№ 3 (2023)

В данном исследовании представлена классификация и сравнительный анализ методов интеллектуального анализа системных событий, применяемых для обнаружения многошаговых кибератак. Подобные атаки представляют собой последовательность взаимосвязанных шагов злоумышленника, преследующего определенную цель вторжения. В статье анализируются подходы к обнаружению многошаговых кибератак на основе методов машинного обучения на данных о системных событиях, включающие обучение с учителем, без учителя, а также частичное обучение. Рассмотренные подходы анализируются по следующим критериям: метод извлечения знаний о сценариях системных событий и атак, метод представления знаний о сценариях, метод анализа событий безопасности, решаемая задача безопасности и используемый набор данных. Приводятся основные достоинства и недостатки подходов к обнаружению многошаговых кибератак на основе машинного обучения, а также возможные направления исследований в данной области.

В основу Low-code платформ предлагается положить междисциплинарный язык пространственной методологии конструирования смыслосодержащих графических форм правил. Предложен конвергентный подход схождения свойств «интеллекта пространства» в правила пространственной методологии, которая оперирует сущностями пространства в виде геометрических форм правил и материи. Пространственная методология позволит формально представить процесс саморазвития естественного языка рассуждений заказчика в геометрические формы правила элементарного различения в понимании, а последние – в смыслосодержащие исполняемые графические алгоритмы преодоления разрыва или решения проблем создания физических объектов. На языке пространственной методологии решена проблема формализации процесса преодоления разрыва между образом целевой материи (сознанием) и ее физической реализацией (материей). Обоснована необходимость перехода от предметной к пространственной методологии. Предложен конвергентный подход формирования ее правил.

В статье предлагаются новые методы оценки силы эмоций, влияющих на принятие решения интеллектуальным роботом при оптимизации маршрута. В них предложены подходы для оценки силы эмоции, основанные на использовании сенсорных сигналов и анализе образов в окружении выбора. Образы формируются после обработки сенсорных сигналов и на их основе создаются строки параметров и характеристик эталонных участков движения. Они сопоставляются с эталонами, характеризующими логико-вероятностные и/или логико-лингвистические параметры и характеристики эталонных участков маршрутов. Описываются алгоритмы выбора оптимальных маршрутов интеллектуального робота на базе предложенных методов оценки силы эмоций.

Для организации взаимодействия экспертов при совместном решении задач все чаще используются цифровые платформы. Они предоставляют широкие возможности по структурированию задач, привлечению экспертов, оценке их компетенций и управлению процессом совместного решения задач. Однако при управлении процессом решения открытым остается вопрос выбора визуализации, обеспечивающей простоту и наглядность прогресса. В работе проводится анализ наиболее распространенных визуализаций для управления процессом решения задачи, оцениваются их достоинства и недостатки применительно к типовым задачам, доступным на существующих сервисах совместного их решения. Итогом работы является модель, позволяющая оценить и сравнить визуализации процесса решения задач и осуществить выбор визуализации для использования на платформе совместного решения задач в человеко-машинном облаке.

Для задач сравнения интервальных альтернатив исследуется соответствие некоторых индикаторов риска требованию их согласованного изменения со связанными с ними индикаторами предпочтительности. Согласованным считается такое изменение, при котором с ростом индикатора предпочтительности возрастает величина соответствующего индикатора риска. Показано, что в методах индивидуального риска, типа «среднее-риск», согласованными являются левосторонние индикаторы риска для выбора моды распределения в качестве индикатора предпочтительности, а также, при известных ограничениях, при выборе за индикатор предпочтительности медианы распределения. Установлено, что часто рекомендуемый как мера риска индикатор среднего полуотклонения при выборе математического ожидания распределения за меру предпочтительности не удовлетворяет этому требованию, а потому не может, вообще говоря, рассматриваться как адекватный задачам сравнения интервальных альтернатив.

Обучение с подкреплением предлагает широкий спектр методов решения задач управления поведением интеллектуальных агентов. Однако актуальной остается проблема обучения агента в условиях редкого получения сигнала вознаграждения. Возможным решением является использование методов внутренней мотивации – идеи, пришедшей из психологии развития, объясняющей поведение человека в отсутствии внешних управляющих стимулов. В статье рассмотрены существующие методы определения внутренней мотивации, опирающиеся на обучаемую модель мира. Предложена систематизация методов, состоящая из трех классов, которые различаются по способу приложения модели к компонентам агента: вознаграждению, исследовательской стратегии и внутренним целям. Представлен единая схема описания архитектуры агента, использующего модель среды и внутреннюю мотивацию для ускорения обучения. Проанализированы перспективы развития новых методов в данном направлении.

В работе предложена технология анализа данных с фотоловушек с помощью двухстадийной нейросетевой обработки. Задача первого этапа состоит в отделении пустых изображений от непустых. Для решения задачи проведен сравнительный анализ архитектур YOLOv5, YOLOR, YOLOX и выявлена наиболее оптимальная модель детектора. Задача второго этапа заключается в классификации объектов, найденных детектором. Сравнивались модели EfficientNetV2, SeResNet, ResNeSt, ReXNet, ResNet. Для обучения модели детектора и классификатора разработан подход подготовки данных, заключающийся в удалении изображений-дубликатов из выборки. Метод был модифицирован с помощью агломеративной кластеризации для разделения выборки на обучение, валидацию и тест. В задаче обнаружения объектов лучшим на наборе данных оказался алгоритм YOLOv5-L6 с точностью нахождения 98,5%. В задаче классификации найденных объектов, лучше всех себя показала архитектура ResNeSt-101 с качеством распознавания 98,339% на тестовых данных.

В статье представлены результаты формирования перечня диссертационных исследований, защищенных на соискание ученой степени кандидата наук за период с 2016 по 2022 годы, тематика которых относится к сфере искусственного интеллекта (ИИ). Приведен тематический анализ этих диссертаций и характеристика сообщества кандидатов наук, относящихся к категории «Исследователи искусственного интеллекта». Сформированный массив диссертаций структурирован по областям технологий и субтехнологиям искусственного интеллекта. Показано, что подготовка кадров высшей научной квалификации в значительной мере обеспечивает потребность сферы искусственного интеллекта по категории «Исследователи ИИ» на краткосрочном горизонте планирования. Выделены «Центры компетенций по ИИ» по критерию количества диссертаций, выполненных в научных и образовательных организациях по тематике ИИ.