Современные информационные технологии - учителям информатика

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ
РОССИЙСКОЙ ФЕДЕРАЦИИ
МИНИСТЕРСТВО ОБРАЗОВАНИЯ СТАВРОПОЛЬСКОГО КРАЯ
Государственное бюджетное образовательное учреждение высшего образования
«Ставропольский государственный педагогический институт»
В.С. Тоискин, В.В. Красильников, О.В. Пелих
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И
БЕЗОПАСНАЯ ОБРАЗОВАТЕЛЬНАЯ СРЕДА
В ОБЩЕСТВЕ XXI ВЕКА – УЧИТЕЛЯМ
ИНФОРМАТИКИ
УЧЕБНОE ПОСОБИЕ
КОМПЛЕКСНАЯ НАУЧНО-ИССЛЕДОВАТЕЛЬСКАЯ ЛАБОРАТОРИЯ
«АНТРОПОЛОГИЯ ДЕТСТВА»
2003 / 2021
КРАЕВАЯ ИННОВАЦИОННАЯ ПЛОЩАДКА
Ставрополь
2021
1
УДК 004(075.8)
ББК 74.262.9я73
Т 50
Печатается по решению
Совета научной лаборатории
«Антропология детства» ГБОУ ВО
«Ставропольский государственный
педагогический институт»
Рецензенты:
Малиатаки В.В. – кандидат педагогических наук, заместитель начальника отдела
реализации проектов цифровой трансформации Центра цифровой трансформации
Финансового университета Правительства РФ, г. Москва.
Кулевская Е.С. – кандидат педагогических наук, заместитель директора МБОУ СОШ
№ 21, г. Ставрополь.
Т 50
Тоискин В.С. и др.
Информационные технологии и безопасная образовательная
среда в обществе XXI века – учителям информатики: учебное пособие
/ В.С. Тоискин, В.В. Красильников, О.В. Пелих. – Ставрополь: Изд-во
«Тимченко О.Г.», 2021. – 121 с.
ISBN 978-5-907425-34-7
Важнейшим условием развития цифровой экономики является трансформация
образовательных систем, основанная, прежде всего, на компетенциях будущего.
Одним из разделов современной информатики является искусственный интеллект. В
связи с этим с 2021 года поэтапно вводится курс «Основы искусственного
интеллекта» в школьные программы и программы вузов. Это требует модернизации
традиционного курса информатики для всех уровней школьного образования и,
соответственно, программ подготовки учителей информатики. В учебном пособии
рассмотрены теоретические основы и методические вопросы преподавания
искусственного интеллекта, а также риски информационной безопасности.
Предложены подходы к построению школьных курсов «Основы искусственного
интеллекта» и «Информационная гигиена».
Учебно-методическое пособие предназначено для студентов высших и
профессиональных учебных заведений, обучающихся по профилю «Информатика», а
также аспирантов, школьных учителей информатики.
Учебно-методическое пособие разработано сотрудниками ВНИК комплексной
научно-исследовательской лаборатории «Антропология детства» в рамках реализации
программы краевой инновационной площадки «Подготовка педагогов к
формированию безопасной развивающей образовательной среды».
УДК 004(075.8)
ББК 74.262.9я73
ISBN 978-5-907425-34-7
©Тоискин В.С., Красильников В.В., Пелих О.В., 2021
© ГБОУ ВО «Ставропольский государственный
педагогический институт», 2021
© Издательство «Тимченко О.Г.». 2021
2
СОДЕРЖАНИЕ
1. Введение в искусственный интеллект ......................................................................................... 4
1.1. История искусственного интеллекта ........................................................................................ 4
1.2. Направления исследований, классификация и архитектура систем искусственного
интеллекта......................................................................................................................................... 14
1.3. Искусственный интеллект в школьном образовании ............................................................ 21
1.3.1. Искусственный интеллект как средство поддержки учебного процесса ......................... 22
1.3.2. Искусственный интеллект как предмет изучения .............................................................. 34
2. Теоретические основы технологий искусственного интеллекта ............................................ 44
2.1. Базовые понятия искусственного интеллекта ........................................................................ 44
2.1.1. Основные понятия и определения ........................................................................................ 44
2.1.2. Знания как знаковая система ................................................................................................ 45
2.1.3. Методы поиска решений в пространстве состояний .......................................................... 47
2.2. Классические модели представления знаний ......................................................................... 48
2.2.1. Продукционные модели ........................................................................................................ 49
2.2.2. Сетевые модели…………………………………………………………………..…………50
2.2.3 Фреймовые модели ................................................................................................................. 51
2.3. Представление нечетких знаний ............................................................................................. 54
2.4. Искусственные нейронные сети .............................................................................................. 56
2.4.1. Искусственный нейрон……………………………………………………………………..57
2.4.2. Формальный нейрон .............................................................................................................. 57
2.4.3. Однослойные нейронные сети .............................................................................................. 62
2.4.4. Многослойные нейронные сети............................................................................................ 63
3. Информационные технологии XXI века .................................................................................... 65
3.1. Большие данные ........................................................................................................................ 65
3.2. Интернет вещей ......................................................................................................................... 70
3.3. Технологии блокчейн ............................................................................................................... 77
3.3.1. Базовые понятия технологии блокчейн ............................................................................... 77
3.3.2. Алгоритм построения распределенного реестра по технологии блокчейн...................... 82
4. Риски цифровых технологий и информационная безопасность ............................................. 86
Литература ........................................................................................................................................ 96
3
1. Введение в искусственный интеллект
1.1. История искусственного интеллекта
Одним из разделов современной информатики является искусственный
интеллект (AI – Artificial Intelligence). ГОСТ Р 59276-2020 дает следующее
определение искусственного интеллекта (ИИ): «Способность технической
системы имитировать когнитивные функции человека (включая самообучение
и поиск решений без заранее заданного алгоритма) и получать при выполнении
конкретных практически значимых задач обработки данных результаты,
сопоставимые, как минимум, с результатами интеллектуальной деятельности
человека» 3. ИИ представляет собой комплекс технологических решений,
включающих
информационно-коммуникационную
инфраструктуру
и
программное обеспечение, позволяет при выполнении подобных задач
достигать результатов, по качеству сопоставимых с результатами
интеллектуальной деятельности человека. В связи с этим ИИ определяют как
направление исследований по аппроксимации естественного интеллекта, т.е.
совокупности способностей, образующих его реальный феномен [1, С. 32-33]:
– способность упорядочивать знания и выделять из совокупности знаний
существенное, необходимое для решения конкретной задачи при определенных
целях, условиях и ограничениях;
– способность к постановке цели, планированию и реализации плана по
ее достижению;
– способность к отбору знаний, необходимых для достижения цели;
– способность к рассуждению и извлечению следствий из имеющихся
знаний;
– способность на основе упорядоченных знаний и достоверных,
правдоподобных выводов приходить к обоснованному и аргументированному
принятию решений;
– способность к рефлексии;
– наличие познавательной потребности и любопытства;
– способность объяснять и интерпретировать полученные решения;
– способность находить решения на основе эвристик, базирующихся на
синтезе познавательных процедур;
– способность к обучению и самообучению и
уточнению замыслов и идей;
– способность к рационализации и
уточнению идей;
– способность к интеграции знаний,
релевантных решаемой задаче и созданию
целостной картины исследуемого предмета,
https://youtu.be/pS2ew8FRPcU явления, процесса;
– способность к адаптации к изменяющимся условиям и ситуациям.
4
Современные системы, построенные на концепции ИИ, осуществляют
конструктивное приближение и имитацию (как в автоматическом, так и в
интерактивном режимах) отмеченных способностей человека, являющихся
сутью его познавательной деятельности. Процедуры, имитирующие
способности человеческого интеллекта называются интеллектуальными.
Часто ИИ ассоциируется с робототехникой и научной фантастикой, но на
самом деле он давно вышел за пределы фантастических произведений. Сегодня
ИИ – это одна из «сквозных» цифровых технологий, предназначенная для
реализации новых возможностей человека во всех сферах деятельности.
Применение ИИ целесообразно и необходимо во всех экономических и
социальных отношениях для повышения качества жизни и улучшения
благосостояния общества [2, с. 2-3].
Историки техники считают, что первая философская предпосылка
создания ИИ возникла еще в Древней Греции с изобретением Аристотелем (384
– 322 гг. до н.э.) формальной логики, формулировкой им силлогизмов как
дедуктивного умозаключения, в котором из двух известных суждений
(посылок) получается третье суждение (вывод). Примером простого силлогизма
является следующее умозаключение:
– Не все обучающиеся отличники.
– Петров – отличник.
– Петров – студент.
Теоретические предпосылки создания науки об ИИ появились в XVII веке
в работах Рене Декарта («Рассуждение о методе»), Томаса Гоббса
(«Человеческая природа»).
Каковы технические предпосылки создания ИИ? Идея создать
искусственный аналог людей для решения сложных проблем появилась ещё до
нашей эры («Оживающая» механическая статуя бога Амона в Древнем Египте).
Родоначальником искусственного интеллекта принято считать Раймонда
Луллия (средневековый испанский философ, математик и поэт), пытавшегося в
XIII веке на основе разработанной им всеобщей классификации понятий
создать механическую машину для решения различных задач. Многие рассказы
об автоматах, способных двигаться, говорить, относятся к Средним векам и
Новому времени: описание конструкции около полусотни механизмов Абу альИз ибн Исмаил ибн аль-Раззаз аль-Джазари (1206 г.); руководство по
изготовлению гомункула (лат. homunculus – человечек) Парацельса (XVI век);
механический флейтист француза Жака де Вокансона (1737 г.);
человекоподобные устройства швейцарских механиков Пьера и Анри Дро (1774
г.), способные выполнять разнообразные действия и др.
В 1623 г. Вильгельм Шикард построил первую механическую
вычислительную машину. В период с 1822 г. по 1833 г. Чарлз Бэббидж
разработал (но не реализовал) проекты «Разностной» и «Аналитической»
машин, считающиеся прообразом современного цифрового компьютера. В 1869
г. Уильям Стенли Джевонс (английский экономист и философ-логик) создал
первую в мире машину, механизировавшую простейшие логические выводы. В
1832 г. коллежский советник С.Н. Корсаков выдвинул принцип разработки
5
научных методов и устройств для усиления возможностей разума и предложил
серию «интеллектуальных машин», в конструкции которых впервые в истории
информатики применил перфокарты. В 1939 г. в Нью-Йорке были
представлены первый механический человек Electro и собака Sparco. Эти
устройства, не являясь интеллектуальными, послужили собственно
прообразами
искусственного
интеллекта.
Приведенные
примеры
свидетельствуют о том, что современные концепции ИИ, их методологические
основы, берут своё начало в механистическом восприятии отдельных функций
мышления и функциональной деятельности человека.
Говорить о создании «мыслящей» машины, т.е. собственно
искусственного интеллекта, стало возможным только после изобретения ЭВМ
(Конрад Цузе, 1941 г.) и формулировкой основных положений кибернетики как
нового научного направления, основанного Норбертом Винером. Началом
искусственного интеллекта принято считать вторую половину XX века.
В 1943 году нейрофизиолог Уоррен Маккалок и математик Уолтер Питтс
(США) опубликовали свои труды «Логическое исчисление идей, относящихся к
нервной активности», тем самым фактически открыли направление
исследований, которое в настоящее время получает все большее признание и
развитие в области ИИ, – искусственные нейронные сети. В 1949 г. физиолог
Дональд Хэбб (Канада) сформулировал основные правила обучения
искусственных нейронов.
Впервые же теорию о том, что возможности человеческого мозга могут в
некоторой степени быть смоделированы и реализованы на базе ЭВМ,
предложил Алан Тьюринг (английский математик, логик, криптограф) в
докладе «Интеллектуальные машины» (1947 г.). В 1950 г. опубликована его
работа «Вычислительные машины и разум» (интуитивный подход к ИИ), в
которой был представлен «тест Тьюринга»: «Человек взаимодействует с одним
компьютером и одним человеком. На основании ответов на вопросы в течение
пяти минут он должен определить, с кем разговаривает: с человеком или
компьютерной программой. Задача компьютерной программы – ввести
человека в заблуждение, заставив сделать неверный выбор» [5, с. 12]. К
основоположникам ИИ причисляют и Марвина Ли Мински, утверждавшего,
что мозг – это не что иное, как сложная машина, свойства которой могут быть
скопированы компьютерами.
В 1948 г. американский математик Клод Шеннон публикует статью
«Математическая теория связи», являющуюся мощным базисом теории
передачи информации и имеющую непосредственное значение для развития
ИИ,
поскольку
проблемы
информационного
обмена
являются
принципиальными для построения систем ИИ.
Вкратце проследим эволюцию ИИ, представив ее в виде
последовательности этапов, каждый из которых характеризовался прорывными
достижениями и стал своеобразной «ступенькой» для последующего этапа.
Становление методологических и теоретических основ ИИ, о которых речь шла
выше, некоторые исследователи относят к предварительному этапу.
6
Первый этап (50-е годы). Начало этапа связано с появлением ЭВМ,
позволяющей решать преимущественно задачи расчетного характера на основе
известных алгоритмов, описанных на некотором формальном языке.
Автоматизация различных видов деятельности носила точечный характер.
Особенностью являлось переплетение входных и промежуточных данных с
операторами их обработки, что создавало трудности программирования даже
при незначительных изменениях алгоритмов обработки.
В 1954 г. был продемонстрирован эксперимент, подготовленный
Джорджтаунским университетом совместно с IBM, по автоматическому
переводу более 60 простых предложений с русского языка на английский. Этот
год принято считать годом рождения компьютерной лингвистики. Подобный
эксперимент, практически одновременно, был проведен в Институте точной
механики и вычислительной техники АН СССР на компьютере БЭСМ под
руководством И. Бельской. Параллельно аналогичные работы велись группой
ученых Отделения прикладной математики Математического института АН
СССР имени В.А. Стеклова под руководством О. Кулагиной и А. Ляпунова.
1954 г. можно считать исторической точкой отсчета ИИ в нашей стране,
именно тогда в МГУ один из основателей отечественной кибернетики А.А.
Ляпунов создал семинар «Автоматы и мышление». Работа семинара имела ярко
выраженный системный характер, в нем принимали участие ведущие ученые
разных научных направлений, таких, как физиология, лингвистика, психология,
математика. В Ленинграде велась работа по автоматизации решения логических
задач. На научном небосклоне засияло созвездие ярких имен: М.Л. Цетлин,
В.Н. Пушкин, М.А. Гаврилов, и уже можно было говорить о советской школе
ИИ.
Так же как и за рубежом, в СССР наметились основные направления
нейрокибернетики. Неоценимым вкладом в ее становление было
доказательство выдающимися советскими математиками А.Н. Колмогоровым и
В.И. Арнольдом в 1957 г. теоремы о возможности представления любой
непрерывной функции нескольких переменных в виде комбинации конечного
числа функций меньшего числа переменных.
Понятие «искусственный интеллект» по предложению Д. Маккарти
(США) было закреплено на семинаре, проходившим в Дартмутском
университете в 1956 г. Д. Маккарти также сформулировал основополагающие
принципы ИИ. На семинаре пришли к выводу, что решение задач ИИ должно
основываться на символьных вычислениях. Тем самым были заложены основы
функционального программирования, а Д. Маккарти вскоре разработал язык
функционального программирования Lisp, который до сих пор остаётся одним
из инструментальных средств в области ИИ.
В рамках ИИ выделяют три основные парадигмы:
восходящая, нисходящая и гибридная.
Чистая или нисходящая парадигма, предложенная Д.
Маккарти, базируется на утверждении того, что системы
искусственного
интеллекта
должны
имитировать
высокоуровневые психологические процессы разумного
https://clck.ru/UvAby
7
существа (логические мышление и вывод, речь, творчество и т. д.).
Восходящую парадигму, в основе которой лежит попытка моделирования
естественных процессов, происходящих в самой природе человека, предложил
М. Мински.
В восходящем понимании ИИ рассматриваются различные подходы
построения
ИИ:
структурный
(коннективизм),
эволюционный,
квазибиологический, интуитивный. Нисходящая парадигма предлагает
следующие подходы: символьный, логический, агентный.
Р.В
Душкиным
предлагается
своеобразная
«периодическая система технологий искусственного
интеллекта» [41. С.19], в ячейках которой перечисляются
различные методы конкретного подхода для решения
конкретной задачи.
В 1956 году инженер А. Сэмюэл создает первый в
мире самообучающийся компьютер, который умеет играть
в стоклеточные шашки. В этом же году Г. Саймон, А.
https://clck.ru/UvHqE
Ньюэлл и К. Шоу создали программу «Логический
теоретик», решающую ограниченный круг задач. Структуры этих двух
программ позже привели к концепции Универсального решателя задач.
В 1957 г. психолог и нейрофизиолог Фрэнк Розенблатт (США) разработал
перцептрон (лат. Perceptio – восприятие) – кибернетическую модель
восприятия информации мозгом. Вскоре после этого он создал первый
нейрокомпьютер – действующую машину «Марк-1», способную распознавать
представляемые к ее «глазам» карточки с изображением букв.
К концу 1950-х в теории ИИ сформировалась целая область, посвященная
машинному обучению как подразделу ИИ, изучающему методы построения
алгоритмов, способных автоматически обучаться с помощью примеров,
накапливать опыт и получать лучшие решения по мере выполнения новых
задач.
Второй этап (60-70-е годы). Главной задачей, решаемой в 60-е годы,
являлось моделирование искусственного интеллекта человека в двух
направлениях: прагматическое (небионическое) и бионическое.
Прагматическое направление основано на предположении того, что
деятельность человека – «черный ящик». В рамках направления
разрабатывались поисковые процедуры и методы решения переборных задач. В
настоящее
время
продолжаются
разработки
специализированного
инструментария: лингвистических процессоров, баз знаний, оболочек и
прототипов систем ИИ, систем когнитивной графики, естественно-языковых
программ и др.
Бионическое направление использовало результаты нейрофизиологии и
основывалось на предположении о том, что результаты решения
интеллектуальных задач могут быть получены, если система ИИ будет
воспроизводить структуры и процессы человеческого мозга. В бионическом
направлении исследований выделяются ряд подходов: нейробионический,
структурно-эвристический и гомеостатический.
8
Приведем несколько наиболее значимых событий этого этапа развития
ИИ.
В 1963-м году Л. Робертс предложил первые методы распознавания на
изображениях трёхмерных объектов (многогранников).
На начальной стадии находится теория экспертных систем, которые мало
опирались на знания, а в основном на методы формирования рассуждений и
эвристические процедуры. В 1965 г. в Стэнфордском университете создана
экспертная система Dendral, предназначенная для определения молекулярной
структуры неизвестного органического соединения. С 1965 г. начинает
разрабатываться теория нечётких множеств. В 1965 году Лофти Заде в работе
«Нечеткие множества» изложил основы математического аппарата теории и в
1969 году представил её развитие в работе «Нечёткие алгоритмы». В 1965 г. Д.
Вейценбаум создал компьютерную программу – робота Элизу, которая умела
говорить на английском, реализуя технику активного слушания. Через четыре
года появляется андроид Шеки, который умел еще и перемещаться.
В мае 1966 г. Г.Н. Бабакин, главный конструктор машиностроительного
завода имени С.А. Лавочкина подписал головной том аванпроекта понастоящему серьезного робота – «Лунохода-1». Проект был успешно
реализован, и луноход высадился на лунную поверхность 17 ноября 1970 г.
В 1968 – 1969 г.г. психолог Росс Квиллиан ввёл понятие семантических
сетей для моделирования структуры долговременной памяти человека.
В 1969 г. М. Минский доказал ограниченности перцептрона, показал его
неспособность решать задачи с инвариантностью представлений. Результатом
этого стало резкое снижение интереса исследователей проблем ИИ к
нейросетям. К началу 70-х годов относится разработка декларативного языка
программирования Пролог (англ. Prolog – PROgramming in LOGic ).
В СССР работы в области искусственного интеллекта начались в 1960-х
годах. С начала 1960-х М.Л. Цетлин с коллегами разрабатывали вопросы,
связанные с обучением конечных автоматов. В 1964 г. С.Ю. Маслов предложил
метод автоматического поиска доказательства теорем на основе исчисления
предикатов. В 1966 г. В.Ф. Турчин разработал язык программирования
рекурсивных функций Рефал. Во второй половине 60-х годов Д.А. Поспеловым
и Ю.И. Клыковым разработан метод ситуационного управления и
моделирования.
Исследования в области создания интеллектуальных программ
подготовили к концу 60-х годов почву для понимания важности и
перспективности нового научного направления, и в 1969 г. в Вашингтоне
состоялась первая международная конференция по искусственному интеллекту
(IJCAI-69).
В 70-х годах развивалась идея моделирования знаний специалистовэкспертов, разрабатывались экспертные системы. В работах наших ученых
были разработаны теория пространства состояний, методы поиска решений в
пространстве состояний, эвристики разбиения задачи на подзадачи и др.
Примечательно то, что американские и западные ученые шли от
реализации простых задач к созданию «умных» манипуляторов и роботов
9
(нисходящий ИИ), а отечественные ученые шли от целей управления большими
системами (восходящий ИИ), опираясь на понимание психологических
процессов принятия решений человеком в сложных ситуациях. Областью
пересечения этих направлений развития ИИ явилась проблема описания и
представления знаний (по современной терминологии – инженерия знаний).
Третий этап (70-80-е годы). Этап характеризуется пониманием задач
автоматизации деятельности человека – автоматизации систем управления
сложными техническими, организационными системами и технологическими
процессами, проектирования и т.п.
Продолжались исследования в области представления знаний:
развивались формальные и неформальные модели, логические и программные
средства вывода. В 1973 г. Л. Заде разработал основы теории мягких
вычислений, базирующейся на теории нечетких множеств. Опираясь на
теоретические результаты Л. Заде и методы лингвистического синтеза, в 1977 г.
Э. Мамдани разработал алгоритмы применения нечеткой логики для
формализации рассуждений. М. Минский в 1975 г. представил научному
сообществу теорию фреймов как механизм представления знаний.
Исследователи пришли к выводу, что традиционная фон-неймановская
архитектура ЭВМ плохо приспособлена для решения задач на основе
нейронных сетей. В середине 70-х г. японский ученый К. Фукусима предложил
когнитрон – самоорганизующуюся сеть, предназначенную для инвариантного
распознавания образов, прототипом которой является представление о
зрительной коре головного мозга. П. Вербос и А. Галушкин независимо друг от
друга разработали алгоритм обратного распространения ошибки для обучения
многослойных перцептронов.
В 80-х годах появились новые результаты в области теории и практики
нейронных сетей: С. Гроссберг открыл новый принцип самоорганизации –
теорию адаптивного резонанса;
Т. Кохонен предложил модели
самоорганизующихся карт, позволяющие реализовать обучение без учителя; Д.
Хопфилд предложил динамическую модель нейронной сети с обратными
связями, являющуюся, по-существу, ассоциативной памятью. В 1982 г.
начинается разработка первой системы распознавания речи, базирующейся на
нейронных сетях.
Важнейшие результаты получены в рамках экспертных систем, суть
которых заключалась в соединении неформальных знаний с механизмами
логического вывода и методами, разработанными в рамках эвристического
программирования. В начале 80-х годов на рынке появились первые
промышленные роботы с сенсорной системой и микропроцессорным
управлением. В СССР начался бурный подъем в области разработки систем
ситуационного управления. Постепенно это направление было объединено с
направлением исследования экспертных систем по причине схожести
планируемых результатов и путей их достижения.
Нельзя не упомянуть о такой очень важной составляющей ИИ, как
компьютерное зрение, решающей такие подзадачи, как обнаружение,
распознавание и идентификация конкретных объектов. Зарождение этой
10
дисциплины связано с деятельностью Джона фон Неймана, который еще в
1951 г. высказал предложение компьютерного анализа микроснимков путём
сравнения яркости соседних областей.
Четвертый этап (80-90-е годы). Появление персональных компьютеров
открыло новые возможности развития ИИ. Этап считается прорывным,
началась эра интеллектуальных систем и технологий. Особое внимание стали
уделять разработке инструментального программного обеспечения. Работы по
ИИ в развитых странах приобрели стратегически важный интерес.
В СССР была разработана многопроцессорная ЭВМ «Эльбрус»,
позволившая решать сложнейшие задачи для оборонного комплекса с
применением ИИ. В США разработана новая версия языка Lisp и построена
Lisp-машина для символьных вычислений. В Японии работа велась (но не была
завершена) над интеллектуальной ЭВМ пятого поколения на основе языка
Prolog. Аналогичная работа велась в СССР на основе языка Рефал,
завершившаяся созданием символьного процессора в виде приставки к
машинам единой серии (ЕС ЭВМ). В Институте кибернетики Украинской
Академии наук создана ЭВМ «МИР», реализующая символьные
преобразования на базе языка «Аналитик».
Наиболее важным для развития ИИ было появление концепции
инженерии знаний, выдвинутой Э. Фейгенбаумом в 1982 г.
Появляются интегрированные (гибридные) модели представления знаний,
сочетающие в себе поисковый, вычислительный, логический и образный
интеллекты. Начиная с середины 80-х годов XX века создаются промышленные
экспертные системы, растет интерес к самообучающимся системам, происходит
коммерциализация ИИ. В 1988 г. в СССР создается Ассоциация искусственного
интеллекта.
С развитием телекоммуникационных систем, усложнением решаемых
задач, расширением области применения информационных технологий на
первый план выходит проблема информационной безопасности. Новой
парадигмой создания систем защиты информации стали интеллектуальные
системы.
В конце 1980-х годов ряд исследователей выступали за новый подход к
искусственному интеллекту, основанному на робототехнике.
В 90-е годы продолжаются исследования эволюционных алгоритмов в
ИИ, развивается теория нечетких множеств и ее интеграция с нейронными
сетями.
Примечательным событием считают привнесение философского понятия
«онтология» в информатику как формализацию некоторой области знаний с
помощью концептуальной схемы, состоящей из структуры данных со всеми
релевантными классами объектов, с их связями и ограничениями,
наложенными на объекты и связи.
Отметим несколько нашумевших фактов этого периода. В 80-е годы
разработаны роботы-консультанты, решающие математические и ряд бытовых
задач, поддерживающие беседу с человеком. В конце десятилетия разработана
11
программа Deep Thought, обыгравшая гроссмейстера Ларсена, а в 1997 г. ИИ
обыграл Г. Каспарова. В 1998 был создан фреймворк EUROPA с функциями
голосовой системы, позволяющий понимать некоторые голосовые запросы и
отвечать синтезированной речью. В этом же году представлена платформа
MINOS с распознаванием голосовых команд и адресов для автомобильной
навигации.
Пятый этап (1990-2000-е годы). Этап характеризуется созданием
перспективных интеллектуальных систем всех видов: информационных,
поддержки принятия решений, управления знаниями, экспертных и др.
Интеллектуальность систем позволяла создавать гибкие среды для решения
необходимого набора задач. Одно из новых направлений получило название
мультиагентных систем.
С середины 2000-х годов появилась возможность на практике, с учетом
имеющихся компьютерных ресурсов, продемонстрировать принципы
многослойного «глубокого обучения». Сегодня системы «глубокого обучения»
лежат в основе услуг многих технологических гигантов.
В конце 2000-х годов взрывной рост объёма и многообразия
обрабатываемых структурированных и неструктурированных данных и
технологических перспектив привел к пониманию феномена «большие
данные». Появление первых продуктов и решений, относящихся
исключительно и непосредственно к проблеме обработки больших данных,
относят к 2010 г. Классическими источниками больших данных признаются
интернет вещей, социальные медиа, внутренняя информация предприятий и
организаций из сфер медицины, биоинформатики, астрономии, экономики,
бизнеса, финансов и др.
2008 г. примечателен разработкой концепции «Умный город», идея
которой вошла в нашу жизнь как следствие разработки компанией IBM схемы
построения новых городов в рамках инициативы «Умная планета».
В 2009 году появилась криптовалюта Bitcoin и технология Blockchain,
гарантирующая проведение транзакций и хранение всех данных о них.
В 2010 году созданы виртуальные помощники, системы распознавания
лиц Deep Face, искусственный интеллект для стратегических игр. Активно
велась разработка концепции сильного искусственного интеллекта.
Продемонстрированы гуманоидные роботы Boston Dynamics и Toyota.
Разработаны образцы коммерческих чат-ботов.
В период с 2011 по 2013 годы IBM Watson победила бессменных
чемпионов последних лет в игре Jeopardy! (российский аналог программы –
«Своя игра»). Компания Apple внедрила устройства голосового помощника Siri.
После 2013 года бурно развивались исследования по сортировке
изображений. В период до 2016 года дальнейшее развитие получили
специализированные системы искусственного интеллекта и исследования путей
создания искусственного разума. Искусственный интеллект Google Deep Mind
впервые одолел профессионального игрока в ГО и профессиональных игроков в
покер.
12
В 2017 году Gamalon представила технологию самообучения по
фрагментам данных. По своей эффективности и точности обучения новая
разработка соответствует мощным нейронным сетям. Появился новый класс
устройств – «умные» колонки.
После 2018 года создана универсальная системы понимания
естественного языка GLUE – General Language Understanding Evaluation, решена
задача распознавания объектов на изображении. Происходит формирование
новых архитектур нейронных сетей и совершенствование алгоритмов
машинного обучения, ведется разработка автоматического поиска оптимальных
архитектур нейронных сетей.
Разработана и реализуется концепция «Умного дома» как совокупность
технологий, позволяющих создавать различные системы автоматизации жилого
пространства, обеспечивающие возможность взаимодействия различных
устройств, удаленного управления ими, а также дружественный графический
интерфейс для максимально простого «общения» с хозяином.
В октябре 2019 года была утверждена «Национальная стратегия развития
искусственного интеллекта на период до 2030 года» [8], соотнесенная с
национальными целями и стратегическими задачами развития РФ на период до
2024 года.
Подробнее с хронологией знаковых событий,
связанных с ИИ, можно познакомиться, перейдя по ссылке
или QR-коду.
По прогнозам специалистов, в ближайшее будущее
ожидается:
– переход от парадигмы ЗНАНИЯ + ВЫВОД к
парадигме ЗНАНИЕ + ОБОСНОВАНИЕ;
https://clck.ru/UvSUU
– совершенствование инструментальных средств
ИИ,
в
частности,
языков
программирования,
ориентированных на обоснование;
– модернизация архитектуры вычислительных машин пятого и
последующих поколений;
– развитие нейробионического направления, создание специальных
процессоров для обработки зрительных образов и знаний;
– разработка новых моделей представления знаний, позволяющих
проводить интегрированную обработку символической, текстовой, зрительной,
акустической, тактильной информации;
– объединение разнотипных экспертных систем для совместной
выработки решений.
Подводя итог весьма краткому ознакомлению с историей зарождения
развития ИИ, сформулируем основные выводы.
1. Центральными проблемами ИИ являются:
– выявление, исследование и формализация интеллектуальных
метапроцедур, характерных для человеческого мышления;
– представление знаний в компьютере, т.е. поиск ответов на вопросы
«Что такое знание?», «Как представлять знания?», «Как организовать хранение,
13
актуализацию, поиск требуемых знаний в памяти системы и проверять их на
непротиворечивость?»;
– разработка и реализация технологий общения: синтаксический анализ
текстов на естественном языке, переход от языковых представлений к языку
описания знаний, понимание вопросов, формирование ответов, извлечение
знаний из текстов на естественном языке;
2. Основными стратегиями создания интеллектуальных систем являются:
– технологии экспертных систем (высокоуровневая стратегия);
– нейросетевые и нейрокомпьютерные технологии (низкоуровневая
стратегия);
– технологии эволюционного моделирования;
– технологии построения мультиагентных систем.
Приход в нашу жизнь высоких технологий, ИИ не только дают человеку
безграничные возможности, но и могут посягать на его самобытность,
индивидуальность, духовность, что представляется как риски и угрозы истинно
человеческому существованию [7].
1.2. Направления исследований, классификация и архитектура
систем искусственного интеллекта
Исторический обзор развития ИИ позволяет обобщить и представить
основные направления исследований в области ИИ (рисунок 1.1.).
Основные направления исследований искусственного интеллекта
Представление знаний
Манипулирование знаниями
Общение
Восприятие
Обучение
Поведение
Интеллектуальное программирование
Рисунок 1.1 – Направления исследований ИИ
ИИ как область знаний охватывает практически все области человеческой
деятельности, включая информатику, математику, философию, психологию,
термодинамику, лингвистику, здравоохранение, инженерию, экономику,
когнитивные науки и др. С другой стороны, ИИ опирается на теоретический
базис ряда наук, некоторые из которых представлены на рисунке 1.2.
Общее представление о многообразии СИИ, а, соответственно, и о
решаемых задачах, дает современная классификация, отражающая наиболее
существенные (значимые) характеристики СИИ, описывающие особенности
контура управления, в рамках которого используется СИИ, технологии
построения и использования знаний, а также основные особенности СИИ с
точки зрения решения прикладных задач [9]. Основания классификации СИИ
приведены на рисунке 1.3.
14
Математика
Психология
Социология
Нейрофизиология
Философия
сознания
ИИ
Вычислительная
техника
Формальная логика
Кибернетика
Теория
информации
Теория
вычислений
Представленная
классификация
является
открытой,
т.е.
может
дополняться
по
мере
развития теории и практики
ИИ,
каждая конкретная
позиция
классификации
может быть детализирована
дополнительными аспектами
или подклассами.
По
основанию
1
различают
следующие
классы систем: автономные,
встроенные и гибридные.
По основанию 2 –
автоматизированные
и
автоматические.
Рисунок 1.2.– Теоретический базис ИИ
Основания классификации систем искусственного интеллекта
1
По степени автономности
2
По степени автоматизации
3
По архитектурному принципу
4
По видам деятельности
5
По функциям контура управления
6
По специализации систем
7
По комплексности и сложности систем
8
По методам обработки информации
9
По управлению знаниями, моделям и методам обучения
10
По методам достижения интеграции и интероперабильности
11
По опасностям последствий
12
По конфиденциальности
Рисунок 1.3 – Основания классификации СИИ
15
По основанию 3 – централизованные и распределенные.
По основанию 4 – сферы государственного управления, безопасности,
здравоохранения, образования и науки, «умный город», промышленные,
финансовые
и
банковские,
транспортные
и
логистические,
сельскохозяйственные, экологические, нефтегазовые и прочее.
По основанию 5 – системы с обратной связью, реального времени,
целеполагания, формирования контура управления и обучения, обработки
измерений, идентификации и диагностики, когнитивного моделирования,
логического вывода, поддержки принятия решений, экспертно-аналитические,
оценки достижения цели, прогнозирования, ситуационные центры и прочие.
По основанию 6 – экспертные, естественного языка, игровые,
компьютерного зрения, промышленные роботы, беспилотные аппараты и
прочее.
По основанию 7 – многоагентные, «большие данные», промышленный
интернет вещей, киберфизические, жизненного цикла, сетевой экспертизы и
прочее.
По основанию 8 – нейросети, обучение на примере, эволюционные и
генетические алгоритмы, муравьиные алгоритмы, иммунные вычисления,
глубокое обучение, роевые вычисления, метод Байеса, уменьшение
размерности, природные вычисления, мягкие вычисления, кластеризация,
дерево решений, регуляризация, аналоговая обработка данных, обработка
фурье-образов, регрессия, решение обратных задач, система правил и прочее.
По основанию 9 – процедурные, декларативные, онтологические,
семантические, продукционные, фреймовые, нейросетевые, генетические,
логические, статистические, нечеткие знания, классификации, многомерное
представление (ЗD, 4D), функциональные, технологические, методологические,
комбинированное обучение, непрерывное обучение, единовременное обучение
и прочее.
По основанию 10 – системы с интеграцией на базе онтологий, системы на
базе профилирования, системы, использующие классификаторы и прочее.
По основанию 11 – социальной значимости, политической значимости,
экономической значимости, технологической значимости, техногенной
значимости, экологической значимости, значимости для обороны/безопасность
государства правопорядка.
По основанию 12 – открытая информация, внутренняя информация,
конфиденциальная информация, секретная информация.
В учебном пособии раскрывается содержание лишь отдельных классов
СИИ, причем с различной степенью общности, полноты и формализма.
Большее внимание уделяется методам обработки информации. Это
обусловлено как ограниченностью объема пособия, так и предлагаемым далее
вариантом программы факультативной дисциплины по основам искусственного
интеллекта для школьников старших классов.
В ГОСТ Р 59277-2020 указано, что классы, к которым могут быть
отнесены СИИ, необязательно исключают друг друга. Для некоторых СИИ
16
может быть применен только один из классов, а для других – несколько [9]. Это
позволяет представить структуру технологий ИИ в виде, приведенном ниже на
рисунке 1.5.
По определению Д.А. Поспелова, система называется интеллектуальной,
если в ней реализованы ряд базовых функции, позволяющих [11]:
– накапливать знания об окружающем систему мире, классифицировать
их и оценивать их с точки зрения прагматической полезности и
непротиворечивости, инициировать процессы получения новых знаний,
осуществлять соотнесение новых знаний с ранее хранимыми знаниями;
– пополнять поступившие знания с помощью логического вывода,
отражающего закономерности в окружающем систему мире или в накопленных
ею ранее знаниях, получать обобщенные знания на основе более частных
знаний и логически планировать свою деятельность;
– общаться с человеком на языке, максимально приближенном к
естественному человеческому языку, и получать информацию от каналов,
аналогичных тем, которые использует человек при восприятии окружающего
мира, уметь формировать для себя или по просьбе человека (пользователя)
объяснение собственной деятельности, оказывать пользователю помощь за счет
тех знаний, которые хранятся в памяти, и тех логических средств рассуждений,
которые присущи системе.
Указанные функции можно назвать функциями представления и
обработки знаний, рассуждения и общения (рисунок 1.4).
Технологии определяют области применения СИИ, к которым относятся:
финансы; тяжелая промышленность – применение роботов в работе, которая
считается опасной для людей, в рутинной работе и т.д.; обороноспособность
страны; информационная безопасность; медицина – ИИ для принятия решений
медицинской диагностики, интерпретации медицинских изображений, роботы
по уходу за больными и престарелыми, создание планов лечения и т.д.;
управление человеческими ресурсами и рекрутинг; музыка – виртуальные
композиторы; новости, издательство и писательство – виртуальные писатели;
он-лайн и телефонные службы поддержки клиентов – обслуживание клиентов,
например, чат-боты на веб-страницах; развлечения и игры; транспорт –
автономные самоуправляемые автомобили; распознавание объектов –
распознавание лица, голоса, эмоций; быт – «умный» дом; договорная
деятельность; автоматический перевод текстов и прочее.
Функции СИИ в настоящее время реализуются базовыми технологиями,
структура которых показана на рисунке 1.5 [11, С. 23].
Обобщенная архитектура СИИ в виде совокупности блоков и связей
между ними представлена на рисунке 1.6 [10, С. 169].
Машина базы знаний представляет собой совокупность баз знаний,
данных и системы эффективного управления ими. С помощью последней также
реализуется связь с внешней средой.
База факторов (данных, фактов) хранит конкретные данные, а база правил
– совокупность правил, позволяющих осуществить вывод (получение знаний)
на основе имеющихся данных и знаний.
17
Основные функции системы искусственного интеллекта
Представление и обработка знаний
накопление знаний о предметной области
классификация знаний по критерию прагматической полезности и
непротиворечивости
структурирование знаний в направлении их использования в
конкретной области
автоматическое поддержание базы знаний при ее пополнении
получение и обработка знаний от нескольких экспертов.
Рассуждения
инициализация процессов получения новых знаний
соотнесение новых знаний со старыми знаниями
пополнение знаний с получением логического вывода,
отражающего закономерности в предметной области и
накопленных знаниях
обобщение знаний на основе более частных знаний
логическое планирование своей деятельности
осуществление вывода на основе рассуждений по аналогии и т.п.
Общение
общение на естественном языке (или подмножестве
профессионального языка)
обучение
адаптация в процессе взаимодействия к специалистам разной
квалификации
введение знаний о целях и возможностях пользователя, а также о
собственных возможностях и ограничениях
формирование по запросу пользователя объяснений своей
деятельности
документирование информации в форме, необходимой
пользователю
Рисунок 1.4 – Основные функции СИИ
База процедур содержит прикладные программы,
необходимые преобразования и вычисления над данными.
18
выполняющие
Распознавание
Распознавание речи
Распознавание жестов
Биометрия
Компьютерное зрение
IoT (информация с
датчиков)
Распознавание по биометрии
Распознавание символов
Анализ и синтез речи
Обработка естественного
языка
Осмысление
Искусственный
интеллект
Диалог на естественном языке
Информационный поиск,
анализ текстов
Машинный перевод
Экспертные системы
Прогностические системы
Анализ данных
Представление
знаний/Онтологии
Предиктивная аналитика
Действие
Промыщленные
Беспилотники
Роботы
Домашние роботы
Программные агенты
Рисунок 1.5 – Структура технологий ИИ
База метазнаний (база знаний о себе) содержит описание самой системы и
способов
ее
функционирования, т.е.
сведения о
представлении
информационных единиц различного типа, о взаимодействии компонентов
системы, о пути получения решения задачи.
База целей содержит целевые структуры (сценарии), позволяющие
организовать процессы перехода от исходных фактов, правил, процедур к цели,
определенной пользователем, либо цель определяется самой системой в
процессе ее работы в конкретной проблемной среде.
Решатель включает в себя ряд компонентов, организация и
функционирование которых осуществляет система управления решателя. В
решателе
реализуются
процедуры
индуктивного,
дедуктивного,
правдоподобного выводов, в ходе которых на основе логических, дедуктивных
рассуждений, эвристических процедур из закономерностей, хранящихся в базе
знаний, фактов из базы фактов и правил из базы выводятся новые факты.
В блоке функциональных преобразований решаются расчетно-логические
и алгоритмические задачи.
19
Рисунок 1.6 – Общая архитектура СИИ
Решение задач планирования возлагается на блок планирования.
Местом для хранения промежуточных результатов решения задач,
исходных данных, извлекаемых из баз фактов и процедур, является рабочая
память решателя.
Рецепторы, эффекторы и естественно-языковый интерфейс осуществляют
невербальное общение СИИ с внешней средой и пользователем.
Применение искусственного интеллекта – это уже иной подход к
экономике, к финансам, к промышленности, к медицине, к образованию, к
работе, к общению, к жизнедеятельности в целом.
Современному человеку важно непрерывно учиться, осваивать
технологии. То, что в новинку сегодня, завтра будет привычным делом.
20
Примечателен прогноз гендиректора компании Google Inc. Пичаи
Сундарараджан, озвученный осенью 2017 г.: «Последние десять лет мы строили
мир, ориентированный, прежде всего, на мобильные устройства, превращая
наши телефоны в пульты дистанционного управления для
нашей жизни. Но в следующее десятилетие мы перейдем к
миру, основанному на искусственном интеллекте, где
вычисления станут общедоступными, – дома, на работе, в
машине или в дороге – и взаимодействие со всеми этими
поверхностями станет гораздо более естественным и
интуитивно понятным и, прежде всего, более умным» 4.
https://clck.ru/V8Ss
Проблемам в области искусственного интеллекта,
6
стоящим перед Россией, было посвящено совещание 30
мая 2019 г., инициированное Президентом РФ В.В. Путиным.
1.3. Искусственный интеллект в школьном образовании
Проникновение «сквозных» цифровых технологии во все сферы
человеческой деятельности обязывает подрастающее поколение иметь хотя бы
минимальный уровень цифровой и технологической культуры как части общей
культуры.
Информационно-технологическая
подготовка
позволит
человеку
цифрового общества быть в гармонии с информационно и технологически
насыщенным миром, более эффективно реализовывать свой интеллектуальный
потенциал. Организующим ядром освоения цифровых технологий в
образовательных
организациях Российской Федерации, реализующих
основные общеобразовательные программы, являются «Концепция развития
технологического образования в системе общего образования Российской
Федерации (проект)» [3], общественная экспертиза которой еще продолжается,
и «Концепция преподавания предметной области «Технология»» [4].
В России на законодательном уровне имеются предпосылки,
позволяющие рассматривать вопрос о подготовке нового поколения
специалистов, в том числе в области ИИ, способных к решению прорывных
задач, обозначенных четвертой промышленной революцией. В поручении
Президента РФ Правительству Российской Федерции указывается на
дополнение «образовательных программ высшего образования по всем
специальностям и направлениям подготовки разделами по изучению
технологий искусственного интеллекта в целях обучения применению таких
технологий
в
различных
сферах
деятельности».
(http://www.kremlin.ru/acts/assignments/items/topic/63/desc).
С сентября 2019 г. в 100 высших учебных заведениях запущена
программа обучения искусственному интеллекту. Задачей проекта является
формирование у обучающихся понимания того, как искусственный интеллект
меняет сферу деятельности и какие решения на основе искусственного
интеллекта можно создать, причем, независимо от профиля подготовки или
специальности.
21
При этом важно, чтобы знакомство обучающихся, составляющих
будущий кадровый потенциал страны, со «сквозными» цифровыми
технологиями начиналось уже со школьной скамьи. Говорить об ИИ в
школьном образовании целесообразно в трех плоскостях:
– ИИ как средство поддержки учебного процесса,
– ИИ как предмет изучения,
– подготовка к ИИ (например, предоставление возможности лучше
понять потенциальное воздействие ИИ на человеческие жизни).
1.3.1. Искусственный интеллект как средство поддержки учебного
процесса
Исследования в области искусственного интеллекта и машинного
обучения в образовании начались в конце 1970-х годов, когда Дж. Карбонелл
сформулировал общее представление об интеллектуальных обучающих
системах. Он представил свою систему SCHOLAR, на примере которой была
продемонстрирована эффективность использования методов ИИ в такой
области, как обучение.
Активное внедрение элементов концепция ИИ в образовательный
процесс школ началось в ряде стран со второго десятилетия XXI века. К таким
зарубежным странам относятся Франция, США, Китай, Новая Зеландия,
Япония, Швейцария, Бразилия, Бельгия и другие.
Футурист Томас Фрей в 2017 г. предсказал, что к 2031 году обучение с
помощью роботов станет обычным делом. Британский эксперт в области
образования Э. Селдон считает, что роботы смогут заменить учителей-людей к
2027 году, хотя целесообразность этого весьма и весьма спорна.
В настоящее время не существует роботов, полноценно выполняющих
функции преподавателя, но можно определить ряд основных направлений
(ролей) ИИ, которые помогут обучающимся и преподавателям получить
больший эффект учебной деятельности [13, 14].
1. Автоматизация основных или повторяющихся действий. В настоящее
время ИИ может автоматизировать выставление оценок практически для всех
видов тестирования с множественным выбором и заполнением пустых полей.
По мере развития программного обеспечения для оценки эссе этот диапазон
возможностей будет расширяться.
2. Предоставление
персонализированных
обучающих
платформ:
растущее число программ адаптивного обучения, игр и программного
обеспечения использует ИИ для удовлетворения потребностей отдельных
обучающихся, уделяя больше внимания определенным предметам, повторяя то,
что обучающиеся не освоили, и в целом помогает им в работе в своем
собственном темпе.
3. Выявление пробелов и недостатков в учебной программе: некоторые
платформы электронного обучения могут выдавать предупреждения, если
большое количество обучающихся отправляют неправильный ответ на
домашнее задание или имеют проблемы с определенной темой.
22
4. Виртуальные репетиторы: обучающие системы на базе ИИ уже
помогают обучающимся изучать основы математики, письма, иностранного
языка и других предметов.
5. В качестве обратной связи для обучающихся и преподавателей: СИИ
могут
отслеживать
успеваемость
обучающихся
и
предупреждать
преподавателей о возможных проблемах.
6. Предоставление новых способов взаимодействия с информацией: по
мере развития и интеграции технологий обучающиеся в будущем могут
получать более увлекательный и разнообразный опыт проведения
исследований.
7. Создание новой динамики с учителями: по мере того, как ИИ
становится все более интегрированным с системой образования, учителя могут
дополнять уроки ИИ, помогая обучающимся, испытывающим трудности, и
обеспечивая человеческое взаимодействие и личный опыт.
8. Снижение академического и социального давления: поскольку сами
СИИ часто основаны на пробах и ошибках, они могут способствовать такому
виду обучения в среде, где обучающиеся не испытывают давления, чтобы
сравнивать себя со своими одноклассниками.
9. Новые возможности для набора, обучения и поддержки.
Интеллектуальный сбор данных с помощью СИИ может предоставить
информацию и рекомендации для улучшения жизни обучающихся и
деятельности образовательных учреждений.
10. Изменение динамики обучения: СИИ, программное обеспечение и
поддержка в сочетании с подключением к Интернету позволяют обучающимся
учиться из любой точки мира в любое время.
11. Непрерывный доступ к обучению: благодаря большей части онлайнтехнологий, основанных на технологиях ИИ, обучение становится процессом
«в любом месте и в любое время», который может осуществляться в большей
степени для удобства обучающегося.
12. Доступ
для
обучающихся
с
особыми
потребностями:
инновационные технологии ИИ предоставляют новые способы взаимодействия
для обучающихся с ограниченными возможностями в обучении или с
ограниченными физическими возможностями и особыми потребностями.
13. Повышенная
вовлеченность:
персонализированные
учебные
платформы с индивидуализированной учебной работой, расписаниями,
индивидуализированными задачами и взаимодействием с цифровыми
технологиями повышают вовлеченность обучающихся в процесс обучения,
способствуя удержанию и повышению успеваемости.
14. Снижение академического / социального давления: материалы,
адаптированные к потребностям различных учебных групп, позволяют
обучающимся продолжить свое образование, не сравнивая себя постоянно с
другими.
15. Совершенствование учебного контента / методики преподавания:
ИИ на основе анализа учебных действий и результатов обучающихся может
23
указать преподавателям на целесообразность улучшения отдельных элементов
преподаваемых дисциплин;
16. Профессиональная ориентация обучающихся: ИИ на основе анализа
учебных достижений, склонностей, способностей помогает профориентации
выпускников школ для выбора дальнейшей траектории обучения.
Однако, несмотря на то, что ИИ может повысить эффективность
организации и реализации процесса обучения, есть ряд недостатков, которые
необходимо учитывать. Отметим некоторые из них
1. ИИ может создать свою собственную систему ценностей: выбирая
переменные, вводимые в систему или информацию об обучающихся,
инструменты ИИ эффективно создают правила о том, что имеет значение в
образовании. Эти критерии могут быть неидеальными.
2. Образовательные учреждения могут потерять контроль над своими
данными либо сами данные: СИИ и машинного обучения полагаются на
управление данными, и это часто передается по контракту компаниям, которые
могут быть менее напрямую подотчетны заинтересованным сторонам
образовательного учреждения.
3. Риски, связанные с упущением человеческого восприятия: системы,
полагающиеся на данные и узко определенные цели, могут упускать нюансы и
восприятия, которые были бы замечены человеком.
4. Могут быть конфликты интересов: системы прогнозной аналитики и
раннего предупреждения могут способствовать удержанию обучающихся,
привлекая внимание к тем, кто испытывает трудности. Но они также могут
предоставить рекомендации для сокращения численности своего ученического
контингента.
5. Зависимость от технологий: чем больше технологий в классах, тем
сильнее будет их негативное влияние на обучающихся. Исследования
показывают, что чрезмерное использование технологий может вызвать стресс в
детском мозге. Это приводит к высвобождению кортизола, который убивает
нервные клетки памяти.
6. Количество не означает качество: в отличие от человеческого
интеллекта, который связан с адаптивным обучением, ИИ работает по
алгоритму. Он рассчитывает на предопределенные данные. Это означает, что
программное обеспечение на основе искусственного интеллекта не может
улучшить свою производительность, выполняя повторяющиеся задачи. Но
учителя с более сложным и изощренным мозгом могут постоянно
совершенствоваться и становиться лучше в том, что они делают.
7. ИИ угрожает рынку труда: развитие технологий меняет мир быстрее,
чем мы думаем, и эксперты предполагают, что машинное обучение может
