Для чего при разработке искусственного интеллекта используются базы данных
Перейти к содержимому

Для чего при разработке искусственного интеллекта используются базы данных

  • автор:

ПРАВОВОЙ РЕЖИМ БАЗ ДАННЫХ, СОЗДАННЫХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Текст научной статьи по специальности «Право»

интеллектуальные права / база данных / искусственный интеллект / нейросеть / нейронные сети / исключительное право / открытая лицензия / программа для ЭВМ / intellectual rights / database / artificial intelligence / neural networks / neural networks / exclusive right / open license / computer program

Аннотация научной статьи по праву, автор научной работы — Кончаков Александр Борисович, Матвеева Ирина Александровна

В статье исследованы общественные отношения, возникающие по поводу создания базы данных при помощи искусственного интеллекта . Показано, что в российском гражданском законодательстве определения искусственного интеллекта не содержится. Однако указанное определение существует в Государственном стандарте СССР «Системы обработки информации» от 26.10.1990 г., действующем по настоящее время. Определена правовая природа искусственного интеллекта , а также порядок использования нейросетей , находящихся в открытом доступе. Проведен анализ использования общедоступных нейросетей по открытой лицензии. Выявлена необходимость законодательного урегулирования общественных отношений, возникающих в результате создания базы данных с использованием искусственного интеллекта , обусловленная отсутствием в действующем российском законодательстве правового регулирования указанных общественных отношений, что порождает значительное количество споров между субъектами соответствующих отношений.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по праву , автор научной работы — Кончаков Александр Борисович, Матвеева Ирина Александровна

НЕКОТОРЫЕ ОСОБЕННОСТИ СУБСИДИАРНОЙ ОТВЕТСТВЕННОСТИ КОНТРОЛИРУЮЩЕГО ДОЛЖНИКА ЛИЦА
ПРОБЛЕМА АВТОРСТВА ПРОИЗВЕДЕНИЯ, СОЗДАННОГО НЕЙРОСЕТЬЮ
ОХРАНА ИНДИВИДУАЛЬНОГО ГОЛОСА ЧЕЛОВЕКА: ОТЕЧЕСТВЕННЫЙ И ЗАРУБЕЖНЫЙ ОПЫТ
ПРАВО НА РЕЗУЛЬТАТ ИНТЕЛЛЕКТУАЛЬНОЙ ДЕЯТЕЛЬНОСТИ, СОЗДАННЫЙ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕЙ
Авторские права на результаты деятельности искусственного интеллекта и способы их защиты
i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

LEGAL REGIME OF DATABASES CREATED USING ARTIFICIAL INTELLIGENCE

The article examines the public relations that arise regarding the creation of a database using artificial intelligence . It is shown that Russian civil legislation does not contain a definition of artificial intelligence . However, this definition exists in the USSR State Standard “Information Processing Systems” dated October 26, 1990, which is still in force today. The legal nature of artificial intelligence is determined, as well as the procedure for using publicly available neural networks . An analysis of the use of publicly available neural networks under an open license was carried out. The need for legislative regulation of social relations arising as a result of creating a database using artificial intelligence has been identified, due to the lack of legal regulation of these social relations in the current Russian legislation, which gives rise to a significant number of disputes between the subjects of the relevant relations.

Текст научной работы на тему «ПРАВОВОЙ РЕЖИМ БАЗ ДАННЫХ, СОЗДАННЫХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»

8. Agreement on intellectual property between the Government of the United States of America and the Government of the Republic of Hungary 1993(Authentic text) // [Электронный ресурс] URL: https://www.wipo.int/wipolex/en/text/243822.

9. Constitution of the republic of Ecuador, published in the Official Register October 20, 2008 // [Электронный ресурс] URL: https://pdba.georgetown.edu/Constitutions/Ecuador/english08.html

10. Political Constitution of Peru. Enacted on the 29th of December, 1993 Published by the Congress of the Republic September -2009 // [Электронный ресурс] URL: https://www.congreso.gob.pe/Docs/files/C0NSTITUTI0N_27_11_2012_ENG.pdf

11. Israel. Protection of Privacy Law, 5741-1981 // [Электронный ресурс] URL: https://www.wipo.int/wipolex/ru/text/347462

References and Sources

1. Belkin R.S. Kurs kriminalistiki. M.: Zakon i pravo, 2016.

2. Federal’nyj zakon ot 27.07.2006 N 152-FZ «O personal’nyh dannyh» // SZ RF. 2006. № 31. st. 3451 (Chast’ I).

3. Bragina E.K., Sokolov S.S. Sovremennye metody biometricheskoj autentifikacii: obzor, analiz i opredelenie perspektiv razvitiya // Vestnik AGTU. 2016. № 61

4. Lebedeva V., Litvinenko Yu. U diktorov kradut golosa: Predstaviteli otrasli prosyat o regulirovanii tekhnologij sinteza rechi // Kommersant. 2023. 27 yanvarya.

5. Matveev A.G., Mart’yanova E.Yu. Grazhdansko-pravovaya ohrana golosa cheloveka pri ego sinteze i posleduyushchem ispol’zovanii // Exjure. 2023. №3.

6. Grazhdanskij kodeks Rossijskoj Federacii (chast’ pervaya) ot 30.11.1994 N 51-FZ// SZ RF. 1994. № 32 . st. 3301.

7. Who Should Fear and How to Protect Against Voice DeepFake // [Elektronnyj resurs] URL: https://deepfakechallenge.com/gb/2022/01/05/13002/

8. Agreement on intellectual property between the Government of the United States of America and the Government of the Republic of Hungary 1993(Authentic text) // [Elektronnyj resurs] URL: https://www.wipo.int/wipolex/en/text/243822.

9. Constitution of the republic of Ecuador, published in the Official Register October 20, 2008 // [Elektronnyj resurs] URL: https://pdba.georgetown.edu/Constitutions/Ecuador/english08.html

10. Political Constitution of Peru. Enacted on the 29th of December, 1993 Published by the Congress of the Republic September — 2009 // [Elektronnyj resurs] URL: https://www.congreso.gob.pe/Docs/files/CONSTITUTION_27_11_2012_ENG.pdf

11. Israel. Protection of Privacy Law, 5741-1981 // [Elektronnyj resurs] URL: https://www.wipo.int/wipolex/ru/text/347462

БАХМЕТЬЕВ ПАВЕЛ ВЛАДИМИРОВИЧ — кандидат юридических наук, доцент, кафедра международного права, СевероКавказский филиал Российского государственного университета правосудия, Краснодар.

