooth, который позволяет водителю и пассажиру подключить к машине свои смартфоны и т.д. Данные, которые передают и получают пользователи, находясь в автомобиле, записываются. А еще есть внутренняя «начинка», собственно электроника, отвечающая за кондиционер, освещение, дворники, круизконтроль и многое другое. Все эти метаданные можно использовать и в криминалистике. Ваша машина может рассказать, когда и где открыли двери, багажник, были ли пристѐгнуты ремни безопасности, имело ли место экстренное торможение или ускорение. Всѐ это ценные криминалистические свидетельства. Криминалисты могут использовать их при расследовании ДТП, угонов и т.д. Машина может «рассказать», куда и когда направлялся автомобиль, о чем переписывались и когда звонили пассажиры, какие сайты посещали. Заключение Искусственный интеллект — это научное направление, связанное с машинным моделированием интеллектуальных функций человека. Термин искусственный интеллект обычно используется для описания способности компьютерной системы выполнять задачи, присущие человеческому интеллекту, такие как логический вывод и задачи обучения. Любая проблема, алгоритм которой не известен заранее или данные которой неполные, может быть связана с проблемами ИИ. Это касается, например, игры в шахматы, чтения текста, перевода текста на другой язык и т.д. Системы, т.е. программы, выполняющие действия по решению задачи, могут быть отнесены к ИИ, если результат их деятельности аналогичен результату действия человека по решению той же задачи. Поэтому к AI можно добавить различные программные средства: системы распознавания текста, автоматизированное проектирование, программы самообучения и т.д., что очень помогает в развитии науки, увеличивая объем обрабатываемой информации. Источники 1.https://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1 %81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B %D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D 0%B5%D0%BA%D1%82 2. https://www.ibm.com/ru-ru/cloud/learn/what-is-artificial-intelligence 3. https://aiconference.ru/ru/article/iskusstvenniy-intellekt-v-istorii-kaktehnologiya-prodvigaet-nauku-97387 4. https://xn--80afdrjqf7b.xn--p1ai/news/9820/ 5. https://elar.urfu.ru/handle/10995/94522 6. https://www.vedomosti.ru/economics/blogs/2015/07/01/598770-kosmossegodnya-eto-innovatsionnii-i-pribilnii-biznes 7. https://sysblok.ru/neuroscience/iskusstvennyj-intellekt-izuchaet-zakonyfiziki/ 8. https://lfirmal.com/referat-na-temu-iskusstvennyy-intellekt/ 9. https://s.econf.rae.ru/pdf/2018/12/7401.pdf 10.https://www.tadviser.ru/index.php/%D0%9F%D1%80%D0%BE%D0%B 4%D1%83%D0%BA%D1%82:%D0%98%D1%81%D0%BA%D1%83%D1 %81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B %D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D 0%B5%D0%BA%D1%82_(%D0%98%D0%98,_Artificial_intelligence,_AI)