привести к сокращению количества учителей в школах в ближайшем будущем.
Многие рабочие места в секторе образования находятся под угрозой.
8. Более высокая стоимость: технологии ИИ требуют применения
специфического оборудования, программного обеспечения и повышенных
энергозатрат.
24
9. Потеря информации: возможность причинения вреда или уничтожения
информации из-за вредоносных программ, вирусов или других воздействий.
Опасность подвергнуться кибератакам.
10. Доступность: онлайн-обучение требует, чтобы обучающиеся имели
компьютер, ноутбук или планшет. Однако далеко не все могут позволить себе
эти устройства.
11. До сих пор остается открытым вопрос стандарта сбора и
предоставления личной информации обучающихся.
12. При большом количестве переменных-показателей не существует
единой модели развития событий.
13. При ошибочном построении траектории обучения непонятно, кто
будет нести ответственность.
14. Отсутствует
психологическая,
гендерная,
эмоциональная
составляющие при индивидуализации обучения.
Таким
образом,
технологические
достижения
способствуют
использованию ИИ в образовании. Причем при участии множества
заинтересованных сторон существует множество возможностей для
использования ИИ в образовании, и в настоящее время рынок предлагает
решения для разных категорий обучающихся. Системы на основе ИИ могут
анализировать огромное количество информации, а применение ИИ в
образовании охватывает диапазон, который включает обучение, связь,
администрирование и управление ресурсами.
Приведем некоторые примеры реального применения технологий ИИ в
обеспечении и сопровождении учебного процесса.
Первый в мире искусственный школьный учитель (аватар по имени Will),
заменяющий живого учителя при ознакомлении с различными формами
возобновляемой энергии, был создан в Новой Зеландии в 2005 г. Демонстрацию
можно посмотреть по адресу https://www.vector.co.nz/news/meet-will%E2%80%93-vector%E2%80%99s-new-renewable-energy-educator.
Во франкоязычной Швейцарии, Франции и ряде других стран с 2018 г.
для знакомства с цифровыми технологиями в детском саду и начальной школе
активно применяется робот Thymio, позволяющий познакомиться с элементами
программирования, организацией управления источниками света, датчиками
движения, моторчиками и, в конечном счете, привить навыки логики и
изобретательности (демонстрация на английском языке по адресу
https://www.youtube.com/watch?v=X-u8kcsjfnA).
Последующие версии приложений Thymio применяются и в средней
школе для сопровождения уроков математики, физики, музыки.
В 2019 г. стартовал эксперимент по внедрению ИИ в систему школьного
обучения в Японии. Соответствующее программное обеспечение на основе
глубокого машинного обучения позволяет проводить мониторинг успеваемости
школьников и корректировать интенсивность преподавания.
В Бразилии успешно используется образовательная платформа GeekieLab
для предоставления обучающимся текстового, мультимедийного контента и
оценки успеваемости. Платформа на основе ИИ рассматривается как часть
25
процесса (помощник учителя), а не процесс в целом и позволяет обучающимся
подготовиться к выпускным экзаменам в школе. Особенностью платформы
является ее адаптивность: программа постоянно собирает данные
(преподаватели имеют возможность быстро вносить коррективы в курс) и
учится на них (в случае подбора соответствующего контента для обучения).
(https://www.abc.net.au/news/science/2018-06-16/artificial-intelligence-that-canteach-is-already-happening/9863574).
Наибольшее распространение идея интеллектуального адаптивного
обучения получила в США [15]. Там существует несколько платформ, онлайнсервисов, использующихся в разных звеньях системы образования:
образовательный сервис (платформа) Knewton, используемый для
персонализации обучения с 2008 года; DreamBox Learning Math – адаптивная
онлайн-математическая платформа для школы, реализующая технологию
Intelligent Adaptive Learning и позволяющая отслеживать действие каждого
обучающегося, оценивать стратегии, используемые для решения проблем и
корректировать образовательный контент, уровень сложности, количество
подсказок, темы и темп изучения [16].
Во многих американских школах наряду с программами, реализующими
задачи организационного и методического сопровождения процесса обучения,
внедряются технологии ИИ в системы безопасности, что позволяет выявлять
информационные угрозы школе, которые отправляются обучающимся в
сообщениях в социальных сетях. «Библиотека угроз» состоит из 450 тысяч
различных индикаторов, указывающих на то, что ученик, либо ученику может
быть нанесен вред (https://www.wbur.org/news/2018/03/22/school-threats-suicideprevention-tech).
Весьма успешным является китайский стартап Yuanfudao. Компания
предлагает различные онлайн-курсы для школьников, на текущий момент у
проекта более 200 млн. пользователей. Приложение для помощи с домашними
заданиями, разработанное на основе ИИ, сканирует задание, распознаёт
проблему и предлагает наиболее подходящее решение.
Чат-бот университета Джорджии сообщает абитуриентам о зачислении,
учебных программах, финансовых вопросах. MATHiaU от Carnegie Learning
применяет ИИ для помощи преподавателю адаптировать учебный процесс под
потребности обучающихся.
Интеграцию ИИ и машинного обучения активно применяет языковой
сервис Duolingo, позволяющий персонифицировать весь образовательный
процесс, от предварительного тестирования до адаптации уроков под
индивидуальный прогресс и динамику развития отдельных языковых навыков.
Brainly – платформа, насчитывающая более 150 миллионов
пользователей, которые в основном используют ее для получения ответов на
свои домашние вопросы. Используя ИИ, это приложение позволяет отправлять
быстрые автоматические ответы, проверенные сокурсниками, преподавателями.
MATHiaU – приложение, которое предлагает обучение и открытые
образовательные ресурсы. Учителя могут легко создавать пошаговые
руководства для своих учеников и персонализировать их учебный процесс.
26
Платформа также позволяет устранять пробелы в знаниях в режиме реального
времени и позволяет учителям адаптировать свои уроки для решения проблем,
с которыми сталкиваются обучающиеся.
Российский образовательный стартап MyBuddy.ai создал виртуального
репетитора английского языка с искусственным интеллектом. Приложение
помогает детям практиковать разговорную речь, общаясь с виртуальным
мультикаплиционным персонажем, точно так же, как ребёнок общается с
репетитором. Этот проект стал первым российским победителем престижного
конкурса EdTech стартапов Global EdTech Startup Awards (GESA), который
проходил
в
Лондоне
в
2019
году
(https://www.youtube.com/watch?v=USIalHuZ8AA).
В России в 2015 г. была предпринята попытка создать адаптивную
платформу Stepik [10], которая на основе оценки уровня подготовки
обучающихся осуществляла бы подбор образовательного контента. Однако в
настоящее время платформа существует как конструктор бесплатных открытых
онлайн-курсов и уроков с адаптивными рекомендациями, обратной связью и
автоматической проверкой степени усвоения материала.
В настоящее время ведутся работы по использованию технологии ИИ на
платформе Moodle. Однако на начальном этапе это затрагивает только
подсистему оценки уровня овладения учебным материалом и прогнозирование
возможности успешного завершения обучающимся своего курса. Для решения
такой задачи разработчиками используются технологии больших данных и
машинного обучения.
Даже краткий анализ известных интеллектуальных адаптивных
образовательных платформ позволяет сделать вывод о наличии разных
подходов к их построению, отметить присутствие принципиальных
недостатков, обусловленных, в первую очередь, ограниченностью,
недостаточной разработанностью технологий ИИ применительно к
особенностям процесса обучения.
С дидактической позиции образовательные платформы реализуют два
основных типа процесса обучения: обучение как learning и обучение как
tutoring [17] (рисунок 1.7).
Направление
learning
(обучающиеся
системы)
предполагает
самообучение, обучение с учителем, адаптацию как к окружающей среде, так и
внутреннюю адаптацию путем накопления информации, самоорганизацию и
т.д..
Направление tutoring (обучающие системы) тесным образом связано с
классическими вопросами «кого учить» (модель обучаемого), «как учить» и
«чему учить» (модель обучения) и даже «для чего учить» (модель
целеполагания), т.е. здесь исследуются модели информационной коммуникации
между учителем и обучающимся посредством компьютера.
В работе [18] предлагается деление интеллектуальных обучающих систем
на 4 класса по составу и назначению:
– консультационные интеллектуальные системы, предназначенные для
консультирования при решении задач и поиске информации по обучению и
27
состоящие из учебной справочной системы и системы объяснения;
– диагностические системы обучения, которые рассматриваются как
дополнение к предыдущему классу;
– управляющие системы, решающие задачи управления познавательным
процессом обучающихся и представляющие собой расширенную систему
предыдущего класса с базой знаний о целях функционирования и стратегиях
обучения;
– сопровождающие системы, осуществляющие мониторинг деятельности
обучающегося, оказание необходимой помощи при обнаружении ошибок в его
действиях.
Интеллектуальные системы компьютерного обучения
использующие методы
нейронных сетей
(типы обучения,
П. Уинстон)
обучение путем
самостоятельного
«открытия»
использующие методы
машинного обучения
использующие
генетические алгоритмы
использующие методы
эволюционного
моделирования
Обучение
как learning
обучение путем
объяснения
обучение прямым
программированием
использующие
агентный подход
…
(педагогика)
интеллектуальные
обучающие системы
поддержка модели
обучаемого
обучающие экспертные
системы (подкласс ИОС)
экспертно-обучающие
системы
обучение на примерах
Обучение
как tutoring
сетевые адаптивные
обучающие системы
…
поддержка модели
обучения
поддержка модели
учителя
поддержка модели
предметной области
поддержка модели
объяснения
Рисунок 1.7 – Классификация интеллектуальных систем компьютерного обучения
В общем случае, интеллектуальная обучающая система должна быть
интегрированной (learning+tutoring) и обеспечивать:
– определение стратегии и тактики коммуникативного взаимодействия с
обучающимися;
– реализацию гибких сценариев обучения с нелинейной логикой
предъявления учебного контента, генерирование учебных задач с учетом
индивидуальных особенностей обучающихся, используя методы представления
28
знаний и поиска решений, включая и эвристические;
– учет временных и других ограничений, оказывающих влияние на
реализацию процесса обучения;
– управление на основе динамической модели обучающегося,
моделирование состояния обучающегося в пространстве знаний;
– дифференциацию и индивидуализацию обучения на всех этапах
обучения, от постановки учебных задач, поиска методов решения и до оценки
полученного результата;
– распределение управляющих функций между программой, реальным
преподавателем и обучающимся;
– учет психофизиологических возможностей и состояния обучающегося.
Конкретизация общей структуры СИИ, приведенной на рисунке 1.6,
приводит к архитектуре интеллектуальной обучающей системы, показанной на
рисунке 1.8.
Когнитивные способности интеллектуальных обучающих систем
реализуются на основе методов ИИ, разворачиваемых в рамках четырех
взаимодействующих компонентов:
– база знаний, представляющая центральную часть учебного процесса;
– модель обучающегося, относящаяся к существующему состоянию
знаний последнего;
– педагогическая модель, представление наиболее подходящих учебных
подходов, которые зависят от оценки модели обучающегося;
– пользовательский интерфейс, способствующий эффективному общению
между системой и обучающимся.
Интеллектуальная адаптивная система обучения базируется на большом
объеме структурированных и неструктурированных данных, цифровую
обработку которых связывают с технологиями Big Data, Data Mining, Learning
Analytics.
Основными задачами, решаемым Big Data, являются:
– сбор;
– хранение;
– обработка структурированных и неструктурированных данных.
Технология
Data
Mining
позволяет
работать
с
частично
структурированными данными. Основная направленность заключается в поиске
скрытых
взаимосвязей
ограниченного
большого
объема
данных,
прогнозировании, классификации, визуализации.
Learning Analytics является технологией, учитывающей уникальные
проблемы анализируемых в ходе учебной деятельности данных и
осуществляющей их сбор, анализ с целью оптимизации процесса обучения.
29
Педагогический
инструментарий
Преподаватель
Коммуникационная
модель
Модуль интеллектуального
управления процессом обучения
Решатель
Интерфейс
Методы принятия
решений
. . Планирование
…
Модель предметной
области, база знаний
Педагогическая
модель
 Стратегии
 Учебный план
 …
Обучающийся
Решения
обучающегося (шаг
решения)
Блок статистики и анализа
действий обучающегося
Прочие действия
(запрос помощи,
подсказок и т.д.)
Модель обучающегося
(цели, компетенции, планируемые
результаты, психологические
характеристики)
Решение,
полученное
программой
(шаг решения)
Рисунок 1.8 – Общая архитектура интеллектуальной адаптивной обучающей
системы
Интеллектуальные обучающие системы имитируют индивидуальное
обучение человека. Такой имитатор, по терминологии зарубежных источников,
называют «педагогическим агентом». Это виртуальные персонажи,
интегрированные в обучающие технологии для облегчения обучения. Часто
такие агенты визуализированы, что позволяет обучающимся видеть
изображения виртуальных персонажей, или аватаров, на экране, которые
реалистично или абстрактно напоминают людей, вымышленных персонажей
или объекты.
Педагогические агенты были созданы, чтобы добавить социальный,
эмоциональный и мотивационный компонент к технологиям обучения и
общаться с обучающимися естественными человеческими способами.
Педагогические
агенты
могут
служить
источником
информации;
демонстрировать или моделировать учебный контент; оценивать обучающихся;
выступать в роли сотоварищей по обучению или сверстников. Некоторые
педагогические агенты являются обучаемыми, что позволяет реальному
обучающемуся обучать своего агента и получать знания через объяснения.
Наиболее впечатляющими возможностями на сегодняшнее время
обладают интеллектуальные системы обучения AutoTutor, AutoTutor-lite,
30
Operation Aries! и Guru. По-существу, это анимированные педагогические
агенты (аватары), помогающие обучающимся изучать науку, технологии и
другие предметы, разговаривая с обучающимися на естественном языке [37].
Диалоги организованы вокруг сложных вопросов и проблем, требующих
аргументации и пояснений в ответах.
Основные компоненты включают в себя:
– анимированного диалогового агента,
– управление диалогами,
– классификацию речевых актов,
– сценарий учебной программы,
– семантическую оценку вкладов обучающихся и электронные документы
(например, учебник и глоссарий) и др.
Системы имеют модульную структуру, поэтому механизмы контента и
диалога могут быть изменены с помощью инструментов разработки.
Подобные примеры приводят к вопросу: «Может ли интеллектуальная
адаптивная система («цифровой» учитель, педагогический агент, аватар)
заменить учителя-человека?» Ответ на этот вопрос дает итоговый Пекинский
консенсус,
принятый
международной
конференции
ЮНЕСКО
по
искусственному интеллекту и образованию в 2019 г. (первый в истории
международный документ, предлагающий руководство и рекомендации по
применению технологии ИИ в области образования на период до 2030 года):
«несмотря на предоставляемые ИИ возможности для поддержки учителей в
выполнении ими образовательных и педагогических обязанностей, личное
взаимодействие и совместная работа учителей и учащихся должны оставаться
центральным элементом образования» [19, С 46]. Пекинский консенсус
подтверждает гуманистический подход ЮНЕСКО к использованию ИИ в
образовании.
Многие ученые приходят к обоснованному мнению, что в будущем
система образования откроет новую эпоху преподавания, обучение в которой
будет проводиться и человеком и машиной, а учителя-люди и «цифровые»
учителя будут представлять две главные составляющие цифровой
образовательной системы (рисунок 1.9).
Учитель-человек и «цифровой» учитель принципиально отличаются тем,
что у первого есть духовное начало и эмоции, он может взаимодействовать с
обучающимся на ментальном уровне, в рамках морали и чувства прекрасного в
жизни: «Учитель не только профессия, суть которой транслировать знания. Это
высокая миссия, предназначение которой – сотворение личности, утверждение
человека в человеке» [20, С. 24].
В 2018 г. институт, созданный на базе Букингемского университета,
опубликовал структуру, в которой изложены девять принципов этичного
использования ИИ в образовании [38]:
– ИИ следует использовать для достижения четко определенных
образовательных целей, основанных на социальных, образовательных или
научных данных;
– ИИ следует использовать для оценки и распознавания способностей
31
обучающихся;
– ИИ должен повышать возможности организаций, уважая при этом
человеческие отношения, и не должен заменять межличностные отношения;
– системы ИИ должны способствовать равенству между разными
группами обучающихся;
– ИИ следует использовать для усиления контроля обучающихся над
своим академическим развитием;
– учреждения должны соблюдать баланс между конфиденциальностью и
законным использованием данных для тех или иных целей;
– люди несут полную ответственность за результаты обучения и поэтому
должны иметь соответствующий уровень контроля за тем, как работают
системы ИИ;
– обучающиеся и преподаватели должны иметь представление о
последствиях использования ИИ;
– ресурсы ИИ должны разрабатываться людьми, которые понимают
влияние и риски, связанные с применением технологии.
Роли учителя-человека и «цифрового» учителя в цифровом учебном процессе
Аспекты учебного
процесса
Роль учителячеловека
Роль «цифрового»
учителя
Персонализация
обучения
Разработчик,
Менеджер
Проектировщик,
Наставник
Развитие навыков
обучающихся
Разработчик,
Планировщик
Консультант,
Руководитель
Интерактивный
советчик
Психологическое развитие,
эмоциональное здоровье
обучающихся
Опекун,
Контролер
Распознаватель
эмоций
Духовные убеждения и
ценности обучающихся
Лидер, Гуманист,
Контролер
Физическая подготовка,
БЖД обучающихся
Диагност,
Инструктор
Тренер,
Помощник
Процесс обучения
Аналитик,
Сопровождающий
Регистратор,
Архиватор
Учебная среда
Исполнитель
–
Рисунок 1.9 – Роли учителя-человека и «цифрового» учителя
Тенденции развития ИИ в области образования (AIEd) иллюстрируются
таблицей 1.1, построенной на основе анализа количества публикаций,
преимущественно в США, по одиннадцати исследовательским темам в период с
2009 г. по 2019 г. [40].
32
Таблица 1.1 –Объем публикаций по теории и практике применения ИИ в
образовании
Процент
Темы исследования и описание
Компьютерное обучение искусственного интеллекта (AI CAI):
интерактивная методика обучения, включающая различный 22,8%
запрограммированный образовательный контент
Виртуальная реальность (VR) в образовании: смоделированный
опыт, улучшающий обучение и взаимодействие, позволяя 21,4%
пользователю просматривать и взаимодействовать с виртуальными
функциями или элементами
Интеллектуальная система обучения (ITS): компьютерная
система,
предоставляющая
обучающимся
немедленное
и 18,1%
индивидуальное обучение или обратную связь, обычно без
вмешательства учителя-человека
Дополненная реальность (AR) в образовании: привнесение
интерактивного опыта реальной среды в класс, где реальные объекты 11,3%
усилены сгенерированной компьютером перцепционной и сенсорной
информацией
Обучающие игры: игра, разработанная для обучения или отработки 7,1%
навыков
Прогностическое моделирование в образовании: внедрение
прогнозной аналитики успеваемости учащихся, удовлетворенности, 5,2%
настроения и др.
Адаптивное обучение: образовательный метод, использующий
компьютерные алгоритмы для организации взаимодействия с
обучающимся и предоставления настраиваемых ресурсов и учебных 3,8%
мероприятий для удовлетворения уникальных потребностей каждого
обучающегося
Дизайн оценки: разработка инструментов оценки с использованием
машинного обучения, нейронной сети, автоматической оценки или 3,8%
др. методов ИИ
Аналитика обучения: использование сложных алгоритмов
машинного обучения и больших данных об учащихся и их
контекстах помогающих делать выводы о некоторых поведенческих 3,3%
аспектах в целях понимания и оптимизации обучения и
образовательной среды
Образовательные агенты: система помощников в обучении,
которая берет на себя роли умного наставника и помощника в 2,8%
обучении
Оценка преподавания: модель оценки качества преподавания, 0,5%
построенная на основе передовых методов
В качестве обобщения следует отметить, что наиболее важным
перспективным направлением развития AIEd, является разработка
интеллектуальных адаптивных обучающих систем виртуальной реальности,
33
главной задачей которых является не подмена человека в системе обучения, а
усиление некоторых возможностей человека, создание совершенного средства
индивидуального обучения, облегчающего работу преподавателя и
оказывающего помощь обучающемуся в более полном и быстром раскрытии
его внутренних возможностей, в развитии способности. И все это возможно
только при соблюдении моральных, этических принципов, норм и ограничений.
1.3.2. Искусственный интеллект как предмет изучения
Приоритетным направлением развития системы образования во многих
странах в настоящее время является внедрение программ искусственного
интеллекта в школьные программы в ответ на вызовы современности.
Сегодняшние школьники, да и студенты – первое поколение, выросшее в мире
с искусственным интеллектом. Но многие этого не осознают. Искусственный
интеллект, созданный так, чтобы безупречно сочетаться с другими
технологиями, незримо действует на заднем плане их жизни. Чтобы
подготовить учащихся к будущему, основанному на искусственном интеллекте,
преподавателям необходимо приоткрыть занавес перед искусственным
интеллектом и помочь детям понять, где и как он влияет на их жизнь. Но ИИ
может быть непростой задачей. Что это на самом деле? Что отличает его от
всех других технологий, которые они воспринимают как должное? Если ИИ
выглядит не так, как они ожидали, как он будет выглядеть?
Практические познания большинства современных школьников об
искусственном интеллекте находятся, как правило, на бытовом уровне, а порой
они даже не имеют представления о том, что многие действия, совершаемые в
обычной жизни, тесно связаны с ИИ, базируются на технологиях ИИ (поиск
информации в Интернете, чат-боты, умный дом, электронные переводчики,
речевые синтезаторы, распознавание образов и многое другое). Применение ИИ
практически во всех сферах деятельности в современном мире стало
естественным процессом, направленным на улучшение качества и уровня
жизни общества. Эксперты приходят к выводу, что новому поколению
придется жить в мире, который будет неразрывно связан с искусственным
интеллектом. В связи с этим появляется острая необходимость не только
применять технологии ИИ в образовании, о чем говорилось выше, но и
организовать
систематическое
обучение
основам
фундаментальных
теоретических положений ИИ, его потенциалу, ознакомление обучающихся как
с вариантами решения научно-технических задач, так и с гуманитарными
проблемами, обусловленными ИИ.
При этом необходимо решить ряд масштабных задач: кого учить (с
какого возраста?); чему учить (какие компетенции должны быть сформированы
у обучающихся различных возрастных групп?); как учить (какова методика
преподавания предметной области ИИ?); кто будет учить (каковы требования к
уровню и содержанию подготовки учителей должны быть предъявлены?).
Отечественный и зарубежный опыт в настоящее время не имеет
всеобъемлющих ответов на эти вопросы. Поиск ответов находится на
34
начальных этапах [33]. Проблема обучения основам ИИ в школе уже осознана в
большинстве стран мира, однако не везде имеются ресурсы для ее решения:
обоснованное содержание предметной области «Искусственный интеллект»,
программы обучения, материально-технологическое оснащение школ,
квалифицированные педагоги, учебники и учебные пособия.
Изучение элементов ИИ в школах России берет свое начало еще в конце
XX века. Одной из первых публикаций о преподавании основ ИИ в школе был
Национальный доклад Российской Федерации на II Международном конгрессе
ЮНЕСКО «Образование и информатика» (1996 г.), в котором в
систематизированном виде представлено описание предметной области
информатики, включая и тему «Информационные системы искусственного
интеллекта. Методы представления знаний».
Однако разработчики ныне существующих и всех предыдущих
стандартов школьного образования всех ступеней обошли вниманием
предметную область искусственного интеллекта. Аналитический обзор
современных тенденций развития школьной информатики, проведенный
автором популярной линейки учебников информатики для средней школы Л.Л.
Босовой, и опубликованный в работе [23], приводит к выводу, что вплоть до
конца второго десятилетия XXI века как в России, так и за рубежом, не
уделялось должного внимания основам искусственного интеллекта в школьном
образовании.
Тем не менее, отдельные сдвиги в этой области все же были.
Краткое популярное изложение науки «Искусственный интеллект»,
ориентированное на школьников, было дано в энциклопедическом словаре под
редакцией основоположника исследований по ИИ в СССР, создателя и первого
президента Советской ассоциации ИИ Д.А. Поспелова, вышедшего в 1994 году
[27]. В 1999 г. Д.А. Поспелов в работе «Становление информатики в России»
[26] посвятил отдельный раздел «Искусственный интеллект», в котором
затронуты ряд темы, которые могли быть основой программы изучения ИИ в
школах: модели знаний и экспертные системы; интеллектуальные роботы;
компьютерная лингвистика; нейросистемы; логические модели (вывод,
рассуждения).
Впервые в школьной информатике одно из направлений искусственного
интеллекта – моделирование знаний – нашло отражение в учебнике В.А.
Каймина и др. [30]. В учебнике рассматриваются базы знаний, основанные на
применении логической модели, реализуемые на языке Пролог.
В 2000 г К.К. Колин в статье «О структуре и содержании образовательной
области «Информатика» [27] приводит подробную структуру нового
общеобразовательного
учебного
курса
«Фундаментальные
основы
информатики»,
в
котором
присутствует
тема
«Интеллектуальные
информационные системы».
В 1999 г. более широкий обзор данного направления информатики
представлен в учебниках и учебных пособиях авторского коллектива И.Г.
Семакина, Л.А. Залоговой, С.В. Русакова, Л.В. Шестаковой [29]. В них
рассказывается о задачах, решаемых методами ИИ, рассматривается логическая
35
модель знаний, предусматривается практическая работа на языке Пролог.
В 2001 г. возможности изучения ИИ в базовом курсе информатики
отмечал М.П. Лапчик, акцентируя внимание на знакомстве с экспертными
системами и их основой – базой знаний, как модели знаний в некоторой
предметной области, представленной и сохраненной в формализованном виде
в памяти компьютера. Предлагается рассматривать наиболее известные модели:
логическую, продукционную, семантическую сеть, фреймы, а также
практическую реализацию на основе языка логического программирования
ПРОЛОГ [32, С. 230-232]. М.П. Лапчик уже в то время прогнозировал: «В
будущем в школьной информатике, несомненно, предстоит развитие линии
искусственного интеллекта» [32, С. 230].
Вопросы важности и необходимости изучения основ искусственного
интеллекта в общеобразовательной школе обсуждались в статье И.Г. Семакина
и Л.Н. Ясницкого, в которой ими сделан вывод: «В настоящее время
искусственный интеллект – это одна из наиболее перспективных областей
информатики. Поэтому полностью его игнорировать в школьном курсе нельзя.
Уже сейчас, по инициативе учителя, эта тема может изучаться в основной
школе в рамках общеобразовательного курса информатики, при наличии
дополнительных учебных часов – школьного компонента учебного плана. В
старших классах тема искусственного интеллекта может быть включена в
программу при изучении информатики на углубленном (профильном) уровне
или в виде отдельного элективного курса» [36, С. 7].
В 2004 г. вступили в действие Государственные образовательные
стандарты (ГОС) для основной и полной средней школы. Но ни в одном
стандарте не было даже упоминания об искусственном интеллекте. Это привело
к тому, что соответствующая информация была исключена из всех учебников
по информатике, разрабатываемых в соответствии с требованиями стандартов.
Принятие с 2009 г. стандартов второго поколения – Федеральных
государственных образовательных стандартов – ситуацию не изменили, в них
также не предусматривалось даже знакомство с искусственным интеллектом.
Сложившаяся ситуация не привела к тому, что проблема изучения ИИ в
общеобразовательной школе была полностью предана забвению. В 2011 г. Л.Н.
Ясницким издано учебное пособие «Искусственный интеллект. Элективный
курс», Л.Н. Ясницким и Ф.М Черепановым представлено методическое
руководство по преподаванию элективного курса [24, 25]. Курс в основном
направлен на формирование знания в области нейронных сетей.
Анализ публикаций в Интернет показывает, что
содержание
и
методика
преподавания
курса,
разработанного Л.Н. Ясницким, взята за основу
отдельными школьными учителями информатики для
построения собственных элективных, факультативных
курсов, организации проектной деятельности для
старшеклассников.
https://youtu.be/alh7q9IMYY4
36
Хотя обучение элементам ИИ в школах России не является
обязательным, в некоторых общеобразовательных организациях оно
осуществляется в старших классах при изучении информатики на углубленном
уровне. Примером является учебно-методический комплекс для учащихся
11 класса, предложенный в 2013 г. авторами И.А. Калининым и Н.Н.
Самылкиной, в котором в отдельной главе «Интеллектуальные алгоритмы и
искусственный интеллект» рассматриваются такие вопросы, как:
– интеллект и его моделирование;
– знания и их представление;
– экспертные системы;
– самообучающиеся технические системы [31].
В учебнике «Информатика и ИКТ для 10 класса (авторы А.Г. Гейн, А.Б.
Ливчак, А.И. Сенокосов, Н.А. Юкерман, 2012 г.) в главе «Логикоматематические модели» есть параграфы, в которых рассматриваются базы
знаний и экспертные системы; реляционная модель экспертной системы;
понятие логического программирования и основы применения языка Prolog.
Отдельные вопросы ИИ затрагиваются и в других учебно-методических
комплексах. В основном это касается экспертных систем как одного из первых
направлений ИИ. Так, в учебниках Н.Д. Угриновича для 9 и 10-11 классов
школьники знакомятся с экспертной системой распознавания химических
веществ, причем на различных содержательных и научных уровнях.
Cистематический курс С.А. Бешенкова, Н.В. Кузьминой, Е.А. Ракитиной для 9
класса сдержит параграф «Системы искусственного интеллекта», в котором
представлены основные свойства экспертных систем.
Но мир стремительно меняется. Уже сейчас существует множество
приложений ИИ, и многие другие уже не за горами. Сегодняшние школьники –
это завтрашние работники, которым необходимо уметь использовать
интеллектуальные машины для расширения своих возможностей, а не
чувствовать, что машины являются «конкурентами». Школьникам нужен
ранний опыт изучения ИИ. В частности, им нужен и опыт в отношении
этических последствий ИИ.
Изучая ИИ, обучающиеся могут лучше понять свои сильные стороны как
людей, определить свои ценности, развить навыки, необходимые для решения
реальных проблем, и найти хорошее применение ИИ. Мир, в который войдут
наши нынешние школьники, требует, чтобы они были «учениками на
протяжении всей жизни», которые постоянно адаптируются и осваивают новые
навыки на развивающихся рабочих местах.
Возможность школьникам познакомиться с проблематикой ИИ либо
пройти курсы обучения разного объема и сложности, предоставляют ряд
российских и зарубежных платформ. Приведем примеры некоторых российских
платформ.
Академия искусственного интеллекта для школьников (https://ml.aiacademy.ru/) предлагает бесплатный курс «Машинное обучение», в результате
изучения которого школьники узнают о сущности и роли машинного обучения
в современном мире; освоят азы программирования на языке Python в объеме,
37
необходимом для прохождения курса; узнают, что такое «Анализ данных»,
изучая необходимые библиотеки, необходимую математику и визуализацию
данных; на примерах и разборе базовых алгоритмов познакомятся с машинным
обучением.
В доступной для понимания форме «Школа искусственного интеллекта»
(https://school.aisimple.ru/) дает знания в области искусственного интеллекта,
машинного обучения и нейросетей. Предлагается бесплатный курс «Основы
искусственного интеллекта для школьников и новичков», разработанный для
учащихся 9-11 классов средних общеобразовательных школ. В ходе видеоуроков школьники знакомятся с историей возникновения, направлениями
развития, классификацией ИИ, типами решаемых при помощи ИИ задач.
Основы теории нейронных сетей охватывают следующие вопросы: понятие
искусственной нейронной сети (ИНС); понятие и принцип работы
искусственного нейрона; классификация ИНС; нейронная сеть прямого
распространения; обучение нейронной сети и понятие обучающей выборки;
типы задач, решаемых при помощи ИНС; понятие Deep Learning. Отдельные
уроки посвящены алгоритмам машинного обучения: введение в машинное
обучение; технологии машинного обучения; понятию больших данных;
классификации задач, решаемых при помощи алгоритмов машинного обучения;
языкам программирования и фреймворкам (программные платформы) для
машинного обучения. В связи с тем, что одним из основных языков
программирования в области ИИ является язык Python, ему уделяется должное
внимание на уровне ознакомления. Каждая тема курса подкреплена
выполнением домашнего задания.
На образовательной платформе «Мобильное электронное образование»,
разработанной для детей от 3 лет до 11 класса (https://mob-edu.com/),
предлагается более 300 онлайн-курсов (интерактивных учебников) по 20
школьным предметам, среди которых есть и программа Intel Al For Youth
«Технологии искусственного интеллекта». Целью программы, рассчитанной на
участников в возрасте 13-19 лет, в том числе из нетехнической аудитории,
является формирование готовности нового поколения к взаимодействию с ИИ.
Программа построена по модульному принципу.
1 модуль – исследование возможностей ИИ и обсуждение проблем,
связанных с реализацией ИИ;
2 модуль – обучение базовым концепциям ИИ через решение практик
нетехнических задач;
3 модуль – глубокое погружение в ИИ через практику и решение
технических задач. В модуле обучение возможен выбор одного из трех
направлений: наука о данных, машинное обучение, машинное зрение.
Сквозным элементом каждого из направлений является написание программ на
языке Python;
4 модуль – создание социально направленных проектов с использованием
элементов искусственного интеллекта.
Программа рассчитана на реализацию в образовательной организации.
Предусмотрено три модели реализации программы.
38
1 модель «Курс дополнительного образования» может быть реализована в
рамках системы основного или дополнительного образования. Программа
рассчитана на весь учебный год и направлена на углубление знаний, развитие
интересов, способностей учащихся, их профессиональное самоопределение.
2 модель «Проектная деятельность» может быть реализована в рамках
проектной деятельности, курса «Индивидуальный проект» или внеурочной
деятельности.
3 модель «Лаборатория искусственного интеллекта» предполагает
создание лабораторий ИИ на базе образовательного учреждения для
проведения обучающих занятия, STEM мероприятий (термин, используемый
для комплексного применения науки, технологии, инженерии, математики),
работы над проектами, разработки и реализации проектных решений в области
ИИ под руководством группы технических экспертов. Каждая из моделей
реализуется за время от 72 до 144 часов.
На платформе Академии IT (https://academiait.ru/) размещен бесплатный и
доступный
онлайн-курс
«Искусственный
интеллект.
Введение»
(https://academiait.ru/course/iskusstvennyj-intellekt-vvedenie/). Содержание курса
достаточно насыщенно. В 24 уроках рассматриваются вопросы построений
нейронных сетей, основы программирования на языке Python, машинный
перевод, распознавание речи и др. Это курс является вводным для углубления
знаний в области ИИ в рамках бесплатных и доступных онлайн-курсах
«Искусственный интеллект. Продвинутый поток», «Машинное Обучение.
Лекции», «Deep Learning» («Глубокое обучение»), «Python для начинающих».
По сообщению РИА Новости, Минпросвещение России в 2021 г.
включает ИИ в школьную программу и планирует апробацию
соответствующих учебных модулей в составе основных общеобразовательных
программ не менее, чем в 1% общеобразовательных организаций, а к 2024
предполагается
обеспечить охват не менее 50% общеобразовательных
организаций. В документе, разработанном Сбербанком и Российским фондом
прямых инвестиций (РФПИ),
отмечается: «Разработаны правила
предоставления средств федерального бюджета на выдачу грантов на
интеграцию ИИ в школьное образование; обеспечена разработка
образовательных модулей в соответствии с федеральными государственными
образовательными
стандартами
и
примерными
основными
общеобразовательными
программами
(с
последующей
ежегодной
актуализацией при необходимости)» [34]. На сайте TAdviser (http://surl.li/tkyx)
опубликована информация о том, что и в начальной школе предполагается
ознакомление с основами ИИ в рамках уроков информатики.
Такое решение вызвано изменениями требований к выпускникам школ
из-за широкого внедрения технологий ИИ в различные области
жизнедеятельности, и инициирует поиск подходов к обучению школьников в
области ИИ. Анализ сегодняшнего положения дел в рассматриваемой области
позволяет сделать вывод о том, что в отечественной системе общего
образования обучение носит либо более академический, либо ознакомительный
характер, а формирование практических умений обучающихся по
39
использованию средств ИИ в основном базируется на подходе, предложенном
Л.Н. Ясницким (нейронные сети) и применении языка Пролог для построения
простых экспертных систем.
Изучение ИИ в школах зарубежных стран в основном определяется
моделями изучения информатики вообще. Анализ, проведенный Л.Л. Босовой,
позволяет выделить 4 кластера стран на основе того, какое место занимает
информатика в учебных планах школ:
1) страны, учебные планы которых предусматривают обязательное
изучение информатики (Англия, Китай, Ирландия, Литва, Словения, Франция);
2) страны, учебные планы которых предусматривают факультативное
изучение информатики (Германия, Нидерланды, Израиль, Испания, Италия,
Португалия, Республика Корея, США, Эстония);
3) страны, учебные планы которых не предусматривают изучение
информатики как самостоятельной учебной дисциплины, но включают
некоторое содержание в другие дисциплины (Финляндия, Новая Зеландия,
Япония);
4) страны, в которых изучение информатики отсутствует или подменяется
пользовательскими курсами (Бельгия, Чехия).
Анализ опыта внедрения искусственного интеллекта в систему
образования школьников в отдельных странах мира свидетельствует о
различных подходах к процессу обучения элементам ИИ как на
содержательном, так и на организационно-методическом уровнях.
Признанными лидерами в этой области являются Китай и США.
В 2016 году правительство Китая запустило амбициозный план, чтобы к
2030 году стать крупнейшим полюсом развития ИИ в мире, и разработал свою
национальную стратегию ИИ для образования как часть этого плана. Изучение
ИИ в программу старшей школы включено в 2018 г., а в 2019 г. в отдельных
школах запущена пилотная программа для учеников с 3 по 8 классы. Для этого
была подготовлена серия учебников (10 томов) по ИИ, в которых
рассматривается история развития ИИ, различные технологии ИИ:
интеллектуальные средства для распознавания лиц людей, автономного
вождения, общественной безопасности и др. В рамках уроков планируется
проводить практические занятия, направленные на формирование предметных
знаний и реализацию творческих способностей у учащихся [21]. Пэн Пэнкай,
эксперт в области образования, на международной конференции 2020 г,
посвященной будущему ИИ и образованию, заявил: «Мы хотим изменить
будущее китайского образования с помощью технологий. Нынешний массовый
эксперимент Китая в области искусственного интеллекта может изменить
образование и для всего мира» 14.
Программу, направленную на развитие у обучающихся компетенций в
области ИИ, в 2016 г. запустило Управление развития информационных и
коммуникационных технологий Сингапура.
В 2018 г. началась реализация программы обучения искусственному
интеллекту в старших классах отдельных школ штата Пенсильвания, США. В
программу были включены следующие разделы: этика ИИ, автономные
40
робототехнические системы, информатика интеллектуальных систем и
музыкальные интеллектуальные системы (URL: https://www.gettingsmart.
com/2019/01/an-inside-look-americas-first-public-school-ai-program).
Особенностью американской модели обучения основам ИИ является
преобладание практической направленности в свете педагогической теории Дж.
Дьюи.
В 2018 году рабочей группой AI4K12, сформированной Ассоциациями по
развитию искусственного интеллекта (AAAI) и учителей информатики США
(CSTA), были сформулированы требования к подготовке выпускников школ (К12) в области ИИ [38]. Требования были сформулированы по пяти
тематическим направлениям и распределены по четырем классам: К-2, 3-5, 6-8
и 9-12:
– введение в машинное обучение;
– введение в инженерию знаний и Data Mining;
– подготовка данных и обучение нейросетей на них;
– взаимодействие с ИИ на естественном языке;
– этика ИИ и этические критерии («Если этика и здравые принципы не
будут приняты во внимание с самого начала, как и в случае со всеми мощными
технологиями, люди могут начать злоупотреблять возможностями
искусственного интеллекта. Поэтому разработка этических норм так важна» (А.
Далли – эксперт в области ИИ)).
В России, как и в ряде других стран, в настоящее время ведутся
дискуссии по содержательной стороне школьного курса ИИ. Стандарты на
уровне дидактических единиц отсутствуют.
Содержания школьного образования в области искусственного
интеллекта должно включать научные, практико-ориентированные и
гуманитарные компоненты (мировоззренческие, нравственно-этические
взгляды и нормы, элементы социального, познавательного и творческого
опыта).
Педагогика достаточно консервативна в силу своей специфики и
важности, и на данный момент только начинают возникать варианты решения,
соответствующие вызовам времени и поколенческим трансформациям [6].
Научный и практико-ориентированный компоненты с учетом цифровой
трансформации образования как составной части цифровой экономики только
внедряется в систему образоваия.
Формирование содержания школьного образования по информатике
связано с:
– выявлением фундаментальных основ искусственного интеллекта;
– определением системообразующих знаний и умений;
– выявлением и реализацией межпредметных и внутрипредметных
связей;
– описанием формирования универсальных учебных действий при
обучении основам искусственного интеллекта.
Содержание обучения основам искусственного интеллекта школьников
должно быть инвариантно относительно конкретных средств его реализации,
41
базироваться на рассмотрении следующих дидактических элементов
обязательного курса информатики:
– информация и информационные процессы;
– компьютер и его обеспечение;
– представление информации и кодирование данных;
– моделирование и алгоритмизация;
– автоматизация информационной деятельности;
– адекватный выбор определенных технологических средств для
инструментирования информационной деятельности.
Содержание обучения ИИ в общеобразовательной школе должно
учитывать объективные обстоятельства развития ИИ как полноценной научнотехнологической сферы, которая не может быть нейтральной по отношению к
морально-нравственным, этическим, культурно-историческим ценностям.
Имеет место фетишизация ИИ, что приводит к тому, что дети все больше
погружаются в виртуальный мир, снижается их способность ориентироваться в
реальном мире. Поэтому содержание программы обучения школьников
основам
ИИ
должно
включать
ряд
компонентов:
философскомировоззренческий,
технический,
психологический,
педагогический,
аксиологический, или ценностно-ориентированный. Наличие гуманитарных
компонентов, ознакомление с гуманитарной проблематикой ИИ является
необходимым этапом вхождения
обучающихся в сложную предметную
область. При этом формируются элементы мировоззрения и достигаются
метапредметные результаты [35].
Следуя принципам междисциплинарного подхода, необходимо в
содержание курсов по ИИ включать следующую информацию:
– философско-мировоззренческие и технологические проблемы,
связанные с ИИ (возможность или невозможность моделирования мышления
человека, адекватность естественного и искусственного интеллекта, влияние
ИИ на человека, взаимодействие человека и ИИ, может ли ИИ создавать себе
подобных сущностей, может ли ИИ проявить сознание и даже ощутить
психическое состояние как человек, может ли ИИ поработить человека и др.);
– ценностные аспекты ИИ (ИИ в той или иной мере отражает ценности
разработчиков, порой не совпадающих (или даже противоречащих) с системой
ценностей целевых аудиторий; технологии не могут быть нейтральными по
отношению к ценностям; влияние ИИ на формирование и развитие мотивации
учебно-познавательной деятельности обучающихся на основе осознания
ценности знания и образования и др.);
– области современной науки, заинтересованные в развитии и
практических разработках ИИ (философия, психология, биология,
нейрофизиология, искусство и др.);
– этические проблемы (ИИ и безработица, экономическое неравенство;
ответственность за принятые решения, этика и принятие деструктивных
решений; нарушение прав, достоинства человека; интерпретируемость
результатов и предвзятость; доступ к персональным данным и их
использование; гуманизм и использование ИИ и др.).
42
Теоретической базой для изучения основ искусственного интеллекта
являются следующие разделы общеобразовательного курса информатики.
1. Информация и информационные процессы.
2. Аппаратное и программное обеспечение компьютера.
3. Представление информации и кодирование данных.
4. Основы математической логики.
5. Формализация и моделирование.
Сущность понятия «объект», характеристики и виды объектов, сущность
понятия «система», элементы и структура системы, сущность понятий
«модель» и «информационная модель», виды моделей и информационных
моделей (в том числе списки, таблицы, графы), разработка информационной
модели, информационные модели организации данных, математическая
модель,
сущность понятия
«моделирование»,
различные
средства
представления информационных моделей, особенности компьютерного и
имитационного моделирования, возможность построения различных
информационных моделей исходя из цели моделирования, технологическая
цепочка создания компьютерных моделей – это далеко не весь перечень
вопросов в данной предметной области.
6. Алгоритмизация и программирование.
7. Информационные технологии. Сущность понятия «информационные
технологии». Технологии работы с графикой, текстом, мультимедиа,
телекоммуникациями, электронными таблицами, базами данных.
9. Информационная деятельность человека.
В связи с тем, что значительная часть этих базовых знаний осваивается в
процессе обучения общеобразовательному курсу информатики основной
школы (VII—IX классы), рассмотрение вопросов, связанных с искусственным
интеллектом, в полном объеме с учетом математической подготовки
обучающихся возможно на ступени среднего общего образования (X—XI
классы). Однако уже в девятом классе можно дать общее представление об
искусственном интеллекте, о структуре предметной области, истории
появления и развития этого направления, о его месте жизни и деятельности
человека, о роли и решаемых задачах в различных областях. В дальнейшем при
обучении основам искусственного интеллекта ранее введенные понятия
уточняются, конкретизируются и развиваются.
Учитывая введение поэтапного курса основ искусственного интеллекта в
школьное
образование,
критически
важным
аспектом
становится
переподготовка учителей, которые тоже должны освоить новые компетенции.
43
2. Теоретические
интеллекта
основы
технологий
искусственного
В сжатом виде, конспективно рассмотрим базовые инвариантные основы
искусственного интеллекта
2.1. Базовые понятия искусственного интеллекта
2.1.1. Основные понятия и определения
Основным понятием ИИ являются знания. Определим знания как
закономерности предметной области принципы, связи, законы), полученные в
результате практической деятельности и профессионального опыта,
позволяющие ставить и решать задачи в этой области. Краткая классификация
знаний приведена ниже.
В компьютерных системах данные и знания отображаются в знаковой
форме (формулы, текст, файлы, массивы, образы и т.п.). Поэтому правомерно
говорить, что знания – это совокупность сведений, выражаемых понятиями и
образами.
Знания
По природе
декларативные
процедурные
По способу
приобретения
По типу
представления
факты
эвристики
факты
правила
Рисунок 2.1 – Классификация знаний
Декларативные знания представляют собой описание событий, фактов,
явлений, свойств объектов и зависимостей. Они позволяют отвечать на
вопросы: Что это? Как это бывало, бывает, случается? Я думаю по этому
поводу, что… Мне кажется… и т.п. В декларативных моделях знания – это
структурированные данные.
Процедурные знания – это описание действий, возможных при
манипуляции декларативными знаниями для достижения намеченных целей.
Отвечают на вопросы: Как это сделать? Как это сделать наилучшим образом?
Как исключить типовые ошибки во время осуществления? и т.п. В
процедурных моделях знания – это структуры данных, ассоциируемые со
специализированными выполняемыми процедурами.
Факты – это знания типа «А – это А», т.е. хорошо известные в данной
предметной области обстоятельства.
Эвристики – знания, основанные на опыте эксперта в конкретной
области.
44
Правила (продукции) – это знания типа «Если А, то B».
Метазнания (знания о знаниях) – знания о способах использования
знаний и знания о свойствах знаний.
Процедура – установленный порядок действий (применения фактов и
правил).
Метапроцедура – упорядоченная последовательность процедур,
оперирующих с совокупностью знаний из той предметной области, к которой
относится решаемая задача.
Задача – некоторая проблемная ситуация, в рамках которой
сформулирована цель. В узком смысле под задачей можно понимать саму цель,
либо ситуацию с известным начальным и целевым состояниями системы.
Заметим, что при рассмотрении ситуации путь достижения цели известен, а при
разрешении проблемы способ достижения цели неизвестен,
Предметная область (ПрО) – выделенная узкая сфера деятельности
человека, относящаяся к данной задаче.
Модель предметной области (МПрО) – совокупность (система) знаний,
необходимых для автоматического синтеза алгоритма решения задачи в данной
предметной области.
На основании приведенных понятий и определений, под ИИ будем
понимать совокупность метапроцедур – представления знаний, рассуждений,
поиска релевантной информации в среде имеющихся знаний, логического
вывода, пополнения знаний, их корректировка и т.д., т.е. процедур,
имитирующих мыслительную деятельность человека.
Система искусственного интеллекта (СИИ) – аппаратный и
информационно-программный
комплекс,
моделирующий
механизмы
мышления человека при решении задач в предметной области.
Часто СИИ определяют как системы, основанные на знаниях.
2.1.2. Знания как знаковая система
Знания представляют собой сложную систему в предметной области,
поскольку для знаний характерны все признаки сложной системы:
– любая единица знания любой структуры должно иметь имя (внутренняя
интерпретируемость);
– знание представляется как конечное множество элементарных знаний
(«атомов» знания) с соответствующими связями и отношениями между ними,
выделенными из внешней среды;
– знаниям присуще свойство целостности (эмерджентности) и
иерархичности; знания в предметной области имеют связь с внешней средой (со
знаниями других предметных областей);
– совокупности элементарных знаний образуют знания в виде знаниевых
блоков, подсистем знаний по иерархическому принципу;
– вложимость, т.е. одна единица знаний может включаться либо быть
выделенной из другой единицы;
45
– погружение в пространство с «семантической метрикой» (совокупность
понятий, фактов, явлений, близких по смыслу или семантике);
– наличие активности, интерпретируемую как инициирование действий в
результате появления каких-либо данных или знаний.
Наиболее предпочтительным языком описания знаний является
естественный язык (ЕЯ). Знания могут быть также представлены в виде цифр,
пикторгамм, букв, слов, словосочетаний, предложений и т.п. Понимая любой
объект реального или виртуального мира (универсума) как сущность, можем
поставить в соответствие некоторый знак или слово, являющиеся именем этой
сущности. Тогда имя есть знак, являющийся единицей языка, отражающего
смысловую (семантическую) сущность чего-либо. Таким образом, приходим к
некоторой универсальной знаковой модели системы знаний, приводящей к
единообразию как представления, так и оперирования различными элементами
знаний, будь то факты или правила, процедуры или метапроцедуры, свойства
или события.
ГОСТ 7.0-99 определяет знак как «материальный предмет (явление,
действие, событие), который выступает в процессе коммуникации как
представитель другого предмета, свойства или отношения и используется для
передачи, переработки и хранения информации» 5.
Структуру знака удобно представлять в виде треугольника Фреге
(рисунок 2.2).
Здесь X – знак; D – денотат (то, что означает
знак или его содержание); С – концепт (совокупность
C
существенных свойств, выделяющих некоторую
сущность (денотат) во внешнем мире).
Совокупность знаков (имен), обозначающих
X
D
сущности (объекты) некоторой ПрО, их концепты
(понятия), денотаты (объемы) и отношения между
Рисунок 2.2 –
ними есть система знаний о предметной области или
Треугольник Фреге
МПрО.
Любая знаковая система имеет следующие
аспекты изучения: семантика – отношение знака к обозначаемому, т.е. его
концепт и денотат вместе; синтактика – правильность построения знака из
более простых (например, предложения или текста из слов); прагматика –
аспект знака, относящийся к его восприятию адресатом.
Без этих элементов лингвистики невозможно строить системы ИИ.
Концептуальная (понятийная) модель ПрО (КМПрО) есть объединение
множества знаков – классов, подклассов, их денотаты – D, их концепты – C,
отношения между ними – R и цели (действия) – G. Т.е. КМПрО есть ее
теоретико-множественное описание:
КМПрО = X, C, R, G,
где X=(X1, X2, …, Xn) – множество знаков (имен) объектов ПрО, с которыми
имеют дело при решении конкретной задачи; C=(C1, C2,…, Cm) – множество
имен существенных признаков (концептов) объектов множества X; R –
множество имен отношений, т.е. R=r1 r2… rn, между объектами МПрО;
46
G=(g1, g2,…,gk) – множество имен действий, допустимых над объектами
множества S, и определенных на множестве R.
Элементы X, C, R и G определяют понятийную (концептуальную)
структуру ПрО или язык ее описания.
Определим состояние ПрО как SПрО (t)= S(t), C(t), R(t), G(t). Состояние
меняется во времени от некоторого начального момента tн до конечного
момента tк. В зависимости от ситуации в некоторый момент времени система
ИИ (или человек) из множества возможных действий G выбирает те, которые
необходимы для решения задачи. Формально это можно записать следующим
образом: F: (X(t), C(t), R(t), G(t)  G, где F есть отображение SПрО(t) на
множество G.
Все множество допустимых состояний ПрО – SПрО(t) можно разбить на
классы таким образом, чтобы некоторому подмножеству состояний ПрО
соответствовало некоторое действие gi G. Вследствие этого отображение F
может быть представлено как множество конструкций вида: Si(t) gj; Sj(t) gk;
…; Sq(t) gm или Si(t) gj Sj(t); Sj(t) gk Sk(t);…; Sq(t) gm Sm(t). Это есть
КМПрО, представленная в виде совокупности правил. Такое представление
позволят синтезировать алгоритм решения задачи. Формально схема решения
G