BAKHMETYEV, PAVEL V. — Ph.D. in Law, Associate Professor, Department of International Law, Russian University of Justice, Krasnodar.

УДК 347.77 DOI: 10.24412/2411-2275-2023-4-188-192

КОНЧАКОВ А.Б., МАТВЕЕВА И.А. ПРАВОВОЙ РЕЖИМ БАЗ ДАННЫХ, СОЗДАННЫХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Ключевые слова: интеллектуальные права, база данных, искусственный интеллект, нейросеть, нейронные сети, исключительное право, открытая лицензия, программа для ЭВМ.

В статье исследованы общественные отношения, возникающие по поводу создания базы данных при помощи искусственного интеллекта. Показано, что в российском гражданском законодательстве определения искусственного интеллекта не содержится. Однако указанное определение существует в Государственном стандарте СССР «Системы обработки информации» от 26.10.1990 г., действующем по настоящее время. Определена правовая природа искусственного интеллекта, а также порядок использования нейросетей, находящихся в открытом доступе. Проведен анализ использования общедоступных нейросетей по открытой лицензии. Выявлена необходимость законодательного урегулирования общественных отношений, возникающих в результате создания базы данных с использованием искусственного интеллекта, обусловленная отсутствием в действующем российском законодательстве правового регулирования указанных общественных отношений, что порождает значительное количество споров между субъектами соответствующих отношений.

KONCHAKOV, A.B., MATVEEVA, I.A. LEGAL REGIME OF DATABASES CREATED USING ARTIFICIAL INTELLIGENCE

Key words: intellectual rights, database, artificial intelligence, neural networks, neural networks, exclusive right, open license, computer program.

The article examines the public relations that arise regarding the creation of a database using artificial intelligence. It is shown that Russian civil legislation does not contain a definition of artificial intelligence. However, this definition exists in the USSR State Standard «Information Processing Systems» dated October 26, 1990, which is still in force today. The legal nature of artificial intelligence is determined, as well as the procedure for using publicly available neural networks. An analysis of the use of publicly available neural networks under an open license was carried out. The need for legislative regulation of social relations arising as a result of creating a database using artificial intelligence has been identified, due to the lack of legal regulation of these social relations in the current Russian legislation, which gives rise to a significant number of disputes between the subjects of the relevant relations.

В последние годы искусственный интеллект применяется во многих сферах общественной жизни, начиная от генерации изображений, заканчивая выявлением формул медицинских препаратов. Более 91% ведущих организаций в области информационных технологий инвестируют в деятельность в области искусственного интеллекта. Мировой рынок искусственного интеллекта оценивается в 136 миллиардов долларов, а в ближайшие 7 лет планируется рост индустрии в 13 раз [1].

Стремительное развитие искусственный интеллект получает и в сфере создания результатов интеллектуальной деятельности. Наибольшую популярность в обществе на сегодняшний день приобретают сгенерированные изображения, тексты, а также подбор и расположение материалов, которые образуют базу данных. Сервисы, предлагающие услуги по работе с искусственным интеллектом, позволяют лицу генерировать результаты интеллектуальной деятельности по заданным таким лицом параметрам. Результатом такой деятельности могут стать не только базы данных, но и изображения, дизайн, музыкальные произведения, произведения архитектуры и иные. В связи с этим, наблюдается возрастающий интерес общества к правовой охране результатов интеллектуальной деятельности, полученных в следствии использования человеком искусственного интеллекта. При этом, важно учитывать, что с развитием законодательства в данной сфере, должны быть обеспечены интересы общества в двух сферах. С одной стороны, необходимо обеспечить интересы в сфере правовой охраны результатов интеллектуальной деятельности, полученных при помощи нейросетей. С другой стороны, необходимо обеспечить стимулирование развития информационных технологий. Важно учитывать обе сферы интересов, так как слишком жесткая регламентация закона, обеспечивающая права лишь создателей результатов интеллектуальной детальности при помощи нейросетей, а равно обеспечивающая права лишь создателей нейросетей приведут к неизбежному падению спроса на их использование что, как следствие, остановит развитие технологий в данной сфере.

На международно-правовом уровне были созданы принципы, позволяющие обеспечить работу с искусственным интеллектом в позитивном ключе. Необходимость выработки и принятия таких принципов объясняется стремительным совершенствованием искусственного интеллекта, который, в некоторых случаях, ставит под сомнение безопасность самого человечества, его создавшего. Так, например, в 2017 году были приняты Азиломарские принципы, первоначальной целью принятия которых было недопущение негативного влияния на мировую и региональную экономику, а также недопущение социальной дискриминации. Международными организациями ежегодно принимается значительное количество рекомендательных актов по работе с искусственным интеллектом, однако, рекомендательные акты не могут должным образом урегулировать складывающиеся общественные отношения в данной сфере.

Искусственный интеллект также называют нейросетями, основное различие между которыми состоит в том, что искусственный интеллект является общим понятием к частному понятию нейросеть. И.А. Филипова определяет искусственный интеллект как способность искусственных интеллектуальных систем проявлять когнитивные функции: обучаться, в том числе на собственном опыте, подстраиваться под заданные параметры и выполнять задачи, которые ранее были доступны только человеку [2, с. 119]. В.Н. Синельникова и О.В. Ревинский отмечают, что с точки зрения права искусственный интеллект представляет собой компьютерную программу, созданную человеком и способную формировать новые сведения (информацию) или объективно выраженные результаты своей деятельности в силу заложенных в нее команд [3, с. 24].

В российском гражданском законодательстве определения искусственного интеллекта не содержится. Однако указанное определение существует в Государственном стандарте СССР «Системы обработки информации» от 26.10.1990 г., действующем по настоящее время, согласно которому искусственный интеллект — это способность ЭВМ моделировать процесс мышления за счет выполнения функций, которые обычно связывают с человеческим интеллектом» [4].

Таким образом, можно определить искусственный интеллект как программу для ЭВМ, которая создана человеком и способна формировать и совершенствовать заложенные в нее знания путем обработки информации, с учетом заложенных в нее алгоритмов.

Вопросы правового регулирования баз данных, полученных при взаимодействии человека с искусственным интеллектом, не регламентированы действующим законодательством. Однако при анализе норм гражданского законодательства, можно найти ответы на некоторые из них. Так, в соответствии с п. 1 ст. 1228 ГК РФ, автором результата интеллектуальной деятельности признается гражданин, творческим трудом которого создан такой результат [5]. Исходя из содержания норм ГК РФ, автором будет признан гражданин или граждане (если результат создан в соавторстве), творческим трудом которых была создана программа для ЭВМ, выполняющая функции искусственного интеллекта. Однако их авторские права распространяют свое действие только на саму программу для ЭВМ, не затрагивая при этом иные результаты интеллектуальной

деятельности, полученные при использовании созданного автором (авторами) искусственного интеллекта.