S ц , где Sн – начальное состояние ПрО, Sц –
выражается формулой Z  S н 
целевое состояние ПрО.
В развернутом виде решение может быть записано в
виде цепочки:
g3
g1
g2
gi
Sн 
S1 
S2 
... 
Sц
или
S ц  g j ( g i 1 (...( g 3 ( g 2 ( g1 ( S ц )))...))).
Множество возможных состояний предметной области
S=(Sн, S1, S2,…, Sj, Sц) называют пространством состояний.
С примером решения классической учебной задачи об
обезьяне
и
банане
можно
познакомиться
по
адресу
https://disk.yandex.ru/i/0f8bptCdIMROhA
2.1.3. Методы поиска решений в пространстве состояний
Поиск решений в пространстве состояний есть поиск пути от некоторого
начального состояния к целевому состоянию.
Sн
Удобным
методом
представления
y
пространства состояний и процедуры поиска
g1
gy2
S
2
S1
решений является метод, графическая модель
которого – граф (рисунок 2.3).
g3
g4
Общая процедура построения графа
S4
S3
(дерева)
в
пространстве
состояний
следующая.
g6
g5
1. К корню Sн дерева применяются
S6
S5
допустимые операторы gi из множества G.
g7
S7
g8
9
Sц
Рисунок 2.3 – Граф решения
47
Полученные вершины образуют первый уровень.
2. Осуществляется проверка – является ли одна из полученных вершин
целевой. Если да, то решение получено. Если нет, то к каждой вершине
применяется свой допустимый набор операторов, получаются вершины второго
уровня и т.д. Если к вершине никакой оператор из G не применим, то она
является терминальной (конечной, но не целевой).
3. Когда целевая вершина найдена, в обратном направлении
просматриваются указатели дуг дерева и тем самым выделяется путь решения.
Для приведенного примера путем решения буде последовательность дуг
Sц = g8(g6(g3(g1(Sн)))).
Возможны следующие варианты перебора: в ширину и в глубину.
При полном переборе в ширину на каждом шаге вершины раскрываются
в порядке их порождения.
При полном переборе в глубину на каждом шаге раскрывается первой
вершина, которая была построена последней.
Если известна некоторая дополнительная информация
о предметной области, то она может быть использована при
построении графа. В том случае говорят об эвристическом
методе поиска.
Подробные алгоритмы указанных вариантов поиска и
иллюстрирующие примеры размещены по указанному
адресу.
https://disk.yandex.ru/i/WRPF4AubZSHUQg
2.2. Классические модели представления знаний
Одно из определений ИИ гласит, что это процесс логического вывода
(рассуждения), который применяется к хранимым знаниям. Важным в
определении является то, что оно подчеркивает существование двух категорий,
знания и рассуждения, которые взаимосвязаны; кроме того, наличие знаний
необходимо для выполнения процесса рассуждения. Как только знания
приобретены, их следует сохранить в базе знаний для последующего
использования в рассуждениях.
База знаний (БЗ; англ. knowledge base, KB) – это особого рода база
данных, разработанная для оперирования знаниями (метаданными). БЗ
содержит структурированную информацию, относящуюся к некоторой области
знаний, для использования кибернетическим устройством (или человеком) с
конкретной целью. Современные БЗ работают совместно с системами поиска
информации, имеют классификационную структуру и формат представления
знаний.
Существует большое множество моделей представления знаний (МПЗ).
Имея обобщенное название, они различаются по идеям, лежащим в их основе, с
точки зрения математической обоснованности. Одна из возможных
классификаций подмножества МПЗ приведена на рисунке 2.4.
48
В основе эвристических (эмпирических) МПЗ лежат принципы
организации человеческой памяти и моделировании механизмов решения задач
человеком.
Модели представления знаний
Эвристические
(эмпирические)
Продукционные
Сетевые
Фреймовые
Теоретические
Логические
Формальные грамматики
Алгебраические
Ленемы
Комбинированные
Нейронные сети, генетические алгоритмы
Рисунок 2.4 – Модели представления знаний
2.2.1. Продукционные модели
Продукционные модели или модели, основанные на правилах, позволяют
представить знания в виде предложений типа: «ЕСЛИ (условие), ТО
(действие)».
Формально продукция (правило) может быть представлена в виде
следующей записи: (W, U, P, A → B, C), где A → B – ядро продукции,
соответствующее правилу «если (условие A), затем (действие B) »; W – сфера
применения продукции в классе задачи определенной предметной области; U –
предусловие, содержащие информацию об истинности продукции; P – внешнее
условие, разрешающее использование продукции и не
входящее в A; С – постусловие, определяющее изменения,
которые могут потребоваться добавить в продукционную
модель после завершения данной продукции.
Обязательной частью продукции является ядро
продукции.
Интерпретация
ядра
может
быть
разнообразной.
Для подробного ознакомления с продукционными
моделями
перейти
по
QR-коду
или
по
ссылке
https://disk.yandex.ru/i/XXYyOzXltvoh1g.
Наибольшее распространение продукционные системы нашли при
создании экспертных систем.
Продукционные МПЗ удобны для отображения связей между состоянием
проблемы и действиями, которые необходимо предпринять для ее решения. Т.е.
их применение оправдано, если требуется отвечать на вопросы подобного типа:
«Что делать, если…?». При необходимости представить знания об объектах,
событиях, явлениях и т.п., о связях между ними, при выполнении
классификации целесообразно использование сетевых МПЗ.
49
2.2.2. Сетевые модели
Сетевая модель (или семантическая сеть) представляет структуру
знаний предметной области в виде ориентированного графа, вершинами
которого являются понятия различных категорий, как реального, так и
абстрактного миров: объекты, события, свойства, операции и др., а дуги
соответствуют отношениям между ними. Формальная запись сетевой МПЗ
имеет вид: H=<I, C1, C2, ..., Cn, F>, здесь I – множество элементов,
представленных в виде вершин; C1, C2, ..., Cn – множество типов связей между
элементами; F – отображение, задающее связи между элементами, входящими в
I, из заданного набора типов связей.
Сетевые МПЗ подразделяются на классифицирующие, функциональные
и сценарии.
В классифицирующих сетях используются структурные отношения
(иерархические связи между элементами из множества I). В основном
применяются следующие отношения: is-a (является) – А является B для двух
типов объектов А и В, в том случае, если объекты А и В могут именоваться
общей языковой единицей (категорией). Например, все объекты, обладающие
свойством «быть человеком», входят в категорию «человек».
Для функциональных сетей характерно наличие функциональных
отношений.
Сценарии допускают каузальные отношения типов «средство-результат»,
класса – элемент класса и т.п.
Если в сетевой МПЗ допускаются связи различного типа, то
употребляется термин «семантическая сеть». В семантических МПЗ широко
используются отношения следующих типов: класс – элемент класса; свойство –
значение; «это» («AKO - A-Kind-Of», «is»), «имеет частью» («has part»),
«принадлежит», «любит» и т.п.
Существует несколько классификаций семантических сетей, связанных с
типами отношений между понятиями. На рисунке 2.5 приведена классификация
по снованию отношений между элементами сети. Здесь же показаны некоторые
виды отношений, относящиеся к различным типам отношений.
Известны обучающиеся сети, которые корректируют свои внутренние
представления знаний в ответ на новую информацию для повышения
эффективности работы. Наконец, гибридные сети – это те, которые
одновременно включают в себя несколько типов семантических сетей, для
использования преимуществ и устранения недостатков, присущих отдельным
типам сетей.
При реализации поиска в семантической сети запрос формулируется в
виде семантической подсети, т.е. в виде нескольких
связанных элементов самой сети. Результатом поиска
является тоже некоторая подсеть (фрагмент сети), в
которой имеется релевантный ответ.
Дополнительные сведения, примеры структур
семантических сетей и пример вывода приведены в
50
материале, переход к которому возможен по QR-коду или по ссылке.
https://disk.yandex.ru/i/72xhxfLRT1JLzA
Классификация сетевых МПЗ
По типу
отношений
По количеству
отношений
иерархические
функциональны
еколичественные
пространственны
евременные
атрибутивные
каузальные
логические
лингвистические
бинарные
По количеству типов
отношений
однородные
N-арные
неоднородные
род-вид, элемент-множество, частьаргумент-функция,
влияет, производит
целое
больше-меньше, равно
далеко от, близко от, над, под, выше,
раньше,
ниже позже, в течение
иметь свойство, иметь значение
причинно-следственные
И, ИЛИ, НЕ
Рисунок 2.5 – Классификация семантических сетей
При реализации поиска в семантической сети запрос формулируется в
виде семантической подсети, т.е. в виде нескольких связанных элементов самой
сети. Результатом поиска является тоже некоторая подсеть (фрагмент сети), в
которой имеется релевантный ответ.
2.2.3 Фреймовые модели
Фреймовые модели основываются на таком понятии как фрейм (англ.
frame – рамка, каркас) и являются методом представления знаний посредством
использованием нескольких фреймов, связанных друг с другом отношениями
на основе концепции наследования.
В психологии фрейм – это абстрактный образ для представления некоего
стереотипа восприятия. Фрейм – это структура данных для представления
некоторого концептуального объекта. Фактически, фрейм – это набор
атрибутов или слотов, определяющих состояние объекта. Фрейм можно
рассматривать как фрагмент структуры семантической сети. Но удобнее
представлять его в табличной форме. При этом, в отличие от элемента
семантической сети, каждый объект определяется набором атрибутов и их
значениями, т.е. фрейм выступает как структура при ее заполнении
соответствующими значениями, превращается в описание конкретного факта,
события или ситуации с достаточной степенью полноты.
Пример обобщенной структуры фрейма:
51
Имя фрейма
Имя слот
Указатель
наследования
Указатель
атрибутов данных
Значение
слота
Присоединенная
процедура (демон)
Слот1
Слот 2
…
Слот N
Минимально необходимой структурой фрейма является совокупность
имени фрейма, множества поименованных слотов и значений слотов. Имя
фрейма должно быть уникальным во фреймовой системе. Связи между
фреймами задаются значениями специального слота
Информация, относящаяся к фрейму, содержится в составляющих его
слотах. Слоты могут быть терминальными либо сами являться фреймами,
образуя иерархическую сеть. Значения слотов зависят от конкретного их
содержания и могут быть числами, формулами, текстами, программами,
ссылками на другие слоты фрейма (фреймов) и т.п.
Имя фрейма (уникальное для всей сети фреймов) является
идентификатором конкретного фрейма.
Имя слота (уникальное в пределах фрейма) является идентификатором,
наделенным определенной семантикой.
Указатели наследования показывают, какую информацию в данном
фрейме наследуют слоты с аналогичными именами об атрибутах слотов из
фрейма верхнего уровня.
Указатель типа данных показывает тип значения слота (frame, real,
integer, boolean, text, list, table, expression и др.).
Значение слота должно соответствовать указанному типу данных и
условию наследования.
Демон – это автоматически запускаемая процедура при выполнении
некоторого условия.
Присоединенная процедура запускается по сообщению, переданному из
другого фрейма
Демоны и присоединенные процедуры являются процедурными
знаниями, реализующими механизм вывода в фреймовой системе как
совокупности декларативных и процедурных знаний.
Типы фреймов: фреймы-прототипы (протофреймы); фреймыструктуры; фреймы-роли; фреймы-сценарии; фреймы-ситуации; фреймыэкземпляры и др.
Формально фреймовая структура может быть описана следующим
выражением: N: {S1, V1, P1,…, Sk, Vk, Pk,…, Sn, Vn, Pn}, где N – имя фрейма;
Si – имя слота; Vi – значение слота; Pi – присоединенная процедура.
52
Пример простой сети фреймов показан на рисунке 2.6.
Рисунок 2.6 –Пример простой сети фреймов
Слот АКО является слотом наследования, значение указателя
наследования устанавливает наследственную связь с другим фреймом.
Остальные слоты (возраст, занятие, рост, мыслит, состоит
из) на представленной структуре позволяют определить
атрибуты соответствующей сущности (объекта) – студента,
человека, млекопитающего.
Дополнительный материал, пример построения
модели и реализации процедуры вывода размещены в
облаке по ссылке https://disk.yandex.ru/i/M6dyFZr-0qQk_w
или по QR-коду.
Ленемы – это более совершенный, с точки зрения визуальных
возможностей, смешанный тип таких моделей МПЗ, как фреймовая, сетевая,
продукционная. Назначением ленем является структурное комплексное
описание понятий предметной области. Для некоторых ситуаций это
предпочтительно, т.к. реализация сложных моделей, включающих знания
разных типов, требует комбинирования разных концепции представления
знаний на одном языке. Однако не во всех случаях применение ленем приводит
к улучшению процессов решения задач, поскольку затруднено описание
понятий, при котором большую роль играет внутренняя динамика.
В основе логических моделей МПЗ лежит понятие формальной теории,
центральная идея которой состоит в том, что знания предметной области
представляются в виде совокупности логических формул, построенных на
основе фактов и утверждений. Получение новых знаний на основе имеющихся
заключается в реализации процедур вывода.
Алгебраические модели предполагают представление знаний как
совокупность алгебраических примитивов, с определенными над ними
множеством действий.
Формальные грамматики представляют собой синтаксический набор
правил, позволяющих реализовать либо процедуру получения новых
правильных выражений (порождающие грамматики), либо процедуру
принадлежности их к данному формальному языку (распознающие
грамматики).
53
Логические, алгебраические МПЗ и модели формальных грамматик, как
правило, применяются для решения только узкоспециализированных задач,
массового применения не находят.
2.3. Представление нечетких знаний
В большом количестве случаем отсутствует достоверная информация о
каком-либо событии, явлении, объекте, информация носит субъективный
характер, и ее представление на естественном языке нередко имеет
неопределенности, типа «больше», «ближе», «горячее» и т.п. Для исследования
систем с учетом нечетки представлений и суждений о реальном мире
используется аппарат нечетких множеств и нечеткой логики как средство
моделирования нечетких, неопределенных понятий.
Встречающиеся нечеткости можно классифицировать по ряду признаков:
нечеткость,
неточность
или
неопределенность
информации;
недетерминированность процедур вывода; многозначность интерпретации;
неполнота информации; ненадежность данных и др.
Базовым понятием нечеткой логики является понятие нечеткого
множества (НМ).
Введем понятие функции принадлежности как функции, заданной на
универсальном множестве X, показывающей степень принадлежности
некоторых элементов к заданному множеству. Если A – четкое (канторовское)
множество, содержащее конечное множество элементов xi , то функция
принадлежности будет иметь вид:  A ( x)  0 при x  A и  A ( x)  1 при x  A ,
x X .
В случае нечеткости нет полной уверенности того, что, к примеру,
некоторый элемент xi  X принадлежит множеству А. Если каждому элементу
универсума поставим в соответствие некоторое значение степени уверенности
в том, что этот элемент принадлежит множеству, то совокупность пар
«элемент множества» – «степень принадлежности элемента к множеству» и
будет определять функцию принадлежности (характеристическую функцию).
Степень принадлежности μA(x) является субъективной мерой того, насколько
элемент x∈X, соответствует понятию, смысл которого формализуется
нечетким множеством A.
В общем виде определение НМ следующее: нечеткое множество
(fuzzyset) представляет собой совокупность элементов произвольной природы,
относительно которых нельзя точно утверждать, – обладают ли эти элементы
некоторым характеристическим свойством, которое используется для задания
нечеткого множества. Или, по другому, нечетким множеством A в X называется
совокупность пар вида ( x,  A ( x)) , где x  A, а A ( x) – функция принадлежности,
определенная на интервале M=[0, 1]. Множество M называют множеством
принадлежностей. Если объект «стопроцентно» относится к A, то значение
функции принадлежности равно 1, если объект не относится к A, значение
функции принадлежности равно 0.
54
В теории НМ вводится понятие лингвистической переменной, которая
определяется как переменная, значением которой являются слова или
предложения естественного или формального языка. К примеру,
лингвистическая переменная «успеваемость» может принимать значения
«низкая», «средняя», «высокая». Ясно, что переменная «успеваемость» будет
обычной переменной, если характеризуется точными значениями среднего
балла или оценками. Каждому значению лингвистической переменной
соответствует отдельное НМ со своей функцией принадлежности (рисунок
2.7).
 A (x)
низкая
средняя
Здесь
х
–
количество
1
рейтинговых баллов, набранных
обучающимся;
высокая
А – нечеткое подмножество
«низкая успеваемость»;
B – нечеткое подмножество
«средняя успеваемость»;
x
0
50
10
0
C – нечеткое подмножество
А
С
«высокая успеваемость».
Каждая
переменная
B
характеризуется своей функцией
Рисунок 2.7 –НМ «успеваемость»
принадлежности
Нечеткая переменная характеризуется тройкой <, X, A>, где  –
наименование переменной, X – универсальное множество (область определения
), A – нечеткое множество на X, описывающее ограничения (то есть A(x)) на
значения нечеткой переменной .
На практике используют трапецеидальную, гауссовскую, сигмоидную и
другие функции. Приведенные в примере функции принадлежности являются
треугольными.
Лингвистической переменной называется набор <, T, X, G, M>, где  –
наименование лингвистической переменной, Т – множество ее значений (терммножество), представляющих собой наименования нечетких переменных,
областью определения каждой из которых является множество X (множество T
называется базовым терм-множеством лингвистической переменной), G –
синтаксическая процедура, позволяющая оперировать элементами терммножества T, в частности, генерировать новые термы (значения), М –
семантическая процедура, позволяющая превратить каждое новое значение
лингвистической переменной, образуемое процедурой G, в нечеткую
переменную, то есть сформировать соответствующее нечеткое множество.
Для НМ справедливы операции, имеющие место в теории четких
множеств, и некоторые специфические операции (нормализация, растяжение,
сжатие, перемещение, степень и др.).
К примеру:
– объединение нечетких множеств  AB ( x)  max  A ( x),  B ( x);
– пересечение нечетких множеств  AB ( x)  min  A ( x),  B ( x);
55
– равенство нечетких множеств  A ( x)   B ( x); x  X ;
– операция дополнения μ A (x)  1  μ A (x).
При оперирования со знаниями в теории НМ используются и операции
над отношениями.
Заметим, что все операции над нечеткими множествами сводятся к
операциям на их функциями принадлежности.
Важным моментом в теории нечеткой логики является механизм вывода.
Алгоритм вывода оперирует нечеткими продукциями, в которых условия и
заключения записываются в форме нечетких лингвистических переменных. На
рисунке 2.8 представлена обобщенная схема реализации вывода.
Основными этапами нечеткого вывода являются:
– формирование базы правил систем нечеткого вывода;
– фазификация входных переменных;
– агрегирование подусловий в нечетких правилах продукций;
– активизация или композиция подзаключений в нечетких правилах
продукций;
– аккумулирование заключений нечетких правил продукций
(объединение результатов применения всех правил);
– дефазификация заключений.
Рисунок 2.8 – Схема нечеткого вывода
Подробное изложении основ теории нечетки
множеств и правил вывода на них представлено по
адресу https://disk.yandex.ru/d/tcaRW7vda4lNYQ и QRкоду.
2.4. Искусственные нейронные сети
Основной задачей искусственного интеллекта является моделирование
рассуждений, то есть, по существу, в некоторой степени моделирование мозга.
Исследования в этом направлении ведутся в рамках нейрокибернетики,
основной идеей которой явилось создание технического или программного
продукта, моделирующего функции специализированной клетки мозга –
отдельного нейрона и сети нейронов.
56
2.4.1. Биологический нейрон
В нейрофизиологии установлено, что нейроны выполняют большое
количество функций, таких, как прием, обработка, кодирование, передача,
хранение информации. Кроме того, нейроны организуют реакции на
раздражения, контактируют с другими нейронами и клетками органов живого
организма.
Поражает воображение сложность человеческого мозга: число нейронов
приближается к 1011, суммарное количество связей между нейронами порядка
1015, поскольку каждый нейрон соединен с помощью синапсов с 10 4 другими
нейронами.
Общий объем информации, которую может хранить мозг,
19
достигает 10 бит, а это практически весь объем знаний, наколенных
человечеством.
На рисунке 2.9 приведена схема строения «типичного» нейрона.
Здесь 1 – тело нейрона, 3 –
дендриты, 3 – аксон, 4 – синапсы.
Отростки нейрона, называемые
дендритами,
являются
как
бы
входными каналами для нервных
импульсов, передаваемых от других
нейронов. Импульсы поступают в тело
нейронной клетки (сому) и вызывают
ее
специфическое
возбуждение,
распространяющееся по выходному
отростку – аксону. Аксон имеет
множество «выходов» – синапсов,
которые соединяются с дендритами
других нейронов, тем самым образуя
нейронную сеть. Нейрон может
Рисунок 2.9 – Строение биологического
находиться в возбужденном или
нейрона
невозбужденном состоянии. Синапсы
нейрона определяют силу воздействия, передаваемого с выхода одного нейрона
на входы других.
2.4.2. Формальный нейрон
x1
w1
xi
wi
xn
wn
N
веса
входные сигналы
Структура модели формального нейрона приведена на рисунке 2.10.
S=∑xiwi
Y=F(S)
i=1
суммирование
нелинейное
преобразование
Y
выходной
сигнал
Рисунок 2.10 – Модель формального нейрона
57
Каждому входу ставится в соответствие весовой коэффициент wi.
Совокупность входных сигналов, поступающих на дендриты, представляется в
виде входного вектора. Входные «взвешенные» сигналы поступают в нейрон, в
котором происходит их суммирование и нелинейное преобразование
взвешенной суммы. Для нелинейного преобразования применяется так
называемая активационная функция (функции активации могут быть разными –
пороговая, сигмоидная, логистическая, гиперболический тангенс и др.).
Если в формальном нейроне использовать ступенчатую функцию
активации, то на выходе нейрона сигнал будет равен либо +1, либо 0 в
зависимости от значения суммарного сигнала S и некоторого порога активации
Q (рисунок 2.11).
При
Y
m
 wi xi  Q Y=1; а при
i 1
1
Заметим,
m
w x
что
i 1
Q
m
S   wi xi
i 1
Рисунок 2.11 – Функция
активации нейрона
i
m
w x
i
i 1
Q –
i
i
 Q Y=0.
линейная
функция и в случае двух входных переменных
является
прямой,
задаваемой
уравнением
1 x1  2 x2  Q  0. Прямая разбивает плоскость на
две полуплоскости (рисунок 2.12). Переменные,
находящиеся
в
нижней
полуплоскости
соответствуют Y=0, а верхней полуплоскости
Y=1. Таким образом, нейрон выполняет
разбиение множества переменных на два
x1
непересекающихся подмножества, т.е. решается
классификация.
Для
трех
переменных
трехмерное
Рисунок 2.12 – Результат
работы нейрона
пространство разбивается плоскостью на два
полупространства, классификация трехмерных векторов входных сигналов
осуществляется аналогичным образом.
В качестве примера продемонстрируем применение нейрона в качестве
устройства, реализующего логическую функцию И для двух переменных.
Таблица истинности и ее реализация нейроном приведены на рисунке 2.13.
x2
–0,5
–0,5
+1
0 = - 1,5
x1
1 = 1

S
F
Y
2= 1
x2
Рисунок 2.13 – Реализация логической функции И
В схеме предусмотрен дополнительный вход, обозначенный как +1. Это
сигнал смещения, имеющий постоянную величину и добавляемый ко входу
функции активации. Он работает аналогично порогу активации и обычно имеет
58
значение +1. Можно считать этот вход как x0=1.
Изменение 0 приводит к перемещению прямой,
делящей плоскость на две полуплоскости.
Для рассматриваемого примера прямая,
0, 1
1, 1
делящая плоскость на две полуплоскости,
задается формулой x1+x2 – 1,5=0. Геометрическая
интерпретация приведена на рисунке 2.14.
0, 0
1, 0
Черным кружком обозначена комбинация
входных сигналов x1=1 и x2=1, а белыми –
1,5 x1
комбинации,
соответствующие
Рисунок 2.14 – Геометрическая остальные
нулевому выходному сигналу.
интерпретация реализации
функции И
Можно показать, что отдельный нейрон
способен решать и другие простейшие задачи, но
не может реализовать логическую функцию «исключающее ИЛИ»
(суммирование по mod2). Таблица истинности и геометрическая интерпретация
приведены на рисунке 2.15.
x2
1,5
x2
1,5
0, 1
0, 0
1, 1
1, 0
1,5
x1
Рисунок 2.15 – Исключающее ИЛИ
Как видно из рисунка, невозможно провести никакую прямую,
разделяющие черные и белые кружки, т.е. разделить плоскость на
полуплоскости, чтобы в одной находились кружки, соответствующие
единичному выходному сигналу, а в другой – нулевому. Эта простая и другие
сложные задачи решаются при объединении формальных нейронов в сети.
Каким же образом можно подобрать весовые коэффициенты, чтобы
нейрон (простой персептрон) выполнял задачу классификации (распознавания
одного из двух сигналов)? Или, говоря по-другому, как обучить персептрон?
Обучение заключается в модификации весовых коэффициентов
(синаптических весов) входов – поиск такого набора весовых коэффициентов,
при котором входной сигнал после обработки преобразуется в нужный сигнал.
Возможно обучение с учителем и обучение без учителя. В первом случае
веса меняются так, чтобы ответы сети минимально отличались от уже готовых
правильных ответов, а во втором случае сеть самостоятельно классифицирует
входные сигналы.
Для обучения с учителем используется обучающая выборка — конечный
набор входных сигналов, по которым происходит обучение сети и ожидаемые
отклики сети на соответствующие наборы обучающих сигналов.
59
После обучения сети, то есть когда сеть выдает корректные результаты
для всех входных сигналов из обучающей выборки, ее можно использовать на
практике. Однако, прежде чем сразу использовать нейронную сеть, обычно
производят оценку качества ее работы на так называемой тестовой выборке.
Тестовая выборка – конечный набор входных сигналов, по которым
происходит оценка качества работы сети.
Принципиально важным является понимание процессов, алгоритмов
обучения, поскольку без их реализации никакая нейронная сеть работать не
будет!
Продемонстрируем
процесс
обучения на вымышленном примере.
x1 1 = 0,1
Исключим
из
рассмотрения
Y
активационную функцию и узел