В некоторых зарубежных странах определение принадлежности интеллектуальных прав на такие результаты не вызывает неопределенности о принадлежности прав на результаты интеллектуальной деятельности, полученные в результате взаимодействия человека и искусственного интеллекта. Так, например, в Великобритании автором результата интеллектуальной деятельности, созданного искусственным интеллектом, признается автор программы для ЭВМ (искусственного интеллекта). В праве Индии, для возникновения и признания интеллектуальных прав на результат интеллектуальной деятельности, обязательный критерий творческого труда автора не предусмотрен, автором признается лицо, которому принадлежит исключительное право на искусственный интеллект. В Австралии искусственный интеллект может признаваться изобретателем, но не автором результата интеллектуальной деятельности.

В свою очередь, в Российской Федерации указанные вопросы не регламентированы законом. Исходя из этого, представляется возможным определить правовую природу искусственного интеллекта и судьбу прав на базу данных, созданных путем взаимодействия человека с нейросетью. Наиболее часто указанный вопрос встает у пользователей общедоступных нейросетей, таких как WomboArt, ChatGPT, Kandinsky и другие.

Некоторые правообладатели общедоступных нейросетей самостоятельно предпринимают попытки урегулировать отношения, возникающие между правообладателями нейросети и пользователями указанной нейросети. Так, например, в пользовательском соглашении об использовании нейронной сети Kandinsky устанавливается, что обладателем исключительного права на результат интеллектуальной деятельности, полученный при использовании нейронной сети Kandinsky, признается пользователь [6].

Проанализировав пользовательские соглашения различных нейронных сетей, представляется, что правовое регулирование большинства общедоступных нейро-сервисов основывается на положениях ст. 1286.1 ГК РФ об открытой лицензии. В отношении результатов интеллектуальной деятельности, созданных пользователями в пределах открытой лицензии, п. 4 ст. 1286.1 ГК РФ устанавливает правило о том, что права на такие результаты должны быть предоставлены третьим лицам на тех же условиях, что и предоставляется в пределах открытой лицензии. В противном случае, лицензиар, предоставивший открытую лицензию, вправе в одностороннем порядке полностью или частично отказаться от договора.

Так, в соответствии с п. 1 ст. 1286.1 ГК РФ, лицензионный договор, по которому автором или иным правообладателем (лицензиаром) предоставляется лицензиату простая (неисключительная) лицензия на использование произведения науки, литературы или искусства, может быть заключен путем открытой лицензии. Открытая лицензия представляет собой договор присоединения, заключаемый путем совершения конклюдентных действий. При этом, для искусственного интеллекта, являющимся программой для ЭВМ, законодательно установлен срок действия открытой лицензии — в случае, если срок действия открытой лицензии не определен, в отношении программ для ЭВМ и баз данных договор считается заключенным на весь срок действия исключительного права.

Однако следует учитывать, что если в результате взаимодействия человека с нейросетью был создан результат интеллектуальной деятельности, которому в соответствии с законодательством не предоставляется правовая охрана, то указанные положения на подобные результаты не распространяются.

Для всестороннего рассмотрения вопроса о принадлежности интеллектуальных прав на базы данных, полученные в результате взаимодействия человека с искусственным интеллектом, необходимо изучить некоторые аспекты о возможности и порядке возникновения интеллектуальный прав на такие базы данных.

Во-первых, нейросеть следует рассматривать как инструмент для создания баз данных. Это обосновывается тем, что база данных создается именно человеком в результате работы с искусственным интеллектом, то есть с программой для ЭВМ. Результаты интеллектуальной деятельности, в настоящее время, не могут быть созданы программой для ЭВМ без заданных человеком настроек и параметров.

Во-вторых, как установлено в ст. 1228 ГК РФ, автором результата интеллектуальной деятельности признается гражданин, творческим трудом которого создан такой результат. Следовательно, по действующему законодательству, искусственный интеллект (программа для ЭВМ) быть автором база данных не может.

Из закрепленного в законе положения следует, что базой данных, которой предоставляется правовая охрана, может быть лишь та база данных, которая создана творческим трудом. В связи с этим, необходимо определить наличие критерия творчества в созданной при помощи нейросети базе данных. Так, представляется, что творческий труд человека при взаимодействии с нейросетью заключается в формулировке задания, исходных данных и параметров, необходимых для создания искусственным интеллектом базы данных. Результатом формирования задания и параметров для нейросети будет получение определенного результата интеллектуальной деятельности.

Практическим примером наличия творческого характера в задаваемых параметрах для нейросети может послужить процесс создания при помощи нейросети модели города будущего. Так, гражданин для создания указанной модели города, сформировал задание для искусственного интеллекта (программы для ЭВМ). Гражданин, указывал в какой части города необходимо отразить школы, библиотеки, поликлиники, жилые комплексы и прочее. Более того, при помощи искусственного интеллекта, в городе будущего, гражданин создал систему управления данным городом и структуру органов по его управлению.

Применительно к базам данных, можно рассмотреть пример о создании базы данных для обучения искусственного интеллекта геологии. Так, российские ученые разработали базу данных с тысячами фотографий горных пород, что поможет обучать компьютеры распознавать минералы и оценивать их размер. В результате последующего взаимодействия человека с искусственным интеллектом, могут быть созданы базы данных минералов отдельного вида, что будет являться самостоятельным результатом интеллектуальной деятельности. Для его создания, лицу, создающему базу данных минералов определенного вида, необходимо задать параметры и формулировке задания для искусственного интеллекта (программы для ЭВМ) [7].

Подобным образом, могут быть созданы базы данных в различных направлениях, например, база данных моделей автомобилей определенной марки и за определенный период времени, база данных об определенных видах растений, животных и т.д.

Формирование задания и параметров для создания базы данных при помощи нейросети можно сравнить с изобразительным искусством. Создание произведения изобразительного искусства несомненно несет в себе творческий труд автора. Представляется, что первоначально произведение изобразительного искусства является фантазийным, представленным лишь разумом автора произведения. В последующем, произведение приобретает объективную форму путем нанесения красок на холст или бумагу. В случае создания результата изобразительного искусства при помощи искусственного интеллекта, вместо красок, автором произведения изобразительного искусства используются алгоритмы нейросети. В данном случае автором формируется задание для нейросети, обрабатывая которое, нейросеть выражает в объективной форме фантазийный образ, возникший в разуме человека.

В связи с этим, представляется возможным дополнить ГК РФ нормой, изложенной следующим образом: «Автором результата интеллектуальной деятельности, созданного при помощи искусственного интеллекта, признается гражданин, который творческим трудом создал формулировку и параметры задания для искусственного интеллекта, которые позволили искусственному интеллекту выразить предполагаемый автором результат интеллектуальной деятельности в объективной форме».

Таким образом, проведя анализ общественных отношений, возникающих по поводу баз данных, созданных искусственным интеллектом, мы приходим к выводу о том, что в действующем российском законодательстве отсутствует правовое регулирование указанных общественных отношений. Это порождает значительное количество споров между субъектами соответствующих отношений, а также способствует замедлению создания новых баз данных с использованием искусственного интеллекта. Надлежащее законодательное урегулирование баз данных имело бы возможность стимулирования создания результатов интеллектуальной деятельности и развития экономических связей, возникающих в связи с использованием баз данных, созданных с использованием искусственного интеллекта.

Литература и источники

1. Арджентова Д. Расставить нейросети // 2022. [Электронный ресурс]. Режим доступа: https://plus.rbc.ru/news/.

2. Филлинова И.А. Искусственный интеллект и нейротехнологии: потребности в конституционно-нравовом регулировании // Lex Russica. 2021. Т. 74. № 9 (178).

3. Синельникова В.Н., Ревинский О.В. Права на результаты искусственного интеллекта // Конирайт. Вестник академии интеллектуальной собственности. 2017. № 4.

4. Государственный стандарт СССР ГОСТ 15971-90 «Системы обработки информации. Термины и определения». (утв. и введен в действия постановлением Государственного комитета СССР но управлению качеством продукции и стандартам от 26.10.1990 г. №2698). // СПС «Консультант нлюс».

5. Гражданский кодекс Российской Федерации (часть четвертая): федерал. закон от 18.12.2006 № 230-ФЗ: в ред. от 13.06.2023 // СЗ РФ. 2006 № 52 (1 ч.). Ст. 5496.

6. Пользовательское соглашение об использовании Сервиса Kandinsky. // [Электронный ресурс]. Режим доступа: https://www.sberbank.com/common/img/uploaded/files/promo/kandinskiy-terms/kandinskiy-terms-of-use.pdf.

7. Котенко Е. Российские ученые разработали базу для обучения ИИ определять минералы // [Электронный ресурс]. Режим доступа: https://progorodspb.ru/.

References and Sources

1. Ardzhentova D. Rasstavit’ nejroseti // 2022. [Elektronnyj resurs]. Rezhim dostupa: https://plus.rbc.ru/news/.

2. Fillipova I.A. Iskusstvennyj intellekt i nejrotekhnologii: potrebnosti v konstitucionno-pravovom regulirovanii // Lex Russica. 2021. T. 74. № 9 (178).

3. Sinel’nikova V.N., Revinskij O.V. Prava na rezul’taty iskusstvennogo intellekta // Kopirajt. Vestnik akademii intellektual’noj sobstvennosti. 2017. №

4. Gosudarstvennyj standart SSSR GOST 15971-90 «Sistemy obrabotki informacii. Terminy i opredeleniya». (utv. i vveden v dejstviya postanovleniem Gosudarstvennogo komiteta SSSR po upravleniyu kachestvom produkcii i standartam ot 26.10.1990 g. №2698). // SPS «Konsul’tant plyus».

5. Grazhdanskij kodeks Rossijskoj Federacii (chast’ chetvertaya): federal. zakon ot 18.12.2006 № 230-FZ: v red. ot 13.06.2023 // SZ RF. 2006 № 52 (1 ch.). St. 5496.

6. Pol’zovatel’skoe soglashenie ob ispol’zovanii Servisa Kandinsky. // [Elektronnyj resurs]. Rezhim dostupa: https://www.sberbank.com/common/img/uploaded/files/promo/kandinskiy-terms/kandinskiy-terms-of-use.pdf.

7. Kotenko E. Rossijskie uchenye razrabotali bazu dlya obucheniya II opredelyat’ mineraly // [Elektronnyj resurs]. Rezhim dostupa: https://progorodspb.ru/.

КОНЧАКОВ АЛЕКСАНДР БОРИСОВИЧ — старший преподаватель, кафедра гражданского права, юридического факультета, Кубанский государственный аграрный университет им. И.Т. Трубилина (abkk23@mail.ru). МАТВЕЕВА ИРИНА АЛЕКСАНДРОВНА — магистрант, Кубанский государственный аграрный университет им. И.Т. Трубилина (79385085056@yandex.ru).

KONCHAKOV, ALEXANDER B. — Senior Lecturer, Department of Civil Law, Faculty of Law, Kuban State Agrarian University named after. I.T. Trubilin (abkk23@mail.ru).

MATVEEVA, IRINA A. — master’s student, Kuban State Agrarian University named after. I.T. Trubilina (79385085056@yandex.ru).

УДК 347.191.43 DOI: 10.24412/2411-2275-2023-4-192-195

НЕКОТОРЫЕ ОСОБЕННОСТИ СУБСИДИАРНОЙ ОТВЕТСТВЕННОСТИ КОНТРОЛИРУЮЩЕГО ДОЛЖНИКА ЛИЦА

Ключевые слова: банкротство, субсидиарная ответственность, должник, номинальный руководитель, контролирующее должника лицо.

В статье на основе анализа действующего законодательства, практики его применения и научной литературы раскрываются некоторые аспекты привлечения к субсидиарной (дополнительной) ответственности номинального руководителя юридического лица. Рассматривается проблема действий (бездействия) контролирующего лица, приведших к невозможности погашения требований кредиторов. В частности, рассматриваются особенности привлечения к субсидиарной ответственности контролирующих должника лиц. Предложено, в рамках привлечения к субсидиарной ответственности, на момент рассмотрения заявления, принятие обеспечительных мер, которые могут быть выражены в наложении ареста на имущество контролирующего должника лица, при возможности во внесения определенной суммы денежных средств для избегания такого ареста.

SOME FEATURES OF SUBSIDIARY LIABILITY OF A CONTROLLING DEBTOR PERSON Key words: bankruptcy, subsidiary liability, debtor, nominee director, person controlling the debtor.