2 = 0,2
смещения.
На
рисунке
2.16
x2
представлены наборы обучающих
выборок и соответствующие им
ожидаемые выходные сигналы, а
Рисунок 2.16 – Обучающий набор данных
также упрощенная модель сети.
и состояние НС на некотором шаге
Содержание
входных
сигналов
обучения
может быть произвольным.
Алгоритм обучения.
Шаг 1. Прямое распространение ошибки. Вычисляется сумма входных
сигналов с учетом веса каждой связи: y=x11+x22=10,1+0,50,2=0,2.
Записанное выражение есть скалярное произведение двух векторов: вектора
X=[x1, x2] и вектора W=[1, 2].
Еще немного математики. Написанная выше формула скалярного
произведения – это упрощенное математическое уравнение для частного случая
операций над тензорами.
Тензор – это контейнер данных, который может иметь N осей и
произвольное число элементов вдоль каждой из осей. Из школьной математики
известно понятие вектора. Так вот, вектор – это тензор с одной осью, матрицы –
тензор с двумя осями (строки, столбцы).
Алгебраическая запись в тензорной форме имеет вид:
 T   x1  T 1 
 
Y  X W        x1 x2    1   x11  x2 2  .
 x2   2 
 2 
Шаг 2. Расчет функции ошибки. В общем случае функция ошибка есть
некоторая метрика, показывающая различия между ожидаемыми и
полученными выходными данными. Функций для расчета ошибок много.
Воспользуемся функцией среднеквадратической ошибки:  
1
N
N
 y
 d i  где di
2
i
1
– ожидаемое выходное значение при предъявлении i-той обучающей выборки,
yi – фактическое значение.
60
Для первой выборки имеем  = (0,2-1)2=0,64. Для первой выборки имеем
 = (0,2-1)2=0,64. Величина ошибки очень большая, приблизительно в три раза
превосходит желаемое значение.
Целью нейронной сети является минимизация ошибки:   min.
Шаг 3. Коррекция весовых коэффициентов. В общем случае на каждом
(k+1)-м шаге весовые коэффициенты пересчитываются по формуле



 ( k 1)   k   k , где k – k-я итерация обучения;  – шаг обучения (влияет на
сходимость процесса обучения и обычно выбирается от 0,01 до 0,1);  –
градиент функции ошибки.
Градиент – это вектор, указывающий направление наибольшего
возрастания значения некоторой функции, значение которой меняется от одной
точки пространства к другой. Поскольку речь о векторе, то модуль вектора
характеризует скорость возрастания значения функции в этом направлении. Из
курса математики известно, скорость – это физическая интерпретация
производной. Если рассматривается функция нескольких переменных, то,
вычисляя частные производные по каждой переменной, получаем скорость
изменения и направление изменения функции в заданной точке. Отсюда

 


   1
функция ошибки имеет вид     

 

 
 N




 .

 

Для рассматриваемого примера получаем:
 1 , 2    yi  d i 2  ( x11  x22  d i ) 2  (1  1  0,5  2  1) 2 .
Проведем вычисление частных производных:
Название процесса «обратное распространение ошибки» говорит о том,
что движение по модели осуществляется от выхода к входу с изменением
весовых коэффициентов в направлении, обратном вектору градиента. Зададим
обучающий шаг 0.1. Тогда модифицированные весовые коэффициенты
вычисляются следующим образом:
Оценим величину ошибки:
61
 1 , 2    yi  d i 2  ( x11  x22  d i ) 2  (1  0,26  0,5  0,28  1) 2  0,36.
Значение ошибки уменьшилось с 0,64 до 0,36. Выполняя аналогичным
образом расчеты итерационно для каждого обучающего набора, можно было бы
заметить, что на каждой итерации результат улучшается. Итерационный
процесс обучения при достижении заданной точности.
При обучении без учителя имеется только описание обучающей выборки.
На каждой итерации происходит сравнение выходного сигнала с выходным
сигналом предыдущей итерации. Эта разность считается ошибкой. Пересчет
весовых коэффициентов может проводиться на основе рассмотренного
алгоритма.
2.4.3. Однослойные нейронные сети
Один нейрон способен выполнять простейшие процедуры распознавания,
но только соединение нескольких нейронов способно решить практически
полезную задачу. Простая однослойная сеть состоит из группы нейронов
(рисунок 2.17).
Проблемой, требующей
x1
w11
решения, как и для одиночного
y1

w12
нейрона, является реализация
процесса обучения.
w21
x2
w22
Обучение по дельтаX
y2
Y

wm2
правилу.
. wm1
.
Дельта-правило работает
.
w2n w1n ..
.
только
с
непрерывными,
xm
wmn
yn
дифференцируемыми