Based on an analysis of current legislation, the practice of its application and scientific literature, the article reveals some aspects of bringing the nominal head of a legal entity to subsidiary (additional) liability. The problem of actions (inaction) of a controlling person that led to the impossibility of repaying creditors’ claims is considered. In particular, the features of bringing persons controlling the debtor to subsidiary liability are considered. It is proposed, as part of bringing to subsidiary liability, at the time of consideration of the application, the adoption of interim measures, which can be expressed in the seizure of the property of the controlling debtor of the person, if possible, in depositing a certain amount of money to avoid such seizure.

В рамках процедуры банкротства предполагается возможность привлечения к субсидиарной (дополнительной) ответственности контролирующего должника лица. Согласно статье 61.10 ФЗ № 127 «О несостоятельности (банкротстве)», под контролирующем должника лицом понимается физическое или юридическое лицо, имеющее либо имевшее не более чем за три года, предшествующих возникновению признаков банкротства, а также после их возникновения

Открытые источники данных для ИИ в промышленности

Консультант по промышленному интернету вещей и искусственному интеллекту компании “Цифра” Екатерина Ляпина рассказала, как оседлать волну внедрения ИИ, быстро приступить к экспериментам с использованием открытых данных и перейти к полномасштабному внедрению.

При запуске нового проекта по расширению возможностей производственного объекта на основе искусственного интеллекта возникает вопрос, а возможно ли что-то сделать в принципе.

Промышленный ИИ требует большого количества данных для подготовки базовых алгоритмов. Такие данные генерируются работающими системами. Но зачастую эти данные замкнуты в себе или базы данных не связаны между собой. Они могут оставаться недоступными для команды, задачей которой является внедрение ИИ в корпорацию, если в ней ее собственные данные недоступны для построения таких систем.

И из-за временных и бюджетных ограничений команда разработчиков сталкивается с вопросом получения данных для обучения системы.

Почему источники данных важны для начала работы с ИИ

Системы прогнозирования, полностью автоматизированные системы и системы управления знаниями требуют надлежащей подготовки данных. Качество данных определяет результат работы систем ИИ.

Если корректных данных недостаточно, результаты такого обучения зачастую оказываются непригодными для использования. Иначе говоря, ИИ не способен выстраивать необходимые абстракции, которые обеспечивали бы выдающиеся результаты.

Несмотря на то что существуют методы обучения с подкреплением, не требующие наличия исходных данных, использование алгоритмов обучения с учителем, в том числе систем глубокого обучения, требует больших объемов размеченных данных.

Переход от обучения к использованию

При запуске проекта по ИИ в промышленности необходимо учитывать общий цикл таких проектов. На первом этапе необходимо получить доступ к соответствующим накопленным данным, которые могут иметь форму файлов, баз данных с необходимой информацией, или озёр данных.

Озеро данных содержит неструктурированные и структурированные данные. Как правило, формат данных в таком озере достаточно сырой и неструктурированный. Это означает, что предварительная обработка данных, поступающих в озеро из разных источников, отсутствует. Сбор данных происходит с соответствующих датчиков или архивных записей. Это не только табличные данные, но и изображения, видео или аудиозаписи.

На следующем этапе данные проходят предварительную обработку. Здесь происходит очистка данных. Они визуализируются, так чтобы эксперты в данной области могли оценить их качество. На этом этапе сырые необработанные данные становятся более информативными.

Например, эти данные являются основой для разработки прогнозных моделей. Для обработки данных обычно применяются алгоритмы машинного обучения. Специалист по анализу данных может использовать модели нейронных сетей, эффективность применения которых подлежит проверке на новых неизвестных данных после этапа обучения.

Этап обучения включает несколько циклов обратной связи, чтобы понять, решают ли результаты обучения модели поставленную бизнес задачу.

Наконец, готовые к использованию модели ИИ должны быть интегрированы в масштабе предприятия. Эта интеграция является двойственной.

С одной стороны, существуют решения ИИ, работающие на конечных устройствах, которые находятся непосредственно на объекте. С другой стороны, существует интеграция в корпоративные системы в виде микросервисов. В любом случае модели должны быть адаптированы к существующим операциям.

Проблема заключается не в том, что данных слишком мало, а в том, что их слишком много

Где найти данные для обучения нейронных сетей и других алгоритмов машинного обучения? Несмотря на то что данные уже окрестили новой нефтью, может оказаться так, что найти источники данных за пределами предприятия сложно.

Промышленные компании оставляют свои данные для собственного использования. Тем не менее есть, например, ИТ-компании, которые прошли эту фазу хранения данных и исходных кодов для собственного использования. Однако некоторые немногочисленные компании продолжают это делать и по сей день.

Но в последние годы невообразимый успех выпал на долю систем с открытым исходным кодом. Даже такой поклонник «проприетарного» ПО, как Microsoft, вступил в ряды сторонников open source. Совместное использование данных и ПО открывает новые возможности для бизнеса и приносит пользу всей индустрии. Вот почему промышленные ассоциации и консорциумы начинают работу по обмену данными.

Еще одним источником бесплатных и открытых данных являются разработки и исследования, финансируемые государством. Такие организации, как NASA и ЦЕРН, предоставляют много ценных данных. Эти наборы данных используются для решения общих задач и испытаний новых алгоритмов. Если задаться целью поиска доступных данных в Интернете, то поразит прежде всего их обилие.

Но с этими данными есть проблема. Искусственный интеллект — актуальная тема, и многие жаждут внимания. Поэтому зачастую оказывается сложно решить, какие открытые данные подходят для того или иного конкретного проекта.

Существует множество неструктурированных наборов данных, плохого качества или просто плохо описанных. ИИ используется в различных областях и применяется для очень разных сценариев, поэтому существует множество наборов данных, не соответствующих вашим потребностям.

Открытые источники данных, релевантные для промышленного искусственного интеллекта

Если сфокусироваться на прикладном промышленном ИИ, то можно обнаружить, что ИИ применим ко многим продуктам и услугам. Его применение позволяет производителям обеспечивать новые сервисы для клиентов. Например, станки с самодиагностикой улучшают общую производительность производственных линий. Самодиагностика повышает эффективность, надежность, безопасность и увеличивает срок службы станков.

Следующий сценарий, для которого нужны данные, — это автоматизация. Исследователи тенденций в области автоматизации называют ее гиперавтоматизацией. Она помогает уже существующей автоматизации производственных процессов сделать новый рывок.

Стандартные данные от систем беспилотного (автономного) вождения и интеллектуальной робототехники используются для индивидуального обучения автономных промышленных транспортных средств и машин.