функциями в режиме обучения
Рисунок 2.17 – Однослойная сеть
с учителем. Принципиального
отличия в алгоритме обучения от рассмотренного алгоритма нет. Сокращенно
алгоритм можно также описать в виде последовательности шагов.
В данном алгоритме обучения начальные веса могут быть любыми.
Шаг 1. Проводится случайным образом инициализация матрицы весов, а
в случае использования пороговой функции активации, задается и значение
порога.
Шаг 2. Нейронной сети предъявляется обучающий набор входных
сигналов и ожидаемый вектор выходных сигналов.
Шаг 3. Вычисляется вектор выходных сигналов.
Шаг 4. Для каждого нейрона вычисляется значение ошибки εi  (di  yi ) .
Шаг 5. Изменяются весовые коэффициенты и значения порогов при
ij(k  1 )  ij(k)    εi  x j ,
использовании пороговой функции:
θ i( k  1 )  θi(k)    εi .
62
Шаг 6. Проверяется выполнение условия окончания обучения
(достижение заданной точности, количество циклов обучения и др.). Если
обучение не завершено, то осуществляется переход к шагу, иначе обучение
завершается.
2.4.4. Многослойные нейронные сети
Многослойные нейронные сети образовываются каскадами слоев и
обладают большими вычислительными возможностями по сравнению с
однослойными. Выходы одного слоя является входами для последующего слоя
(рисунок 2.18).
Слой 1
входной
Слой 2
скрытый
X1
X2
.
.
.
.
.
.
Xm
Слой k
выходной
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
y1
y2
.
.
.
Y
yn
Рисунок 2.18 – Многослойная сеть
Многослойные сети могут быть самой разнообразной структуры: разное
количество слоев, разное количество нейронов в слоях, разное количество
входов, разное количество выходов и различные связи между нейронами.
Обучение многослойной сети алгоритмом обратного распространения
ошибки предполагает два прохода по всем слоям сети: прямой и обратный.
При прямом проходе на входной слой подается входной вектор, сигналы
распространяются от слоя к слою. При этом все весовые коэффициенты имеют
фиксированные значения.
Во время обратного прохода все весовые
коэффициенты настраиваются в соответствии с правилом
коррекции ошибок. Отличия алгоритма обучения по дельтаправилу от алгоритма для однослойной сети заключается
только
в
возросшей
сложности,
обусловленной
последовательным пересчетом весовых коэффициентов от
слоя к слою. Общий принцип не изменяется.
https://disk.yandex.ru/i/fNov6Pu8LHh_JQ
Искусственные нейронные сети в настоящее время используются для
решения многих сложных задач, и спрос на них со временем растет. Приведем
некоторые приложения нейронных сетей:
– обработка изображений;
– языковая обработка и перевод;
63
– распознавание речи;
– прогнозирование;
– классификация и кластеризация;
– принятие решений; аппроксимация функций;
– оптимизация;
– построение ассоциативной памяти;
– управление сложными объектами, системами и др.
64
3. Информационные технологии XXI века
3.1. Большие данные
В условия цифровизации всех сторон жизни и деятельности государств,
организаций, компаний, социальных сообществ, отдельных людей в мире имеет
место интенсивный совокупный прирост информации, представленной в форме
данных, т.е. сведений, формализованных в определенной знаковой системе и
хранящихся на тех или иных материальных носителях. Обработка этих данных
позволяет получить новые знания.
В цифровом мире данные, генерируемые многими совершенно новыми
источниками, отличаются от традиционного типа данных повышенной
сложностью, разнородностью, скоростью появления и др. свойствами. Эти
особенности существенно ограничивают возможности традиционных
технологий обработки данных.
Введенный в обращение в начале 2000-х годов термин «большие данные»
(Big Data) подразумевает не только сам объем данных, но и методы их
обработки, ориентированные на отличительные особенности данных в
условиях массовой цифровизации. По данным компании IBS, к концу второго
десятилетия XX века объем данных составляет 40-44 зеттабайтов (ЗБ)
информации (1 ЗБ = 1024 эксабайта (ЭБ), 1ЭБ= 1 млрд. гигабайтов)
(https://rb.ru/howto/big-data-in-8-terms/). Из всего этого объема накопленных
массивов данных только 2-3 % имело информационную ценность. Данные
могут приносить пользу, иметь практический смысл только в том случае, если
они являются актуальными, отделенными от «информационного мусора». К
счастью, мир спасут технологии обработки больших данных. Они позволят
людям объять «необъятное».
Исходя из сказанного, термин «большие данные» может быть определен
как в узком смысле в качестве массивов структурированных,
слабоструктурированных и неструктурированных данных, объемы которых
настолько велики, что их обработка традиционными средствами становится
неэффективной или вообще невозможной.
В широком смысле «большие данные» – это комплекс средств и методов
для обработки и анализа больших массивов разнородных данных.
Фактически, большие данные – это решение проблем и альтернатива
традиционным системам управления данными.
С большими данными связывают ряд ключевых характеристик,
позволяющих отнести данные именно к Big Data, т.е. не все данные могут быть
пригодны для аналитики. Перечислим эти характеристики.
1. Объем (volume) – данные накапливаются из множества источников в
громадном объеме;
2. Скорость роста (velocity) – быстрое возрастание объемов данных;
65
3. Многообразие (variety) – данные из входного потока могут быть
разнообразных форматов (таблицы, текст, видео, аудио и пр.), а также быть
структурированными и неструктурированными;
4. Достоверность (veracity) –выделение из массива данных достоверные
данные и «отсеивание» недостоверных данных;
5. Жизнеспособность (viability) – неизменность данных при выполнении
какой-либо операции над ними, будь то передача, хранение или отображение.
6. Ценность (value) – значимость данных, определяемая их соответствием
решаемой задачи;
7. Переменчивость (variability) – непредсказуемость потока данных.
8. Визуализация (visualization) – представление данных в виде,
обеспечивающем наиболее эффективную работу человека по их изучению.
В настоящее время концепция Big Data в большинстве случаев
применяется для решения задач предсказательной и поведенческой аналитики.
О росте интереса к Big Data в России свидетельствует тот факт, что еще к
концу 2019 г. около 70% крупных организаций опробовали или внедрили
инструменты технологии больших данных. Наиболее крупными участниками
российского рынка Больших данных в России являются: ПАО «Сбербанк», АО
«Газпромбанк», АО «Тинькофф Банк», АО «КИВИ Банк», ООО «Яндекс», ООО
«Мэйл.ру», ПАО «Мегафон», ООО «Единыйфактор», ПАО «Ростелеком».
На рисунке 3.1. представлены ключевые элементы, составляющие
аналитику Big Data (Источник: https://clck.ru/V6rGw).
Рисунок 3.1 – Ключевые элементы аналитики больших данных
66
Аналитика Big Data – это процесс анализа больших и сложных
источников данных для выявления тенденций, моделей поведения клиентов и
рыночных предпочтений для обеспечения принятия эффективных решений.
В таблице 3.1 показаны различия между данными в традиционном
понимании и Big Data с точки зрения их аналитической обработки.
Таблица 1– Сравнение традиционных и больших данных
Традиционная аналитика
Big Data аналитика
Объем данных существенно ограничен
Постепенный анализ небольших пакетов
данных
Редакция и сортировка данных перед
обработкой
Обработка данных при наличии явных
отношений между элементами массива данных
Выдвижение предположения и его
тестирование относительно данных
Данные собираются, обрабатываются, хранятся
и только потом анализируются.
Возможны погрешности из-за человеческого
фактора»
Объем данных практически неограничен
Обработка сразу всего массива доступных
данных
Обработка данных в их исходном виде, т.е.
независимо от типа
Выявление неочевидных закономерностей
и связей (инсайды)
Поиск корреляций по всем данным до
получения искомой информации.
Анализ и обработка больших данных в
реальном времени, по мере поступления
Все метрики получают с помощью
специализированных алгоритмов и
нейросетей, субъективность и предвзятость
мнения или ошибки в расчетах
исключаются
Основными источниками Big Data являются: роботы, приборы для
мониторинга, сенсоры, системы наблюдения, интеллектуальные системы,
социальные сети, блоги; Интернет вещей; корпоративная информация;
статистические и медицинские данные; показания различных устройств и др.
Крупнейшим сегментом Big Data являются веб-данные. Чаще всего это
информация об онлайн-транзакциях, интернет-трафике и эффективности
рекламных баннеров. Веб-данные позволяют фиксировать, кто и что покупает,
сколько покупателей покидают сайт, прочитав характеристики товара, сколько
из них просматривают видеоролики, читают отзывы других пользователей и
даже на каких сайтах побывал каждый из посетителей, прежде чем оказаться на
вашем сайте. Извлечение информации такого рода вызывает озабоченность в
отношении защиты персональной информации, хотя эти данные можно
собирать в обезличенной форме, анализируя поведение среднестатистических, а
не каких-то конкретных пользователей ресурсами Интернет.
Среди множества важных для бизнеса источников больших данных
можно выделить следующие:
– телематические данные об объектах электронного сопровождения;
– текстовые данные (электронные письма, переписка на форумах, твиты и
т.п), позволяющие составить представление о реакции потребителей услуг на ту
или иную проблему, либо даже провести анализ эмоционального заряда текста;
– данные о координатах объектов (людей) во времени и пространстве;
67
– данные радиочастотной идентификации для решения задач логистики,
обеспечения безопасности;
– данные «умных» электросетей для оптимизации производственных
процессов и распределения электроэнергии между потребителями
– данные социальных сетей для определения уровня влияния отдельных
людей на окружение, изучения сети знакомств и выяснения факторов,
связывающих людей друг с другом.
Если источник неструктурированных данных единственный, то такие
данные образуют так называемые «data lake» – «озера данных».
Для хранения данных используют физические серверы и, все чаще –
облачные хранилища.
На рисунке 3.2 приведены технологии и индустрии использования Big
Data в России на начало 2020 г. (Источник: . https://clck.ru/V6rGw).
Рисунок 3.2 – Большие данные в России
Хранилище
данных
Пакетная
обработка
Машинное
обучение
Прием
сообщений
в реальном
времени
Потоковая
обработка
Хранилище
аналитических
данных
Источник данных
Технология Big Data использует достаточно большое количество техник
и методов анализа: Data Mining; краудсорсинг; смешение и интеграция данных;
машинное обучение; искусственные нейронные сети; глубокое обучение;
распознавание образов; прогнозная аналитика; имитационное моделирование;
пространственный анализ; статистический анализ; визуализация аналитических
данных, Blockchain и др.
Для реализация технологии Big Data используется специальным образом
построенная архитектура системы обработки данных (рисунок 3.3).
Рисунок 3.3 – Обобщенная архитектура обработки
данных
https://disk.yandex.ru/i/pvAWiQ-uro_Fog
68
В будущем ожидается применение технологий Big Data и в образовании.
Этому посвящены, в частности, работы следующих авторов [42, 43].
Применение технологий Big Data в электронном образовании позволит
педагогам своевременно получать информацию об обучающихся, оперативно
реагировать на любые изменения процесса обучения, своевременно вносить
изменения в учебный контент.
Основными задачами использования Big Data в образовании являются:
1. Классификация – отнесение объектов (наблюдений, событий) к одному
из заранее известных классов. Для классификации в Big Data используется
множество различных моделей: нейронные сети, деревья решений, метод kближайших соседей. Примером использования задач классификации в
электронном
образовании
являются
классификация
электронных
образовательных ресурсов и тестовых заданий.
Решение задач классификации можно внедрять уже сейчас, используя
бесплатную версию пакета, реализующего алгоритм С5.0 процедуры
построения деревьев решений (http:// www.rulequest.com). Широко
используемым алгоритмом для решения задач классификации является
алгоритм, реализующий метод опорных векторов SVM. Программное
приложение LIBSVM можно открыто загрузить с сайта https://www.csie.ntu.edu.
tw/~cjlin/libsvm.
2. Регрессия, в том числе задачи прогнозирования, позволяющие
предсказать результаты итоговых экзаменов, уровень компетенций выпускника,
востребованность на рынке труда и др.
3. Кластеризация для обнаружения наличия студентов со сходными
психологическими, физиологическими, поведенческими и интеллектуальными
характеристиками, определения влияния этих поведенческих паттернов на
успешность в различных видах деятельности. Результаты кластеризации могут
быть использованы для разработки индивидуализированных учебных программ
и индивидуальных траекторий обучения.
Для задач кластеризации данных широко используются алгоритмы kmeans, c-means, EM-алгоритм. Программную EM-алгоритма можно найти на
сайте http://www. mathsisfun.com/data/index.html.
4. Анализ данных социальных сетей и корректировка с учетом этих
данных модели обучающегося. Анализ социальных сетей направлен на
изучение
отношений
между
людьми,
рассматривает
социальное
взаимодействие в терминах теории сетей.
Для анализа социальных сетей может быть использовано программное
приложение MySpace (https://myspace.com).
В качестве одного из примеров реализации технологий Big Data в
образовании отметим проект Cloud4BigData [44]. Проект направлен на
объединение и интеграцию дифференцированных и специализированных
технологий в единую, унифицированную платформу, учитывает требования
облачных технологий больших данных, «интернета вещей», смарт-технологий
и
позволяет
в
электронном
образовании
достигнуть:
гибкости;
69
масштабируемости;
доступности;
качества
обслуживания,
использования; безопасности и конфиденциальности.
простоты
3.2. Интернет вещей
Интернет вещей (Internet of things – IoT) представляет собой систему
взаимосвязанных вычислительных устройств, механических и цифровых
машин, объектов, животных или людей, которым предоставлены уникальные
идентификаторы (UID) и возможность передавать данные по сети без
необходимости взаимодействия человека с человеком или человека с
компьютером.
Возможно, впервые термин «Интернет вещей» как
описание системы, в которой Интернет связан с
физическим миром через вездесущие сенсоры, был
употреблен
в
1999
году
Кевином
Эштоном
(Великобритания) из центра Auto-ID Labs (СЩА).
https://disk.yandex.ru/i/EQ_Aix80JzWYUg
Но одним из первых (1982 г.) подключенных к сети
устройств стал вендинговый аппарат по продаже CocaCola, установленный в Университете Карнеги – Меллон. В 1990-х годах все
исследования, связанные с IoT, были теоретического характера:
разрабатывались концепции, обсуждались появляющиеся идеи. Появление и
успешный запуск массовых проектов IoT относится к первым десятилетиям
XXI века. В 2013 г. выражение «интернет вещей» попало в оксфордские
словари со значением «предложенная схема развития интернета, согласно
которой повседневные объекты обладают возможностью подключаться к
общей сети, что позволяет им обмениваться информацией» [46. c. 9].
Подключения объектов к интернету осуществлялось при помощи технологии
RFID. (RFID-метка – Radio Frequency IDentification – это метка идентификации,
позволяющая идентифицировать объекты посредством радиосигналов).
Как показано на рисунке 3.4, к принципиальным аспектам
информационно-коммуникационных технологий (коммуникация в любое время
и в любом месте) IoT добавляет новый аспект – «коммуникация любых
устройств», т.е. связь с любой вещью.
В интернете вещей обеспечивается наиболее эффективное использование
вещей для предоставления услуг для всех типов приложений при
одновременном выполнении требований безопасности и неприкосновенности
частной жизни.
Вещь (thing) понимается как предмет физического мира (физические
вещи), который можно измерить, привести в действие, подключить или
информационного мира (виртуальные вещи), который может быть
идентифицирован и интегрирован в сети связи. Виртуальные вещи можно
хранить, обрабатывать, получать к ним доступ. Примерами виртуальных вещей
являются мультимедийный контент, прикладное программное обеспечение.
70
Рисунок 3.4 – Новое направление коммуникаций, реализуемое
Интернетом вещей (источник: МСЭ-Т Y.2060)
В самом общем виде с инфокоммуникационной точки зрения Интернет
вещей можно записать в виде следующей символической формулы:
IoT = Сенсоры (датчики) + Данные + Сети + Услуги.
В рекомендациях Y.2060 Международного союза электросвязи «Обзор
интернета вещей» приводится следующее определение: «Интернет вещей:
Глобальная инфраструктура для информационного общества, которая
обеспечивает возможность предоставления более сложных услуг путем
соединения друг с другом (физических и виртуальных) вещей на основе
существующих
и
развивающихся
функционально
совместимых
информационно-коммуникационных технологий (ИКТ)» [45, С.1]. В широком
смысле интернет вещей – концепция, имеющая технологические и социальные
последствия.
На рисунке 3.5 представлена топологическая структура IoT (источник:
МСЭ-Т Y.2060)
d
d
e
71
Рисунок 3.5 – Схема отображения физических и виртуальных вещей
Концепция IoT предполагает возможность отображения (представления)
любой физической вещи в информационном мире с помощью одной или более
виртуальных вещей, которые могут существовать и без какой–либо
соответствующей ей физической вещи.
В физическом мире IoT присутствуют как автономные устройства, так и
устройства, сопряженные с физически вещами. Любое устройство обязательно
должно иметь возможность связи, ввода, вывода, хранения и обработки
информации, измерения и срабатывания. Устройство, осуществив процесс
сбора различных видов информации, передает ее по информационнокоммуникационным сетям для дальнейшей обработки. Некоторые устройства
могут получать из сетей информацию для выполнения определенных функций.
Обмен данными между устройствами может осуществляться как
посредством сетей через шлюзы (сценарий a), без шлюзов (сценарий b), либо
напрямую без использования какой-либо сети (сценарий с). В IoT возможно
применение комбинированных сценариев: сценарий а и сценарий с; сценарий b
и сценарий c. В виртуальном мире возможен сценарий d (обмен данными
между виртуальными вещами), сценарий e (обмен данными между
виртуальным и физическим мирами), а также комбинация этих сценариев.
Уже в настоящее время
IoT
включает
большое
количество
приложений,
некоторые
из
которых
представлены на рисунке 3.6
(источник:
журнал
«Информкурьерсвязь», 2013,
№ 5).
Приложения
могут
базироваться
на
специализированных
платформах и на общих
платформах
поддержки
приложений
и
услуг,
обеспечивающих
типовые
возможности поддержки.
С
точки
зрения
требований,
условий
Рисунок 3.6 - Умные приложения на основе IoT
функционирования
и
безопасности, технологий построения IoT обычно разделяют на бытовой и
промышленный.
В качестве примера на рисунках 3.7, 3.8 приведены варианты подсистем
«Умный город» и «Умный дом».
72
Рисунок 3.7 – Подсистема «Умный город»
«Умный город» представляет собой интеграцию нескольких
информационно-коммуникационных технологий и IoT решения для управления
городским имуществом, создания комфортных и безопасных условий
жизнедеятельности. «Умный город» человекоцентричен, управляем, доступен и
открыт для людей и новых идей, раскрывает данные о своей деятельности,
защищает персональные данные, основан на интегрированных службах и
инфраструктуре, проактивен в обучении и развитии граждан.
Рисунок 3.8 – Подсистема «Умный дом»
73
Подсистема «Умный дом» – это высокотехнологичная система,
позволяющая объединить все коммуникации в одну и поставить её под
управление искусственного интеллекта, программируемого и настраиваемого
под все потребности и пожелания хозяина.
Рисунок
3.9
характеризует
динамику
расширения
сферы
применения технологий IoT
[источник: Cisco IBSG].
IoT
привел
к
необходимости изменения
ИКТ
на
основе
трехуровневой архитектуры.
Первый
(нижний
уровень – это собственно
«умные»
устройства,
позволяющие осуществлять
сбор
и
обработку
информацию в реальном
Рисунок 3.9 - Временная шкала изменения
количества людей и предметов, подключенных к
времени.
IoT.
Второй уровень – это
уровень
шлюзов
для
обеспечения сетевого взаимодействия различных протоколов.
Третий уровень – это сервисный уровень и уровень приложений.
Эталонная модель архитектуры согласно рекомендациям Y.2060 IoT
представлена на рисунке 3.10 (источник: МСЭ-Т Y.2060).
Рисунок 3.8 – Эталонная модель IoT
74
Архитектура включает четыре базовых горизонтальных уровня: уровень
приложений IoT; уровень поддержки приложений и услуг; сетевой уровень;
уровень устройств. Остановимся на рассмотрении их подробнее.
1. Уровень устройств.
На этом уровне датчики или устройства собирают данные из своей среды.
Это может быть как простое измерение температуры, так и сложное, например,
полный видеопоток. Датчики могут быть частью устройства, которое наряду с
функциями датчиков выполняет и другие функции. К примеру, сотовый
телефон это устройство с несколькими датчиками (камера, акселерометр, GPS и
т.д.). Но телефон – это не просто датчик. Понятно, что на первом этапе данные
собираются из окружающей среды чем-то.
2. Сетевой уровень.
Собранные данные отправляются в облако. Датчики/устройства могут
быть подключены к облаку различными способами, включая сотовую связь,
спутник, Wi-Fi, Bluetooth, маломощные глобальные сети (LPWAN) или
подключение напрямую к Интернету через Ethernet.
Выбор наилучшего варианта подключения зависит от конкретного
приложения IoT, но все они решают одну и ту же задачу: передачу данных в
облако.
3. Уровень поддержки приложений и услуг.
Как только данные попадают в облако, программное обеспечение
выполняет над ними некоторую обработку. Обработка может быть достаточно
простой, например, проверка того, что показание температуры находится в
приемлемом диапазоне или очень сложной, к примеру, использование
компьютерного зрения на видео для идентификации объектов.
4. Уровень приложений IoT.
Уровень приложений обеспечивает пользовательский интерфейс. Это
может быть оповещение пользователя (электронная почта, текст, уведомление и
т.д.). В любом случае информация становится полезной для конечного
пользователя именно на этом уровне. Кроме того, у пользователя может быть
интерфейс, позволяющий регистрироваться в системе. Например, пользователь
может захотеть проверить видеопотоки в своем доме через приложение для
телефона или веб-браузер. В зависимости от приложения IoT пользователь
также может выполнять действие и влиять на систему. Например, пользователь
может удаленно регулировать температуру в холодильной камере через
приложение на своем телефоне. Некоторые действия выполняются
автоматически с помощью заранее определенных правил. Любые настройки
или действия, которые совершает пользователь, отправляются через систему в
обратном направлении: из пользовательского интерфейса в облако и обратно к
датчикам / устройствам для внесения каких-либо изменений.
Весьма важным и неоднозначно решаемым вопросом является
подключение к IoT, поскольку вариантов решения этой задачи достаточно
много.
Подключение к Интернету вещей является компромиссом между
энергопотреблением, дальностью действия, зависимой от частоты, на которой
75
передаются данные, и пропускной способностью. К сожалению, идеальный
вариант отсутствует, да его и быть не может.
Неизбежность компромисса между указанными тремя характеристиками
позволяет разделить различные варианты подключения на три основные
группы.
1. Высокое энергопотребление, большая дальность действия, широкая
полоса пропускания.
Для беспроводной передачи большого количества данных на большое
расстояние требуется много энергии. Варианты подключения в этой группе
включают сотовую и спутниковую связь. Сотовая связь используется, когда
датчик/устройство находится в зоне действия вышек сотовой связи. В
противном случае необходима спутниковая связь.
2. Низкое энергопотребление, малая дальность действия, широкая полоса
пропускания.
Снизить энергопотребление, сохранив большой объем передаваемых
данных (высокую скорость передачи) можно только уменьшив дальность связи.
Варианты подключения в этой группе включают Wi-Fi, Bluetooth и Ethernet.
Ethernet – это проводное соединение, радиус действия невелик, поскольку он
зависит только от длины провода. Wi-Fi и Bluetooth представляют собой
беспроводные соединения с высокой пропускной способностью и меньшим
энергопотреблением по сравнению с сотовой и спутниковой связью. Однако,
дальность связи весьма ограничена.
3. Низкое энергопотребление, большая дальность, низкая пропускная
способность.
Чтобы увеличить дальность связи при сохранении низкого
энергопотребления, необходимо уменьшить объем отправляемых данных
(уменьшить скорость передачи).
Варианты подключения в этой группе называются маломощными
глобальными сетями (LPWAN) или LoRaWAN.
LPWAN отправляют небольшие объемы данных, что позволяет работать с
очень низким энергопотреблением и дальностью действия до единиц
километров. LPWAN используется многими приложениями IoT, позволяя
множеству датчиков, размещенных на обширной территории, собирать и
отправлять данные, сохраняя при этом годы автономной работы.
Для сокращения объема отправляемых данных некоторые устройства
производят их частичную обработку самостоятельно (туманные вычисления).
Одной из принципиальных перспектив развития IoT
является внедрение технологий 5G, которые позволят
сократить нагрузку на сеть, повысить скорость передачи
данных, обеспечить универсальность и совместимость
различных «умных устройств» между собой.
Подробнее познакомиться с теорией IoT можно,
перейдя по ссылке или QR-коду.
https://disk.yandex.ru/i/RWvk48D2wCSDTA
76
3.3. Технологии блокчейн
3.3.1. Базовые понятия технологии блокчейн
В настоящее время существует множество определений блокчейна,
раскрывающие сущность данной технологии на различных уровнях понимания.
В рамках пособия приведем несколько определений, позволяющих раскрыть
сущность технологии.
В Википедии [https://ru.wikipedia.org/wiki/БЛокчейн] «блокчейн» –
выстроенная по определённым правилам непрерывная
последовательная цепочка блоков (связный список),
содержащих информацию. Связь между блоками
обеспечивается не только нумерацией, но и тем, что каждый
блок содержит свою собственную хеш-сумму и хеш-сумму
предыдущего блока.
https://disk.yandex.ru/i/1adsNByMn9-meQ
Из определения следует, что блокчейн – это база
данных, состоящая из отдельных записей, которые связаны между собой
средствами криптографии.
Анализируя другие определения, можно выделить еще некоторые
существенные стороны технологии, а именно, блокчейн использует
распределенные
технологии
хранения
данных,
защищенных
от
несанкционированного доступа, реализует технологию построения базы
данных на основе технологии систем распределенного реестра; не имеет
центрального управляющего органа.
Из сказанного следует необходимость предварительного рассмотрения
основных особенностей, понятий этой технологии.
Система распределенного реестра – это распределенная база данных,
которая хранит всю историю изменений и добавляет любые изменения с
помощью алгоритма консенсуса, который обеспечивает невозможность
подделки данных. При этом при изменении данных любым пользователем
системы все остальные пользователи узнают об этом. Поэтому данные, которые
находятся внутри системы распределенного реестра, становятся доверенными,
а все изменения – прозрачными [48, C. 2-3].
При этом в распределенном реестре данные распределяются между
несколькими сетевыми узлами или вычислительными устройствами. Важным
является тот факт, что каждый узел хранит полную актуальную копию реестра.
В распределенном реестре отсутствует единый центр управления. Каждый узел
проводит обновление реестра независимо от других узлов.
После внесения изменений в реестр любым из пользователей все
остальные узлы голосуют за обновления, чтобы удостовериться, что
большинство узлов согласны с изменениями. Голосование и достижение
согласия называется консенсусом, этот процесс выполняется автоматически.
Только когда консенсус достигнут, распределенный реестр обновляется, и
последняя версия реестра сохраняется в каждом узле.
77
Распределенный реестр реализуется на основе использования пиринговых
(peer-to-peer, точка-точка), или одноранговых сетей.
Пиринговая сеть представляет собой объединение компьютеров,
основанное на равноправии всех участников, называемых в таких системах
пирами. В пиринговой сети каждый участник сети может связаться с любым из
других и выполнять как роль клиента (получать ресурсы), так и роль сервера
(предоставление данных и обработка информации по запросу и при
необходимости выполнять вспомогательные и административные функции
(хранение списка участников, поддержка сети в актуальном состоянии). В ряде
случаев для координации работы, предоставления актуальной информации о
пользователях сети и их статусе в пиринговых сетях вводятся специальные
сервера. В этом случае пиринговая сеть называется гибридной.
После присоединения к пиринговой сети пользователи превращают свои
компьютеры в узлы этой системы (nodes) и становятся участниками с равными
правами и одинаковыми ролями. Пиринговые системы, например,
используются для совместного хранения и распространения файлов, защиты
конфиденциальной информации, проведения распределенных вычислений.
При использовании пиринговых сетей в системах распределенного
реестра данные в сети имеют определенную структуру, добавляются по
определённым правилам и после сохранения их практически невозможно
изменить или удалить.
К основным особенностям пиринговых сетей, реализующих технологии
блокчейн, можно отнести: пиринговая система является полностью
распределенной, в качестве сети используется сеть Интернет, в сети неизвестно
ни количество узлов, ни их надежность и степень доверительности [49].
Следует обратить внимание, что основная цель пиринговой системы –
управление правом владения цифровой продукцией (контракты, статьи,
дипломы, цифровые денежные средства). Поэтому важными требованием при
построении и функционировании пиринговой сети блокчейн является
обеспечение доверительности и целостности.
Технология блокчейна также должна обеспечивать и поддерживать
целостность сети, состоящей из неизвестного количества партнеров с
неизвестным уровнем надежности и доверительности.
Доверительность означает, что данные находятся в безопасности и доступ
или изменение возможны только на основе заданного протокола блокчейна.
Для обеспечения указанных требований в блокчейн используются
криптографические алгоритмы.
Доказательством права владения могут служит следующие элемента
права: идентификация владельца; идентификация объекта владения;
установление связи владельца с объектом.
Можно
выделить
три
принципа
обеспечения
безопасности:
идентификация; аутентификация; авторизация.
Идентификация означает подтверждение подлинности личности
посредством установления имени или каких-либо других признаков, которые
могут использоваться как идентификатор.
78
Аутентификация означает проверку или доказательство того, что вы
действительно являетесь тем человеком, имя которого вы назвали.
Авторизация
означает
предоставление
доступа
к
конкретно
определенным ресурсам или услугам в соответствии с характеристиками
личности, подлинность которой установлена.
Рассмотрим особенности построения сети для обеспечения выполнения
указанных задач.
Данные разбиваются на равные блоки, блоки неразрывно сцеплены друг с
другом, что исключает возможность изменения блока или вставки блока между
двумя другими блоками. В каждом блоке есть хеш-сумма предыдущих блоков,
благодаря чему изменение содержимого блока после его включения в цепочку
сразу же выявляется. Сама цепочка хранится на компьютерах всех
пользователей одновременно, автоматически обновляется и сверяется с
другими копиями, чтобы не допустить ошибок и взломов. Блоки подтверждают
точное время и порядок выполнения операций. Каждый новый блок считается
дополнительным подтверждением подлинности предыдущего блока и
блокчейна в целом.
Для идентификации данных в блокчейне используется независимое
хэширование (independent hashing), при котором применение хэш-функции к
каждому фрагменту данных осуществляется независимо друг от друга.
Хеш-функция (функция свёртки) – функция, осуществляющая
преобразование массива входных данных произвольной длины в выходную
строку установленной длины, выполняемое определённым алгоритмом.
Преобразование, производимое хеш-функцией, называется хешированием.
Исходные данные называются входном массивом, ключом или сообщением.
Результат преобразования называется хешем, хеш-кодом, хеш-суммой, сводкой
сообщения.
Хеширование – это преобразование на основе использования таких типов
математических функций (хеш-функции), которые легко шифруют
информацию и делают практически невозможным дешифрование.
Важным является детерминированность хеш-функций. Это означает, что
до тех пор, пока входные данные не изменяются, хеш-функция всегда будет
выдавать один и тот же результат.
Пример использования хеширования для проверки целостности данных
приведен на рисунке 3.9.
Принятые данные
Данные
Алгоритм
хеширования
Хеш-сумма
Сеть
Алгоритм
хеширования
Схема сравнения
Рисунок 3.9 – Алгоритм хеширования для проверки целостности
79
Сравнение криптографического хэш-значения данных, вычисленного
ранее, с новым криптографическим хэш-значением для тех же данных является
основой процедуры обнаружения изменений. Если оба хэш-значения
одинаковы, то данные не изменялись с момента генерации старого хэшзначения.
В
технологии
блокчейн
используется
хеш-функция
SHA-2
(https://ru.wikipedia.org/wiki/SHA-2).
Простым примером, поясняющим процесс хеширования, является
процесс суммирования для числовых массивов. Пусть требуется получить хеш
для
номера
телефона:
89628778967.
Суммируем
все
цифры:
8+9+6+2+8+7+7+8+9+6+7=77. Продолжим суммирование, пока не получим
один разряд: 7+7=14, 1+4=5. Тогда цифра 6 и есть хеш-функция.
Хеш-функции характеризуются рядом основных свойств.
1. Детерминированность. Многократное хеширование одного и того же
блока информации всегда будет формировать один и тот же хеш-код.
2. Уникальность. Означает, что каждому набору информации
соответствует уникальное значение хеш-кода. Замена даже одного значения
(включая регистр) исходной информации приведет к кардинальному
изменению хеш-кода.
3. Необратимость. Не существует обратной функции, по которой по
значению хеш-кода можно восстановить исходную информацию. Перебор всех
возможных вариантов позволит восстановить информацию, но теоретически
время перебора бесконечно.
4. Высокая скорость хеширования. Время формирование хеш-кода
практически не зависит от размера массива информации.
5. Коллизионная устойчивость. Означает, что вероятность совпадения
хеш-кодов для двух разных блоков информации стремится к нулю.
Технология блокчейна тесно связана с хэш-ссылками. Цепочка связанных
данных, также называемая связанным списком (linked list), образуется, когда
каждый фрагмент данных содержит хэш-ссылку на другой фрагмент данных.
Другими словам, каждый блок данных включает в свое содержание в
результат хеширования предыдущего блока.
Пример использования хеш-ссылок приведен на рисунке 3.10.
Хеш-код
предыдущего блока
Хеш-код
предыдущего блока
Данные блока
Данные блока
Хеш-код блока
Хеш-код блока
Рисунок 3.10 – Пример хеш-ссылок.
В технологии блокчейна хэширование используется для выполнения
следующих задач: хранение данных транзакций способом, при котором
80
отслеживаются и контролируются любые изменения данных; создание
цифровых отпечатков для данных транзакций.
Помимо хэш-функций в блокчейне активно используется еще одна
базовая технология – асимметричная криптография (asymmetric cryptography).
Это основа для идентификации пользователей в блокчейне и для защиты их
собственности.
Блокчейн-система должна быть абсолютно уверена в том, что только
законный владелец имеет возможность передавать свою собственность другим
учетным записям. Именно здесь на первый план выходит концепция
авторизации, основанная на цифровой подписи.
Электронная цифровая подпись определяется как реквизит электронного
документа, полученный в результате криптографического преобразования
информации с использованием закрытого ключа подписи и позволяющий
проверить отсутствие искажения информации в электронном документе с
момента формирования подписи (целостность) и принадлежность подписи
владельцу сертификата ключа подписи (авторство).
В криптографических системах с открытым ключом используются два
ключа: ключ шифрования и ключ дешифрования. При этом получить один
ключ из другого не представляется возможным. Открытый ключ используется
для шифрования информации, а закрытый ключ используется получателем для
расшифровки.
Упрощенный алгоритм функционирования такой системы может быть
пояснен следующим образом.
Генерируется случайный закрытый ключ (средствами криптографии) и по
определенному алгоритму подбирается к нему открытый ключ. При этом для
любого закрытого ключа существует только один вариант открытого.
Открытый ключ пересылается по открытым каналам связи отправителю
сообщения. Получив открытый ключ, отправитель с помощью открытого ключа
зашифровывает сообщение и отправляет его получателю. Получатель
расшифровывает сообщение, используя закрытый ключ из пары с открытым
ключом. Следует иметь в виду, что открытым ключом нельзя расшифровать
сообщение.
На рисунке 3.11 приведен алгоритм использования криптосистемы с
открытым ключом
Данные
Шифрование
Открытый
ключ
Дешифрование
Формирование
ключей
Данные
Закрытый
ключ
Рисунок 3.11 – Алгоритм использования криптографии с открытым ключом
Разновидностью использования криптографии с открытым ключом
является электронная цифровая подпись (ЭЦП), которая отличается от
классического применения асимметричного шифрования двумя моментами:
81
– для ЭЦП используется шифрование не данных (они остаются в
открытом виде), а хеш-кода, сформированного из данного сообщения;
– подписание (шифрование хеш-кода) производится с применением
закрытого ключа, а проверка подписи (дешифрование) – с применением
открытого. Это необходимо для того, чтобы расшифровать и проверить
подпись смог любой.
Упрощенная схема принципа действия электронной подписи приведена
на рисунке 3.12.
Документ
Хеширование
(хеш-код)
Шифрование
закрытым
ключом
Документ
Электронная
подпись
Хеширование
(хеш-код)
Дешифрование
открытым
ключом
Сравнение
хеш-кодов
Определение
хеш-кода
Электронная подпись
Рисунок 3.12 – Упрощенный алгоритм работы электронной цифровой подписи
С учетом вышеизложенного материала рассмотрим упрощенный
алгоритм построения распределенного реестра по технологии блокчейн.
3.3.2. Алгоритм построения распределенного реестра по технологии
блокчейн
Материал параграфа составлен на основе дорожной карты развития
«сквозной» цифровой технологии «Системы распределенного реестра» [48].
В системе распределенного реестра каждый участник системы хранит
всю историю изменений и валидирует добавление любых изменений в систему
с помощью алгоритма консенсуса, что соответствует технологии блокчейна.
Введем некоторые определения.
Блок (block) – непрерывно записываемые файлы, содержащие
информацию о нескольких произошедших транзакциях и формирующие новые
блоки в виде цепочки.
Транзакция – результат обработки информации внутри сети,
подписанный открытым ключом пользователя. Это событие, при проведении
которого обновляется информация в системе. Причем изменение данных
происходит у всех подключенных к сети устройств. Транзакции в системе
можно разделить на подтвержденные и неподтвержденные. Первыми называют
те транзакции, которые были включены в систему. К неподтвержденным
82
относятся транзакции, не включенные в блок транзакций. Подтвержденные
транзакции нельзя изменить и удалить.
Примеры транзакций: перевод денег; покупка и угощение участника
процесса кофе; передача активов; перевод биткоинов участнику сети.
Каждый
участник
сети
получает
открытый
и
закрытый
идентификационные ключи.
Блок транзакций – данные, содержащие набор из одной или нескольких
снабженных отметками времени транзакций, и, возможно, дополнительной
информацией.
Консенсус – решение о включении определенного блока в блокчейн,
достижение которого возможно лишь после проверки.
Рассмотрим процесс создания распределенного реестра на двух уровнях
сложности.
Работа системы на первом уровне [49].
Первый блок, называемый генезиз-блок, формируется вручную. Этот
блок содержит данные, необходимые для системы. Затем, в цепочку начинают
последовательно добавляться новые блоки. Каждый вновь созданный блок
содержит блок транзакций, хеш-код, цифровую подпись владельца блока, хешссылку и служебную информацию, включая заголовок. В случае консенсуса
созданный блок подсоединяется к концу цепочки. Как только это произошло,
внести в него изменения уже невозможно. Помимо транзакций блок хранит
хеш-ссылку на предыдущий блок. Именно благодаря наличию хеш-ссылок
сохраняется безопасность и децентрализованность всей системы. Цепочка
блоков обновляется у всех участников сети.
Упрощенно указанный алгоритм может быть представлен в виде схемы
(рисунок 3.13)
Заголовок
Заголовок
Хеш предыдущего
блока
Хеш предыдущего
блока
Транзакции блока
Транзакции блока
Хеш блока
Хеш блока
ЭЦП
ЭЦП
Рисунок 3.13 – Упрощенная схема формирования реестра
Структура блока технологии блокчейн (второй уровень).
Каждый блок состоит из адреса, даты и времени создания, хэша и
списка транзакций.
83
– Адрес блока – публичный ключ пользователя (как уже отмечалось,
каждый пользователь имеет два ключа: открытый и закрытый,
сформированный по технологии криптографии с открытым ключом).
– Дата и время создания блок (каждая транзакции блока тоже имеет
дату и время создания);
– Хеш-ссылка (связующий хеш) вычисляется с помощью хеш-функции
от адреса предыдущего блока и суммы хэшей всех транзакций текущего блока.