Третья область, в которой применяется ИИ, — это поиск новых знаний в инженерных системах. В данном случае цель заключается в том, чтобы найти первопричины проблем и контролировать риски с помощью ИИ.

ИИ способен сформировать реальное понимание ситуации помимо простого обнаружения аномалий и определения режимов отказа. Он находит связь между схожими инцидентами в прошлом и текущими показаниями датчиков. Это помогает предотвратить проблемы еще до их появления.

Какие данные вам нужны

Определив области применения ИИ, можно найти общедоступные данные. Поскольку для многих промышленных применений требуются огромные массивы данных с датчиков, эти данные не всегда доступны для прямого скачивания.

Иногда требуется получить доступ к данным через указанный программный интерфейс (API), обеспечивающий подключение к существующим базам данных и позволяющий извлекать и анализировать их.

Примером может являться набор данных для решения задачи по прогнозному обслуживанию турбореактивного двигателя от NASA. Он предоставляет данные со 100 двигателей одной и той же модели. Информация включает четыре различных набора данных по двигателю, полученных с использованием имитатора авиационного двигателя C-MAPSS. Двигатели испытывали в различных условиях эксплуатации и режимах неисправности.

Данные по турбовентиляторному двигателю могут быть получены из прогнозного центра передовых знаний НАСА (NASA Prognostics Center of Excellence, PCoE). Этот отдел NASA имеет еще больше открытых наборов данных. Он содержит наборы данных от различных университетов, агентств или компаний.

Такие временные ряды помогают строить предсказательные модели. Они показывают переход двигателя из некоторого нормального состояния в неисправное. При этом репозиторий содержит данные для решения большого количества различных промышленных задач. Здесь можно найти данные по фрезеровке и испытанию подшипников, данные об электронных системах и аккумуляторах.

Более свободные и общедоступные репозитории имеются в Великобритании. Национальное хранилище данных по нефти и газу Великобритании, NDR, предоставляет 130 терабайт данных по морским исследованиям. Они включают данные о более чем 12 500 скважинах, 5000 сейсмических исследованиях и 3000 трубопроводов. Эти данные находятся в свободном доступе.

Но хранилище NRD не является исключительным для Великобритании. Такого рода национальные хранилища данных имеются во многих странах и предоставляют открытые данные при поддержке своих правительств.

Ценные данные, предоставляемые правительствами, не ограничиваются нефтегазовой отраслью. Британская геологическая служба также предоставляет большое количество наборов данных.

Она предоставляет сейсмограммы в режиме реального времени и архивные данные со своих более чем 100 сейсмографических станций, расположенных по всей Великобритании. Также здесь можно найти более 525 наборов данных по различным геологическим темам.

Основные поисковые системы для открытых данных

Лучший способ найти открытые источники данных для проекта — специальные поисковые системы, каталоги и агрегаторы. С помощью этих инструментов можно быстро найти подходящий набор данных, продираясь через джунгли доступных открытых источников данных.

Поиск по наборам данных Google, datasetsearch.research.google.com, предоставляет впечатляющий обзор имеющихся в свободном доступе наборов данных.

По результатам поиска система не только дает ссылку на хранилище, но и предусматривает предоставление непосредственной информации о форматах имеющихся данных и способах доступа к ним. Этот недавно опубликованный инструмент содержит около 25 млн общедоступных наборов данных.

Реестр хранилищ научных данных re3data.org, предлагает комплексный текстовый поиск по имеющимся репозиториям. Он имеет хороший графический инструмент исследования под названием «поиск по теме», помогающий найти открытые данные.

Что же касается прикладных исследований, то доступно лишь несколько результатов. Эта поисковая система не ведет непосредственно к данным. Она просто отправляет в хранилище, где продолжается поиск.

С помощью этих отправных точек вы быстро найдете нужные открытые данные. Открытые данные помогают запустить проект промышленного искусственного интеллекта, так что не требуется ждать, пока произойдет настройка рабочих датчиков всего предприятия.

Роль векторных баз данных в современных приложениях генеративного искусственного интеллекта

Пространство для встраивания базы данных векторов

Чтобы крупномасштабные приложения генеративного искусственного интеллекта работали эффективно, необходима хорошая система для обработки большого количества данных. Одной из таких важных систем является база данных векторов. Что отличает эту базу данных, так это ее способность работать со многими типами данных, такими как текст, звук, изображения и видео, в числовой/векторной форме.

Что такое векторные базы данных?

База данных векторов — это специализированная система хранения, предназначенная для эффективной обработки многомерных векторов. Эти векторы, которые можно рассматривать как точки в многомерном пространстве, часто представляют собой внедрения или сжатые представления более сложных данных, таких как изображения, текст или звук. Базы данных векторов позволяют осуществлять быстрый поиск сходства среди этих векторов, что позволяет быстро находить наиболее похожие элементы из обширного набора данных.

Традиционные базы данных против векторных баз данных

  • Обрабатывает многомерные данные: Векторные базы данных предназначены для управления и хранения данных в многомерных пространствах. Это особенно полезно для таких приложений, как обучение с помощью машины, где точки данных (например, изображения или текст) могут быть представлены как векторы в многомерных пространствах.
  • Оптимизирован для поиска сходства: Одной из выдающихся особенностей векторных баз данных является их способность выполнять поиск по сходству. Вместо запроса данных на основе точных совпадений эти базы данных позволяют пользователям извлекать данные, «похожие» на заданный запрос, что делает их бесценными для таких задач, как поиск изображений или текста.
  • Масштабируемость для больших наборов данных: По мере того, как приложения искусственного интеллекта и машинного обучения продолжают расти, растет и объем данных, которые они обрабатывают. Векторные базы данных созданы с возможностью масштабирования, что гарантирует возможность обработки огромных объемов данных без ущерба для производительности.

Традиционные базы данных:

  • Структурированное хранилище данных: Традиционные базы данных, как и реляционные, предназначены для хранения структурированных данных. Это означает, что данные организованы в заранее определенные таблицы, строки и столбцы, обеспечивая целостность и согласованность данных.
  • Оптимизирован для операций CRUD: Традиционные базы данных в первую очередь оптимизированы для операций CRUD. Это означает, что они предназначены для эффективного создания, чтения, обновления и удаления записей данных, что делает их пригодными для широкого спектра приложений, от веб-сервисов до корпоративного программного обеспечения.
  • Фиксированная схема: Одной из определяющих характеристик многих традиционных баз данных является их фиксированная схема. После определения структуры базы данных внесение изменений может оказаться сложным и трудоемким. Эта жесткость обеспечивает согласованность данных, но может быть менее гибкой, чем бессхемная или динамическая схема некоторых современных баз данных.

Традиционные базы данных часто сталкиваются со сложностью встраивания, и эту проблему легко решают векторные базы данных.

Векторные представления

Центральное место в функционировании векторных баз данных занимает фундаментальная концепция представления различных форм данных с помощью числовых векторов. В качестве примера возьмем изображение. Когда вы видите изображение кошки, хотя для нас это может быть просто очаровательное изображение кошки, для машины оно может быть преобразовано в уникальный 512-мерный вектор, например:

[0.23, 0.54, 0.32, …, 0.12, 0.45, 0.90]

Благодаря векторным базам данных приложение Generative AI может делать больше. Он может находить информацию по смыслу и запоминать вещи на долгое время. Интересно, что этот метод не ограничивается только изображениями. Текстовые данные, наполненные контекстным и семантическим смыслом, также могут быть представлены в векторных формах.

Генеративный ИИ и необходимость векторных баз данных

Генеративный ИИ часто включает в себя встраивания. Возьмем, к примеру, встраивание слов в обработки естественного языка (НЛП). Слова или предложения преобразуются в векторы, улавливающие семантическое значение. При создании текста, похожего на человеческий, модели должны быстро сравнивать и извлекать соответствующие внедрения, гарантируя, что сгенерированный текст сохраняет контекстуальные значения.

Векторные вложения и базы данных

Аналогичным образом, при генерации изображений или звука встраивания играют решающую роль в кодировании шаблонов и функций. Чтобы эти модели функционировали оптимально, им требуется база данных, которая позволяет мгновенно находить похожие векторы, что делает базы данных векторов важным компонентом головоломки генеративного ИИ.

Создание вложений для естественного языка обычно включает использование предварительно обученных моделей, таких как:

  • ГПТ-3 и ГПТ-4: GPT-3 OpenAI (Генераторный предварительно обученный трансформатор 3) стал монументальной моделью в сообществе НЛП со 175 миллиардами параметров. Вслед за ним GPT-4 с еще большим количеством параметров продолжает расширять границы создания высококачественных вложений. Эти модели обучаются на различных наборах данных, что позволяет им создавать внедрения, улавливающие широкий спектр лингвистических нюансов.
  • BERT и его варианты: БЕРТ (Представления двунаправленного кодировщика от Transformers) от Google — еще одна важная модель, которая претерпела различные обновления и итерации, такие как RoBERTa и DistillBERT. Двунаправленное обучение BERT, которое читает текст в обоих направлениях, особенно хорошо подходит для понимания контекста, окружающего слово.
  • ELECTRA: более новая модель, которая эффективна и работает наравне с гораздо более крупными моделями, такими как GPT-3 и BERT, но требует меньше вычислительных ресурсов. ELECTRA различает реальные и поддельные данные во время предварительного обучения, что помогает генерировать более точные вложения.

роль векторных баз данных в приложениях Gen AI

Понимание вышеуказанного процесса:

Первоначально используется модель внедрения для преобразования желаемого контента в векторные внедрения. После создания эти внедрения затем сохраняются в базе данных векторов. Для удобства отслеживания и актуальности эти сохраненные внедрения сохраняют ссылку или ссылку на исходный контент, из которого они были получены.

Позже, когда пользователь или система задает приложению вопрос, в действие вступает та же самая модель внедрения. Он преобразует этот запрос в соответствующие вложения. Эти вновь сформированные вложения затем выполняют поиск в базе данных векторов в поисках аналогичных векторных представлений. Встраивания, идентифицированные как совпадения, имеют прямую связь с исходным содержимым, что гарантирует получение релевантных и точных результатов по запросу пользователя.

Растущее финансирование для новичков в сфере баз данных векторов

С ростом популярности ИИ многие компании вкладывают больше денег в векторные базы данных, чтобы сделать свои алгоритмы лучше и быстрее. Это можно увидеть на примере недавних инвестиций в стартапы векторных баз данных, такие как сосновая шишка, База данных цветности, и Виате.

ландшафт векторных баз данных

Крупное сотрудничество, такое как Microsoft, тоже имеет свои собственные инструменты. Например, Когнитивный поиск Azure позволяет компаниям создавать инструменты искусственного интеллекта с использованием векторных баз данных.

Oracle также недавно анонсировала новые функции для своего База данных 23c, представляя интегрированную базу данных векторов. Под названием «AI Vector Search» он будет иметь новый тип данных, индексы и инструменты поиска для хранения и поиска таких данных, как документы и изображения, с использованием векторов. Он поддерживает Поисковая дополненная генерация (RAG), который объединяет большие языковые модели с бизнес-данными для более точного ответа на языковые вопросы без раскрытия личных данных.

Основные аспекты векторных баз данных

Метрики расстояния

Эффективность поиска по сходству зависит от выбранной метрики расстояния. Общие показатели включают в себя Евклидово расстояние высокопоставленных косинусное подобие, каждый из которых обслуживает разные типы векторных распределений.

Индексирование

Учитывая высокую размерность векторов, традиционные методы индексирования не справляются с этой задачей. Векторные базы данных используют такие методы, как Иерархический навигационный маленький мир (HNSW) графики или Раздражать деревья, что позволяет эффективно разбивать векторное пространство и осуществлять быстрый поиск ближайших соседей.

Раздражать дерево

Annoy — это метод, который использует так называемые двоичные деревья поиска. Он многократно разбивает наше пространство данных и просматривает только его часть в поисках ближайших соседей.

Иерархические графики навигационного малого мира (HNSW)

Иерархические навигационные графики малого мира (HNSW) (Источник)

С другой стороны, графы HNSW подобны сетям. Они соединяют точки данных особым образом, чтобы ускорить поиск. Эти графики помогают быстро находить близкие точки в данных.

Масштабируемость

По мере роста наборов данных растет и проблема обеспечения быстрого извлечения данных. Распределенные системы, ускорение графического процессора и оптимизированное управление памятью — вот некоторые способы, с помощью которых векторные базы данных обеспечивают масштабируемость.

Роль векторных баз данных: последствия и возможности

1. Обучающие данные для передовых технологий Генеративные модели ИИ: Генеративные модели искусственного интеллекта, такие как DALL-E и GPT-3, обучаются с использованием огромных объемов данных. Эти данные часто включают векторы, извлеченные из множества источников, включая изображения, тексты, код и другие области. Базы данных векторов тщательно хранят и управляют этими наборами данных, позволяя моделям ИИ усваивать и анализировать мировые знания, выявляя закономерности и взаимосвязи внутри этих векторов.