– Собственно данные (транзакции) – сообщение, данные диплома,
данные о переводе денег, документы, и т.д.
Пример структуры блока приведен на рисунке 3.14.
Адрес: DHJ6TYH456KJHR
Дата и время: 12.05.2021 18:43
Хеш-ссылка: SHOPVJ3HF
Дата и время: 11.05.2021 10:43
ЭЦП: CM12KJDHGF456
Информация: номер диплома 1
Дата и время: 11.05.2021 10:43
ЭЦП:SKIOP783MJN389
Информация: номер диплома 2
Рисунок 3.14 – Структура блока
В распределенном реестре определены следующие роли:
– Пользователь – участник реестра с правом вносить изменения в реестр.
– Валидатор – узел, которому делегировано право обновления реестра
– Посредник – промежуточное технологическое звено между системой и
внешними участниками.
– Администратор – провайдер определенных услуг в системе.
В настоящее время основными направлениями использования
распределенного реестра являются:
– финансовые и биржевые платформы;
– различного уровня реестры;
– интеллектуальная собственность;
– интернет вещей;
– платформы для онлайн голосований;
Широкое применение технология блокчейн может найти и в
образовании. Возможными направлениями такого применения являются
следующие.
1. Создание безопасной информационной базы, поддающейся проверке
данных о достижениях, квалификации, интеллектуальной собственности
(электронное портфолио).
84
2. Создание единого реестра документов об образовании, повышении
квалификации и т.д.
3. Улучшение потока данных между учебными заведениями и
работодателями.
4. Реализация дифференцированной системы обучения с реестром
освоенных курсов и определения готовности к профессиональной
деятельности.
5. Дифференциация стоимости обучения в зависимости от количества
часов обучения в очном режиме и онлайн режиме, самостоятельно освоенных
дисциплин.
6. Устранение проблемы плагиата и др.
Более подробно о технологии блокчейн
можно узнать, например, в книге А. Цихилова
«Блокчейн. Принципы и основы»
https://disk.yandex.ru/i/pKmZBp-e4odyew
85
4. Риски цифровых технологий и информационная
безопасность
Цифровые технологии проникают во все сферы жизнедеятельности
человека, их влияние на экономические и социальные процессы в обществе
становится все весомее. Развитие цифровых технологий, с одной стороны,
необходимо для повышения эффективности управления в организациях и
госуправлении, развития экономики в целом, а с другой – вызывает целый ряд
этических
коллизий,
включая
нарушение
приватности
граждан,
дискриминацию отдельных категорий людей, цифровое неравенство и т. д.
Полностью обезопасить себя от сбора цифрового следа, опасности
раскрытия или несанкционированного использования персональных данных не
получится, даже если избавиться от компьютера и телефона и полностью
исключить взаимодействие с всемирной сетью.
Сбором, анализом и обработкой цифровых данных граждан занимаются и
государство, и частные компании. Бизнесу нужны данные для обучения
искусственного интеллекта (например, для онлайн-рекламы и онлайнторговли). Государству нужны данные для принятия управленческих решений,
эффективного взаимодействия с гражданами, обеспечения национальной
безопасности.
При этом возникают определенные риски, сконцентрированные, в
основном, в трех областях – обработке данных с помощью алгоритмов
искусственного интеллекта, видеонаблюдении, сборе данных в интернете.
Наиболее распространенными рисками являются:
– нарушение приватности (в большом массиве разрозненные данные
работают как персональные);
– разглашение персональных данных;
– скрытые манипуляции пользователем.
Самым массовым риском становится нарушение приватности.
Определение границ этичного доступа к данным — сложная проблема,
затрагивающая разные заинтересованные стороны (граждан, государство,
корпорации, общественные институты) и требующая комплексного решения.
Также стоит отметить, что большую часть данных о себе в сети пользователь
оставляет сам.
Алгоритмы ИИ способны получать новую персональную информацию о
людях путем анализа больших данных, извлекать ее из метаданных. Собирая
все больше данных о человеке в цифровом профиле, владелец алгоритма
(компания, государственная организация) может с высокой степенью точности
предсказать, что дальше будет посещать и слушать данный пользователь, за
кого он склонен проголосовать, с помощью чего можно им манипулировать и
многое другое. Рассказывая о своих вкусах, предпочтениях, местах и сайтах,
где они бывали, люди не задумываются о том, что когда-то (возможно, через
годы) кто-то воспользуется этой информацией для каких-либо своих целей.
86
Данные пользователей приобретают серьезную ценность, что побуждает
большую заинтересованность в этих данных различных организаций. Ради
увеличения прибыли компании легко идут на нарушение прав пользователей
при обработке их данных.
Например, компании Google, Facebook, Amazon, Microsoft собирали и
обрабатывали миллионы аудиозаписей, куда помимо устных команд голосовым
помощникам и «умным» колонкам попадали фрагменты разговоров и другие
звуки. Запись велась автоматически, без предупреждения пользователей, а
данные использовались для обучения ИИ распознавать человеческую речь.
Все более популярны и доступны становятся устройства интернета
вещей, носимые на теле человека: фитнес-браслеты, «умные» наручные часы,
очки типа Google Glass. Носимые устройства могут применяться для
отслеживания жизненно важных показателей о здоровье пользователя (и
обнародования этих данных), его местонахождении и т.п.
Все носимые устройства собирают персональные данные пользователя:
данные о местоположении, физической активности, скорости движения.
Благодаря датчикам скорости, температуры, позиционирования в смартфонах
мобильные операторы знают, кому мы звоним, что покупаем, какие сайты
посещаем в интернете, куда ходим. Если работодатель может отследить
поведение сотрудника через приложение на его смартфоне, возникают
юридические и этические вопросы. Можно ли наказать сотрудника за
нарушение корпоративных процедур на основании подобных данных? Нужно
ли информировать сотрудников, что за ними следят?
Устройства интернета вещей и связанные с ними приложения обычно
требуют регистрации. Предоставляемые при этом данные, собранные самими
приложениями, в сумме составляют полноценный цифровой портрет человека,
«слепок» его личности. При этом далеко не все устройства взаимодействуют с
пользователем на основании какого-либо согласия. Возникает вопрос, что
происходит дальше с полученными данными, у кого есть к ним доступ?
Массовый пользователь сегодня не успевает за развитием технологий. В
результате люди нередко дают согласие на те или иные операции, не имея
четкого представления об их содержании.
Существует «цифровой разрыв» между специалистами и начинающими
пользователями. Государство предпринимает конкретные меры для закрытия
этого разрыва.
Соблюдение норм информационной избирательности, этики и этикета
зафиксировано во ФГОС НОО в качестве метапредметного результата:
«формирование навыков и умений безопасного и целесообразного поведения
при работе с компьютерными программами и в Интернете, умения соблюдать
нормы информационной этики и права» 16.
Одним из предметных результатов освоения обучающимися курса
информатики на уровне основного общего образования является: «умение
использовать средства информационных и коммуникационных технологий в
решении когнитивных, коммуникативных и организационных задач с
соблюдением требований эргономики, техники безопасности, гигиены,
87
ресурсосбережения, правовых и этических норм, норм информационной
безопасности» 15.
Такое пристальное внимание к формированию необходимых для жизни и
работы в условиях цифровой экономики компетенций обусловлено еще и тем,
что современные школьники в течение дня достаточно много времени проводят
в сети, причем этот процесс по многим объективным причинам слабо
контролируется со стороны их родителей. В связи с этим необходимо
формировать у них знания о правилах цифровой гигиены, нормах поведения в
Интернете, важности неразглашения персональных данных, так как тотальное
блокирование подозрительных сайтов невозможно.
Утверждение о том, что в настоящее время угроза информационной
безопасности детей и подростков небезосновательно, реальности и примеры из
жизни тому подтверждение. Безопасность существенным образом зависит от
личной информационной среды обучающихся.
Имеет место настоятельная необходимость осуществлять контроль,
анализ ситуации с информационной безопасностью, предпринимать
превентивные меры просветительского, организационного, воспитательного
характера, оперативно корректировать методы и средства обеспечения
информационной безопасности в соответствие со сложившейся ситуацией.
Цель может быть достигнута только при планировании и реализации
обоснованного комплекса мер, направленных на обеспечение информационной
безопасности.
Определим подходы к формированию модели информационной
безопасности школьника. Возможное решение проблемы информационной
безопасности
заключается
в
организации
безопасного
личного
информационного пространства как в школе, так и семье.
Одним из главных фильтров деструктивных воздействий на школьника из
внешней среды, а также условием обеспечения информационной безопасности
является собственно информационно-образовательная среда школы.
Анализ имеющихся разработок и опыта образовательных учреждений
позволяют
определить
риски,
угрозы,
классифицировать
факты
информационной безопасности школьников и построить модель обеспечения
комплексной информационной безопасности (рисунок 4.1).
Целью и результатом реализации модели должно служить
формирование информационно-безопасной личности выпускника, поскольку
на разных этапах взросления школьники по-разному воспринимают угрозы и
по-разному на них реагируют. В связи с этим процесс формирования
«иммунитета» к рискам, угрозам носит динамичный не одномоментный
характер.
Объектом информационной безопасности в данной модели является
личная информационная среда школьника, в рамках которой создаются и
формируются условия обеспечения безопасности.
88
Рисунок 4.1 – Модель обеспечения информационной безопасности школьников
Угрозы информационной безопасности школьников рассматриваются
как совокупность факторов и условий, возникающих в процессе
взаимодействия объекта безопасности с другими объектами (субъектами).
Структура угроз включает в себя всю систему приемов, средств, методов и
способов воздействия на личность информации негативной направленности.
К факторам информационно-образовательной среды, которые могут
стать опасностями информационной безопасности школьников, исследователи
данного вопроса относят следующие:
– доступность и неограниченный объем поступающей к ребенку
информации;
– наличие в информационной среде средств манипуляции сознанием,
воздействующих на психические и физиологические системы человека;
– наличие в информационном контенте специфических элементов,
целенаправленно изменяющих психофизиологическое состояние детей и
подростков.
Одним из источников формирования внешней средой деструктивных
воздействий на личность является цифровой след личности, оставляемый в
результате реализации различных коммуникативных практик в интернете.
Под цифровым следом понимается значимая информация, выраженная
посредством сигналов в форме, пригодной для обработки с использованием
89
компьютерной техники, в результате создания определенного набора
двоичного машинного кода либо его преобразования, выразившегося в
модификации, копировании, удалении или блокировании, зафиксированная на
материальном носителе, без которого не может существовать. Объективное
формирование цифрового следа требует соответствующих реакций на
поведение школьников в сетевом пространстве.
По существу, под цифровым следом понимается вся генерируемая
пользователем интернет совокупность данных, которые, так или иначе,
остаются в цифровом пространстве, т.е. это информация о конкретном
человеке, которая существует в Интернете в результате его онлайн-активности
и представлена на техническом уровне как набор признаков сетевого субъекта,
зафиксированных в виде электронных записей. Каждый день, хотят этого или
нет, большинство пользователей вносят свой вклад в растущий след, в
формирование собственного «цифрового портрета», который является более
публичным, чем пользователи предполагают – приватность в Интернете не
более, чем миф, иллюзия нерегулируемой приватности. В сети не удастся
существовать бесследно: наша сетевая активность, как и пассивность, по сути,
и есть оставление «цифрового следа».
Технические возможности Интернета делают цифровые следы
многообразными и комплексными, их подразделят на две основные категории:
активные и пассивные. К пассивному следу относятся посещаемые ресурсы и
просматриваемая или загружаемая из сети информация, которую можно также
разделить на текстовую, фото-, аудио- и видеоинформацию. К активному следу
относится информация, размещаемая и продуцируемая самим человеком в
сети, имеющая вышеуказанные форматы. Следует отметить, что особый след
формируют поисковые запросы, совмещающие как активность, так и
пассивность. Это обусловлено тем, что запрос на размещение информации
представляет собой активный акт человека, а в случае запроса на получение
информации – пассивный акт.
В силу многомерности цифрового следа целесообразно рассматривать
как собственно его сущность, так и угрозы информационной безопасности
человека с технико-технологической и гуманитарной позиций.
С гуманитарной точки зрения цифровой след является «цифровой
проекцией» («цифровым отпечатком») жизни и личности человека, поскольку
в нём явно отражаются его интересы уровень культуры, интеллектуального и
социального развития, потребности и др.
Почему мы акцентируем внимание на цифровом следе? Да потому, что
это дверь, которую могут открыть злоумышленники, недруги и т.п., то есть те,
кто потенциально может быть источником угрозы. А в условиях
интеллектуализации всех процессов таковыми могут быть не только люди, но
и техника.
Анализируя различные целевые подходы к обработке цифровых следов
с гуманитарной позиции, можно выделить языковый, социальный,
90
психологический, педагогический и антропологический аспекты. Обозначим
гуманитарные подходы к анализу цифрового следа: языковый, социальный,
психологический, педагогический и философский.
В рамках языкового аспекта, опираясь на понимании неразрывной связи
языка и информации, через призму языка возможна оценка коммуникативных
стратегий человека, реализуемых в Интернете. Это базируется на
существенном отличии речевых продуктов, производимых человеком в сети,
от аналогичных продуктов, представляемых в других формах.
Поведение человека в Интернете как социальное взаимодействие
рассматривается в рамках социального подхода. Предметом исследования и
анализа при этом являются содержательные и процессуальные отличия
социальных коммуникативных взаимодействий в реальном мире и в цифровом
пространстве.
Предметом анализа при психологическом подходе являются
психические свойства и характеристики человека, проявляющиеся при
общении и поведении в сети. Изучение особенностей коммуникативных актов
в рамках социальных групп позволяет говорить о социально-психологическом
подходе.
Педагогический подход основан на том факте, что коммуникативное
взаимодействие пользователей сети между собой или с информационными
базами подразумевает обмен знаниями. Анализу подвергается полезность,
нейтральность или вредность информации с точки зрения интеллектуального,
культурного, нравственного развития человека.
На наш взгляд, немаловажным, но наименее изученным, является
антропологический подход, базирующийся на зарождающемся направлении
цифровой антропологии как области социальной и культурной антропологии,
занимающийся изучением проблем антропологических аспектов цифровых
технологий, в том числе взаимодействия человека и цифровых технологий, и,
как надо полагать, угрозами личности, возникающими при деструктивном
использовании информации, полученной из цифрового следа.
Общую роль интернета в гуманитарном подходе выполняют
аксиологические, гносеологические и онтологические аспекты философского
подхода.
В соответствии с предлагаемой классификацией можно детализировать
«узкие места» коммуникативных практик школьников с целью разработки мер
компенсирующего, превентивного характера. Сказанное является только
гипотезой, требующей серьезной разработки. Наличие «узких» или «слабых»
мест в коммуникативной практике и есть те «лазейки», через которые
возможно деструктивное воздействие.
На сегодняшний же момент нужны уже апробированные, результативные
практики решения задач информационной безопасности школьников. Одним из
направлений деятельности педагогов, психологов являются- :
91
– формирование у школьников общекультурных навыков работы с
информацией;
– создание условий для формирования умений, необходимых для
различных форм коммуникации;
– формирование знаний, позволяющих эффективно и безопасно
использовать технические и программные средства для решения различных
задач;
– формирование знаний, умений, создание мотивационных стимулов и
воспитание ответственности, позволяющих решать с помощью цифровых
устройств и интернета различные повседневные задачи, связанные с
конкретными жизненными ситуациями, предполагающими удовлетворение
различных потребностей;
– формирование навыков критического отношения к информационному
контенту;
– обеспечение условий соблюдения этических норм в целях обеспечения
личной информационной безопасности (Таблица 2)
Основные этические нормы для обеспечения собственной информационной
безопасности и осведомленность о своих правах в информационной сфере по
возрасту или уровню образования
Таблица 2.
Возраст или
уровень
образования
Дошкольный
(5-7 лет)
Этические и поведенческие нормы
для обеспечения собственной
информационной безопасности
Понимает
необходимость
неразглашения своих персональных
данных и данных о своих близких в
публичном
пространстве
(на
открытых информационных ресурсах)
как необходимость для собеседников
и для себя лично. Не использует
социальные
ситуации
для
получения/разглашения
конфиденциальной
информации
других людей.
Использует пароли и коды для
защиты
персональных
устройств
работы с информацией
92
Осведомленность о своих
правах в информационной
среде
Осознает свое право доступа к
информации, относящейся к
категории
общедоступной.
Использует
общедоступные
источники информации для
образования и досуга.
Начальное
общее
образование
(8-11 лет)
Основное
общее
образование
(12-16 лет)
Среднее
общее
образование
(17-18 лет)
Может
определить
ненадежные/неэтичные
сетевые
ресурсы по очевидным признакам,
понимает потенциальную опасность
их использования.
Предпринимает
действия,
позволяющие
избежать
утечки
персональных
данных
(не
регистрируется на сомнительных
ресурсах, не использует одинаковый
пароль в разных учетных записях,
меняет
пароль
с
постоянной
регулярностью)
Умеет классифицировать контент на
допустимый и недопустимый в
зависимости
от
социальной
и
правовой ситуации.
Может объяснить риски, связанные со
слабыми
паролями,
отсутствием
шифрования,
небезопасными
транзакциями
и
сохранностью
данных; применяет дополнительные
способы
защиты
информации
(двухфакторная аутентификация и пр.)
и защиты от социальной инженерии.
Понимает и использует различные
средства
шифрования
и
аутентификации, понимает назначение
и процедуру получения электронной
цифровой
подписи,
умеет
использовать
ЭЦП,
понимает
юридические
последствия
её
использования.
Определяет стратегии защиты личной
рабочей
среды,
может
найти
компромисс между простотой доступа
и потребностью в безопасности,
выбрать методы аутентификации с
учетом сравнения нескольких точек
зрения
о
кибербезопасности
(например,
экспертов
по
безопасности,
защитников
конфиденциальности
и
правительства).
Осознает
существующие
ограничения на использование
цифрового
контента
в
публичном пространстве (не
использует чужие ресурсы без
идентификации
источника)
понимает
последствия
невыполнения
соглашений
(правил
ведения
сетевых
дискуссий,
способов
идентификации источника и пр.)
Определяет ситуации нарушения
авторских и патентных прав,
соблюдает авторские права,
следует лицензионной политике
при использовании и разработке
цифрового
контента,
при
установке
программного
обеспечения.
Понимает
права
субъектов
персональных данных, условия
обработки
персональных
данных, сопоставляет различные
схемы
лицензирования
программного
обеспечения
(например,
с
открытым
исходным кодом, бесплатное,
коммерческое);
понимает
понятие плагиата, использует
сервисы проверки текста на
заимствования
Понимает различные условия
предоставления
доступа
к
информации, представление о
дистрибьютерских правах; имеет
представление
о
законодательстве
в
информационной сфере для
регулирования
отношений,
которые возникают в цифровой
экономике.
Большинство из перечисленных направлений деятельности педагогов и
психологов по обеспечению условий безопасности личной информационной
93
среды школьников, проецируемых собственно на личность школьника,
объединяется единым термином «цифровая гигиена»
Правила цифровой гигиены не новы, просты и понятны, но их
соблюдение может существенно снизить риски и последствия угроз
информационной безопасности. Чтобы соблюдать их, не нужно специальных
знаний и продолжительных курсов обучения. Но это вовсе не отвергает более
фундаментальную подготовку всех участников образовательного процесса в
области информационной безопасности. В Приложении 1 приведен
содержательный фрагмент учебной программы «Цифровая гигиена», а
Приложении 2 – фрагмент блока тестовых заданий для самоконтроля и
самооценки уровня сформированности компетенций, относящихся к
информационной безопасности.
Основные правила цифровой гигиены
1. Не пишите пароли на листочках и не сохраняйте в файлах на
компьютере, не произносите их вслух при вводе, не размещайте там, где их
легко увидеть постороннему человеку или веб-камере (Например, голландский
журналист подключился к закрытой видеоконференции министров обороны
Евросоюза, которая проводилась в Zoom. Код встречи и пароль для
подключения он смог разобрать на одной из фотографий в Twitter министра
обороны Нидерландов).
2. Не «запоминайте» пароли в браузерах и не пользуйтесь программами
автоматического ввода. Это удобно, но небезопасно: существуют вирусы и
программы для взлома такого ПО, чтобы похищать пароли. Кроме того, если
компьютер не ваш личный, то вы не можете проконтролировать, кто еще
получит доступ к вашим данным.
3. Придумывайте надежные комбинации паролей. Пароль вроде «qwerty»
легко подбирается вручную. Надежный пароль должен содержать не менее 8
символов и состоять из заглавных и строчных букв, цифр и специальных
символов.
4. Не пользуйтесь одним и тем же паролем для доступа к разным
ресурсам. Если хакеры взломают один сайт, на котором вы использовали
пароль, то все остальные ваши учетные записи с тем же паролем автоматически
станут им доступны.
5. Не давайте другим людям доступ к своей учетной записи.
6. Включайте на устройстве, с которого заходите в Сеть, антивирус и
старайтесь избегать подозрительных ресурсов.
7. Скачивайте приложения только из доверенных источников: с сайта
производителя или из официальных магазинов приложений.
8. Проверяйте адресную строку браузера, чтобы удостовериться, что вы
действительно находитесь на нужном вам сайте.
9. Не переходите по рекламным баннерам, не скачивайте файлы с
незнакомых или подозрительных сайтов.
10.Регулярно обновляйте браузер и антивирус.
94
Правила безопасного размещения личных данных в социальных сетях
По статистике, первым местом для сбора информации о конкретной
личности или организации являются социальные сети. Зачастую достаточно
изучить страницы (аккаунты) в социальных сетях, чтобы получить практически
полное представление о человеке. Поэтому крайне важно всегда отдавать себе
отчет: для чего вы размещаете ту или иную информацию или оставляете тот
или иной комментарий, как это вас характеризует, и какие последствия может
иметь.
При регистрации в социальной сети необходимо внимательно прочитать
пользовательское соглашение, чтобы понять, каким образом могут
использоваться ваши персональные данные.
В профиле желательно указывать минимально необходимый набор
информации вплоть до того, что можно не указывать свои настоящие имя и
фамилию, если не хотите, чтобы вас могли найти в социальной сети. К
примеру, распространенной практикой является поиск профиля соискателя в
социальных сетях для получения большего количества информации о нем.
Нужно настроить необходимый уровень приватности: кто может заходить
на страницу в соцсети, комментировать записи, добавляться в друзья, писать
сообщения и т. д.
Не стоит сообщать о своем текущем местоположении, ведь эта
информация может быть использована злоумышленниками с целью
совершения кражи.
Не афишируйте свой уровень дохода и уровень жизни, ведь это также
может спровоцировать совершение противоправных действий против вас или
членов вашей семьи.
Не размещайте компрометирующие себя или других лиц фотографии и
материалы.
Не делайте записи, которые могут обидеть других пользователей
социальных сетей и не только их.
Не размещайте информацию, распространение которой запрещено на
территории РФ.
95
Литература
1. Болотова Л.С. Системы искусственного интеллекта: модели и онтологии,
основанные на знаниях: учебник / ФГБОУ РГУИТП; ФГАУ ГНИИ ИТТ «Информика». –
Финансы и статистика, 2012. – 664 с.
2. Концепция развития технологического образования в системе общего образования
Российской
Федерации
(проект)
URL:
http://www.predmetconcept.ru/public/f48/download/Koncepcija_Tehnologija_02_09_16.pdf
3. Концепция преподавания предметной области «Технология» в образовательных
организациях Российской Федерации, реализующих основные общеобразовательные
программы. URL: http://uchutrudu.ru/kontseptsiya-predmetnoy-oblasti-2019/
4. Тьюринг А. Могут ли машины мыслить? – М.: Физматлит, 1960. – 67 с.
5. Бахтеев Д.В. Предпосылки становления и этапы развития технологии
искусственного интеллекта // Genesis: исторические исследования. – 2019. – № 8. – С. 89 - 98.
URL: https://nbpublish.com/library_read_article.php?id=30382.
6. Гринфилд А. Радикальные технологии: усиройство повседневной жизни / Адам
Гринфилд; пер. с англ. И. Кушнареврй. – Издательский дом «Дело№ РАНЧиГС, 2018. – 434
с.
7. Указ Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного
интеллекта в Российской Федерации». URL: https://sudact.ru/law/ukaz-prezidenta-rf-ot10102019-n-490/natsionalnaia-strategiia-razvitiia-iskusstvennogo-intellekta/
8. ГОСТ Р 59277-2020. Системы искусственного интеллекта. Классификация систем
искусственного интеллекта. Утвержден и введен в действие Приказом Федерального
агентства по техническому регулированию и метрологии от 23 декабря 2020 г. N 1372-ст.
9. Советов, Б.Я. Информационные технологии : учебник для прикладного
бакалавриата / Б.Я. Советов, В.В. Цехановский. – 7-е изд., перераб. и доп. – М: Издательство
Юрайт, 2019. – 327 с.
10. Поспелов Г.С. Искусственный интеллект – основа новой информационной
технологии. – М: Наука, 1988. – 280 c.
11. Технологии искусственного интеллекта. [Электронный ресурс] URL: https://googl.ru/hhZWK ( дата обращения от 25.03.2021).
12.
10
Roles
For
Artificial
Intelligence
In
Education.
URL:
https://www.teachthought.com/the-future-of-learning/10-roles-for-artificial-intelligence-ineducation/
13. William Goddard. AI in Education. URL: https://itchronicles.com/artificialintelligence/ai-in-education/
14. Intelligent Adaptive Learning: An Essential Element of 21st Century Teaching and
Learning [Сайт]. URL:http://www.dreambox.com/white-papers/intelligent-adaptive-learning-anessential-element-of-21st-century-teaching-and-learning (дата обращения: 03.05.2021).
15. Бурняшов Б.А. Персонализация как мировой тренд электронного обучения в
учреждениях высшего образования // Современные проблемы науки и образования. – 2017. –
№ 1; URL: http://www.science-education.ru/ru/article/view?id=26078 (дата обращения:
06.05.2021).
16. Стефанюк В.Л. Теоретические аспекты разработки компьютерных систем
обучения. Учебное пособие: Саратов: СГУ, – 1995. – 98 с.
17. Алешева Л.Н. Интеллектуальные обучающие системы. // Социальные технологии
и процессы. Вестник университета, – 2018. – № 1. – С. 149-155.
18. ЮНЕСКО. Пекинский консенсус по искусственному интеллекту и образованию. –
2019. – C. 46. [Электронный ресурс] URL: https://unesdoc.unesco.org/ark:/48223/pf0000368303
( дата обращения от 25.03.21).
19. Педагогика: учебник и практикум для среднего профессионального образования /
96
Л.С. Подымова [и др.]; под общей редакцией Л.С. Подымовой, В.А. Сластенина. – 2-е изд.,
перераб. и доп. – М.: Издательство Юрайт, 2017. – 246 с.
20. В КНР появился первый школьный учебник по основам искусственного
интеллекта // РИА Новости. 28.04.2018. URL: https://ria.ru/20180428/1519657500.html (дата
обращения: 30.03.2021).
21. Садыкова А.Р. Левченко И.В. Искусственный интеллект как компонент
инновационного содержания общего образования: анализ мирового опыта и отечественные
перспективы. // Вестник Российского Университета Дружбы Народов. Серия:
Информатизация Образования. – 2020. – № 3 (17). – С. 201-209.
22. Босова Л.Л. Современные тенденции развития школьной информатики в России и
за рубежом // Информатика и образование. – 2019. – № 1. – C. 22-32.
23. Ясницкий Л.Н. Искусственный интеллект. Элективный курс : учебное пособие
/Л.Н. Ясницкий. – М. : БИНОМ. Лаборатория знаний, 2011. – 197 с.
24. Ясницкий Л.Н., Черепанов Ф.М. Искусственный интеллект. Элективный курс:
Методическое пособие по преподаванию. – М. : БИНОМ. Лаборатория знаний, 2011. – 197 с.
25. Поспелов Д.А. Становление информатики в России // Информатика, 1999, – № 19.
– С .7-10.
26. Информатика. Энциклопедический словарь для начинающих. Под. ред.
Д.А.Поспелова. - М.: Педагогика-Пресс, 1994. – 352 с.
27. Колин К.К. О структуре и содержании образовательной области "информатика" //
Информатика и образование. 2000. – №10. – С. 5-10.
28. Информатика. Базовый курс [Текст] : учебник 7-9 классы / И. Г. Семагин, Л. А.
Залогова, С. В. Русаков, Л. В. Шестакова. – 2-е изд. - Москва : Лаборатория Базовых Знаний,
1999. – 378 с.
29. Каймин В.А., Щеголев А.Г., Ерохина Е.А., Федюшин Д.П. Основы информатики и
вычислительной техники. Учебник для 10-11 классов средней школы. – М.: Просвещение,
1989. – 272 с.
30. Калинин И.А., Самылкина Н.Н. Информатика. – М.: БИНОМ. Лаборатория
знаний, 2013. – 212 с.
31 Лапчик М.П., Семакин И.Г., Хеннер Е.К. Методика преподавания информатики. –
М.: Акад.емия, 2001. – 624 с.
32. Садыкова А.Р., Левченко И.В. Искусственный интеллект как компонент
инновационного содержания общего образования: анализ мирового опыта и отечественные
перспективы. // Вестник РУДН. Серия: Информатизация образования. – 2020. – Т. 17. – № 3.
– С. 201–209.
33. В российских школах начнут изучать искусственный интеллект. URL: https://
rg.ru/2020/02/21/v-rossijskih-shkolah-nachnut-izuchat-iskusstvennyj-intellekt.html (Дата обращения: 25.04.2021).
34. Корчажкина О.М. Искусственный интеллект в программе средней школы: чему
учить? // Вестник МГПУ. Серия: Информатика и информатизация образования. – 2019. – №
3(49). – С. 29-42.
35. Семакин И. Г., Ясницкий Л. Н. О возможностях преподавания «Искусственного
интеллекта» в общеобразовательной школе. http://www.lbz.ru/metodist/lections/12/
36. Christopher R. Wolfe & Colin L., The development and analysis of tutorial dialogues in
AutoTutor Lite. // Psychology, Medicine. Behavior Research Methods – 2013. pp. 623-636. URL:
https://www.researchgate.net/publication/290089373_AutoTutor.
37. Institute for Ethical AI in Education publishes new guidance for procuring AI teaching
tools. URL: https://edtechnology.co.uk/teaching-and-learning/institute-for-ethical-ai-in-educationpublishes-new-guidance-for-procuring-ai-teaching-tools/
38. Murphy Robert F. . Artificial Intelligence Applications to Support K–12 Teachers and
Teaching. URL: https://www.rand.org/pubs/perspectives/PE315.html
39. Chong Guan, Jian Mou, Zhiying Jiang. Artificial intelligence innovation in education: A
97
twenty-year data-driven historical analysis // International Journal of Innovation Studies. – 2020, –
№4.
–
Pages
134-147.
URL:
https://www.sciencedirect.com/science/article/pii/S2096248720300369.
40. Душкин Р. В. Искусственный интеллект. – М.: ДМК Пресс, 2019. – 280 с.
41. Dendev Badarch. Informatsionnye i kommunikatsionnye tekhnologii v obrazovanii.
Moscow: IITO YuNESKO, 2013. P. 320.
42. Мамедова Г.А., Зейналова, Л.А. Меликова Р.Т. Технологии больших данных в
электронном образовании // Открытое образование. – Т. 21.– 2017. – № 6.– С. 41-48.
43. Zhang Qi, Cheng Lu, Boutaba Raouf. Cloud computing: stateof-the-art and research
challenges // Journal of Internet Services and Applications. – 1(1): 2010. – P. 7–18.
44. Recommendation Y.2060: Overview of Internet of Things. — Geneva: ITU-T, February
2012. URL: http:// www.itu.int/rec/T-REC-Y.2060-201206-I (дата обращения: 26.01.2021).
45. Эштон К. Как научить лошадь летать? Тайная история творчества, изобретений и
открытий. – М.: ООО «Манн, Иванов и Фербер», 2020. – 420 c.
46. Росляков, А.В. Интернет вещей: учебное пособие [текст] / А.В. Росляков, С.В.
Ваняшин, А.Ю. Гребешков. – Самара: ПГУТИ, 2015. – 200 с.
47. Дорожная карта развития «сквозной» цифровой технологии «Системы
распределенного
реестра»
–
М.,
2019.
URL:
https://digital.gov.ru/uploaded/files/07102019srr.pdf (дата обращения: 26.03.2021).
48. Табернакулов А. Блокчейн на практике / Александр Табернакулов, Ян Койфманн.
– М. : Альпина Паблишер, 2019. – 260 с.
49. Босова Л. Л. Формирование цифровых компетенций в области информационной
этики и права в курсе школьной информатики // Информационные технологии в
образовании. – 2020. – № 3. – С. 33-38.
98
Приложение 1.
Содержание программы курса «Цифровая гигиена»
Основными целями изучения курса «Цифровая гигиена» являются:
– обеспечение условий для профилактики негативных тенденций в
информационной культуре учащихся, повышения защищенности детей от
информационных рисков и угроз современного информационного общества;
– формирование навыков своевременного распознавания и нейтрализации
онлайн-рисков различного характера.
Задачи программы:
– сформировать общекультурные навыки работы с информацией
– создать условия для формирования умений, необходимых для
различных форм коммуникации;
– сформировать знания, позволяющие эффективно и безопасно
использовать технические и программные средства для решения различных
задач;
– сформировать знания, умения, мотивацию и ответственность,
позволяющие решать с помощью цифровых устройств и интернета различные
повседневные задачи, связанные с конкретными жизненными ситуациями,
предполагающими удовлетворение различных потребностей;
 сформировать навыки по профилактике и коррекции зависимого
поведения школьников, связанного с компьютерными технологиями и
Интернетом;
– сформировать навыки критического отношения к информационному
контенту.
Содержание учебного курса
Раздел 1. «Безопасность общения»
Тема 1. Общение в социальных сетях и мессенджерах. Социальная сеть.
История социальных сетей. Мессенджеры. Назначение социальных сетей и
мессенджеров. Пользовательский контент.
Тема 2. С кем безопасно общаться в интернете. Персональные данные как
основной капитал личного пространства в цифровом мире. Правила добавления
друзей в социальных сетях. Профиль пользователя. Анонимные социальные
сети.
Тема 3. Пароли для аккаунтов социальных сетей. Сложные пароли.
Онлайн генераторы паролей. Правила хранения паролей. Использование
функции браузера по запоминанию паролей.
Тема 4. Безопасный вход в аккаунты. Виды аутентификации. Настройки
безопасности аккаунта. Работа на чужом компьютере с точки зрения
безопасности личного аккаунта.
Тема 5. Настройки конфиденциальности в социальных сетях. Настройки
приватности и конфиденциальности в разных социальных сетях. Приватность и
конфиденциальность в мессенджерах.
Тема 6. Публикация информации в социальных сетях. Персональные
данные. Публикация личной информации.
Тема 7. Кибербуллинг. Определение кибербуллинга. Возможные
причины кибербуллинга и как его избежать? Как не стать жертвой
кибербуллинга. Как помочь жертве кибербуллинга.
Тема 8. Публичные аккаунты. Настройки приватности публичных
страниц. Правила ведения публичных страниц. Овершеринг.
Тема 9. Фишинг. Фишинг как мошеннический прием. Популярные
варианты распространения фишинга. Отличие настоящих и фишинговых
сайтов. Как защититься от фишеров в социальных сетях и мессенджерах.
Выполнение и защита индивидуальных и групповых проектов .
Раздел 2. «Безопасность устройств»
Тема 1. Что такое вредоносный код. Виды вредоносных кодов.
Возможности и деструктивные функции вредоносных кодов.
Тема 2. Распространение вредоносного кода.
Способы доставки вредоносных кодов. Исполняемые файлы и
расширения вредоносных кодов. Вредоносная рассылка. Вредоносные скрипты.
Способы выявления наличия вредоносных кодов на устройствах. Действия при
обнаружении вредоносных кодов на устройствах.
Тема 3. Методы защиты от вредоносных программ. Способы защиты
устройств от вредоносного кода. Антивирусные программы и их
характеристики. Правила защиты от вредоносных кодов.
Тема 4. Распространение вредоносного кода для мобильных устройств.
Расширение вредоносных кодов для мобильных устройств. Правила
безопасности при установке приложений на мобильные устройства.
Выполнение и защита индивидуальных и групповых проектов.
Раздел 3 «Безопасность информации»
Тема 1. Социальная инженерия: распознать и избежать. Приемы
социальной инженерии. Правила безопасности при виртуальных контактах.
Тема 2. Ложная информация в Интернете. Цифровое пространство как
площадка самопрезентации, экспериментирования и освоения различных
социальных ролей. Фейковые новости. Поддельные страницы.
Тема 3. Финансовая безопасность. Безопасность при использовании
платежных карт в Интернете. Транзакции и связанные с ними риски. Правила
совершения онлайн покупок. Безопасность банковских сервисов.
Тема 4. Беспроводная технология связи. Уязвимость Wi-Fi-соединений.
Публичные и непубличные сети. Правила работы в публичных сетях.
Тема 5. Резервное копирование данных. Безопасность личной
информации. Создание резервных копий на различных устройствах.
Тема 6. Основы государственной политики в области формирования
культуры
информационной
безопасности.
Доктрина
национальной
информационной безопасности. Обеспечение свободы и равенства доступа к
информации и знаниям. Основные направления государственной политики в
области формирования культуры информационной безопасности. Выполнение
и защита индивидуальных и групповых проектов.
100
Приложение 2
Тест «Проверь свой уровень знаний основ информационной безопасности»
Для прохождения теста и получения результатов
перейти по ссылке или QR-коду.
https://onlinetestpad.com/3up325zgplakk
Ниже приведена только часть тестовых заданий.
Весь перечень размещен по вышеуказанному адресу.
Тестовые задания периодически пополняются и
обновляются.
1. Установите соответствие между названиями функций браузера и их описанием
1) История посещения страниц
А. Упрощает доступ
к регулярно
посещаемым
сайтам
за
счёт
автоматического ввода
2) Защита от фишинга и вредоносного
Б.
Автоматическая
блокировка
программного обеспечения
всплывающих окон, чтобы они не
загромождали экран
3) Автозаполнение
В. Использование данных о вашем
местонахождении для вывода ближайших к
вам запрашиваемых мест
4) Управление информацией о
Г. Доступ к регулярно посещаемым сайтам
местоположении
за счёт автоматического заполнения
учётных данных
5) Сохранение паролей
Д. Запрос на подтверждение операции при
загрузке файла
6) Управление всплывающими окнами
Е. Возврат на посещённую страницу или
восстановление события
2. Выберите правильный ответ. Социальная сеть — это:
1) Онлайн-сервис, предоставленный провайдером.
2) Веб-сайт.
3) Программное обеспечение, позволяющее переписываться.
4) Онлайн-сервис в Интернете для общения и связи.
3. Что такое аккаунт социальной сети?
1) Веб-страница в Интернете.
2) Учётная запись пользователя в каком-либо сервисе.
3) Логин и пароль для входа в социальную сеть.
5. Выберите информацию, которую безопасно размещать на своей странице в
Интернете для незнакомых людей.
1) Домашний адрес.
2) Номер школы, в которой учитесь.
3) Паспортные данные или фотографию паспорта.
4) Геолокация устройства, с которого осуществляется ввод.
5) Секцию, в которую ходите.
6) Любимые места в городе.
7) Фотографии родителей, находящихся на отдыхе.
8) Ваше хобби.
9) Любимые книги.
6. Какие настройки приватности в социальных сетях следует установить, чтобы
обезопасить себя от мошенников?
101
1) Приватность аудиозаписей.
2) Приватность фотографий.
3) Приватность списка друзей.
4) Приватность подарков.
5) Приватность персональных данных.
6) Приватность местоположения.
7. Отметьте простые (слабые) пароли для использования в учётной записи.
1) 654321ToPas&.
2) ytrewq.
3) Asdf123#Mnb.
4) drowssap.
5) uiop.
6) Mypassword.
7) Ivan1968.
8. Что можно отнести к двухфакторной аутентификации?
1) Логин и пароль от учётной записи на странице авторизации.
2) Логин и пароль от учётной записи и пароль из СМС-сообщения.
3) Логин и пароль от учётной записи и USB-токен.
4) Логин и пароль от учётной записи и смарт-карту.
9. Отметьте процесс, который носит название кибербуллинг.
1) Онлайн-спор, в который вовлечены определённое сообщество или группа в
Интернете.
2) Травля, оскорбления и угрозы в условиях интернет-коммуникации.
3) Написание обидных комментариев к фотографиям, обвинение в
непрофессионализме.
10. Какие данные хотят узнать фишеры?
1) Паспортные данные.
2) Номер школы.
3) Телефон.
4) Номер школьной карты.
5) Проверочный код от карты.
6) Пароль от учётной записи в социальной сети.
7) Пароль от онлайн-банкинга.
8) Номер банковской карты.
9) Логин и пароль от входа в дневник.
10) Логин и пароль от почты
102