2. Продвижение обучения в несколько этапов: Обучение за несколько кадров — это метод обучения ИИ, при котором модели обучаются с использованием ограниченных данных. Базы данных векторов расширяют этот подход, поддерживая надежный индекс векторов. Когда модель подвергается воздействию всего нескольких векторов — скажем, нескольких изображений птиц — она может быстро экстраполировать более широкую концепцию птиц, распознавая сходства и отношения между этими векторами.

3. Улучшение рекомендательных систем: Рекомендательные системы используют векторные базы данных, чтобы предлагать контент, точно соответствующий предпочтениям пользователя. Анализируя поведение, профиль и запросы пользователя, извлекаются векторы, указывающие на его интересы. Затем система сканирует базу данных векторов, чтобы найти векторы контента, которые очень похожи на эти векторы интересов, обеспечивая точные рекомендации.

4. Семантика Поиск информации: Традиционные методы поиска полагаются на точные совпадения ключевых слов. Однако векторные базы данных позволяют системам понимать и извлекать контент на основе семантического сходства. Это означает, что поиск становится более интуитивным, фокусируясь на основном значении запроса, а не просто на сопоставлении слов. Например, когда пользователи вводят запрос, соответствующий вектор сравнивается с векторами в базе данных, чтобы найти контент, который соответствует цели запроса, а не только его формулировке.

5. Мультимодальный поиск: Мультимодальный поиск — это новая технология, которая объединяет данные из нескольких источников, таких как текст, изображения, аудио и видео. Базы данных векторов служат основой этого подхода, позволяя проводить комбинированный анализ векторов различных модальностей. В результате обеспечивается целостный поиск, при котором пользователи могут получать информацию из различных источников на основе одного запроса, что приводит к более глубокому анализу и более полным результатам.

Заключение

Мир искусственного интеллекта быстро меняется. Оно затрагивает многие отрасли, принося хорошие вещи и новые проблемы. Быстрый прогресс в области генеративного искусственного интеллекта подчеркивает жизненно важную роль векторных баз данных в управлении и анализе многомерных данных.

БАЗЫ ЗНАНИЙ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ

Ни для кого не секрет, что информационные технологии прочно вошли в современную жизнь. На сегодняшний день почти у каждого есть смартфон, ноутбук, планшетный компьютер и ещѐ множество других гаджетов, способных принести в нашу жизнь что-то новое или каким-то способом облегчить ее.

Сейчас в каждой отрасли нашей жизни используются современные технологии, которые основаны на информационных технологиях или в них есть подобие искусственного интеллекта.

Иску́ сственный инте лле́кт (ИИ, англ. Artificial intelligence, AI) — 1) наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ; 2) свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.[1]

В современном мире многие считают, что искусственный интеллект – это робот, но это не так. Несомненно робот, в представлении человека, — это механическое устройство, созданное человеком для облегчения собственной жизни. Например, современное популярное устройство –« робот-пылесос», позволяет пропылесосить полы в квартире почти без помощи человека. Ему достаточно только включить устройство и оно начнет работать, при помощи колесиков передвигаться по квартире, а при помощи определенных датчиков определяет необходимость повернуть или остановиться совсем.

Но все современные устройства далеки от идеала, все они в какой – то степени используют искусственный интеллект. Но в мечтах ученых создать полноценный искусственный интеллект. Под эти ученые подразумевают искусственно созданное устройство, которое сможет не только запоминать какие-то факты, но и распознавать эмоции и чувства, а в идеале еще и проявлять их самому.

Любое искусственное существо с интеллектом должно обладать памятью. Процесс обучения точно такой же как с маленькими детьми, если ребенок один раз обжегся о горячую плиту, то у него в памяти отложилось, что плита горячая и подходить к ней, а тем более трогать ее опасно. Точно так должен обучаться искусственный мозг, один раз запомнив, например, ход в шахматах он должен в следующий раз его повторить не задумываясь.

У человека для этого существует память и нейронный связи, для искусственного интеллекта существует База знаний.

База знаний – это особого рода база данных, разработанная для оперирования знаниями (метаданными). База знаний содержит структурированную информацию, покрывающую некоторую область знаний, для использования кибернетическим устройством (или человеком) с конкретной целью. Современные базы знаний работают совместно с системами поиска информации, имеют классификационную структуру и формат представления знаний.

Полноценные базы знаний содержат в себе не только фактическую информацию, но и правила вывода, допускающие автоматические умозаключения о вновь вводимых фактах и, как следствие, осмысленную обработку информации. Область наук об искусственном интеллекте, изучающая базы знаний и методы работы со знаниями, называется инженерией знаний.[3]

Иерархический способ представления в базе знаний набора понятий и их отношений называется онтологией. Онтологию некоторой области знаний вместе со сведениями о свойствах конкретных объектов также можно назвать базой знаний.[2]

Системы искусственного интеллекта работают на основе заложенных в них баз знаний. Это та модель которая заложена программистом или создателем в компьютер.

Для человека характерно не только запоминание некоторых фактов, но и рассуждение о них, а также анализирование, на основе чего создавать логические рассуждения.

В системах с искусственны интеллектом на данный момент реализована модель рассуждений (человеческой логики). На основе базы знаний и модели рассуждений система искусственного интеллекта сама программирует свою работу при решении любой задачи.

Существуют два типа методов представления знаний:

1. Формальные модели представления знаний;

2. Неформальные (семантические, реляционные) модели представления знаний.

Очевидно, все методы представления знаний, которые приведены выше, включая продукции (это система правил, на которых основана продукционная модель представления знаний), относятся к неформальным моделям. В отличие от формальных моделей, в основе которых лежит строгая математическая теория, неформальные модели такой теории не придерживаются. Каждая неформальная модель годится только для конкретной предметной области и поэтому не обладает универсальностью, которая присуща моделям формальным. Логический вывод — основная операция в СИИ — в формальных системах строг и корректен, поскольку подчинен жестким аксиоматическим правилам. Вывод в неформальных системах во многом определяется самим исследователем, который и отвечает за его корректность.[2]

Каждому из методов представления знаний соответствует свой способ описания знаний.

1. Логические модели Основная идея подхода при построении логических моделей представления знаний — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей представления знаний лежит понятие формальной теории, задаваемое кортежем:

1. Бахтин М. М., 1975. Вопросы литературы и эстетики: Исследования разных лет. М.: Художественная литература.

2. Гаврилова Т.А., Хорошевский В.Ф., 2000. Бзы знаний интеллектуальных систем. Издательство: Питер

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *