Формирующий искусственный интеллект: новые возможности информационной поддержки регионального управления
DOI:
https://doi.org/10.52575/2687-0932-2023-50-2-423-438Ключевые слова:
формирующий искусственный интеллект, генеративно-состязательная сеть, онтология, региональное управлениеАннотация
Интеллектуальные информационные системы находят все более широкое применение в сфере регионального управления. Одной из современных базовых концепций их организации является формирующий искусственный интеллект. В данной статье представлен анализ содержания данного понятия и его соотнесение с существующими технологиями создания интеллектуальных информационных систем, а также обзор существующего опыта использования таких технологий формирующего искусственного интеллекта, как генеративно-состязательные искусственные нейронные сети и онтологии в различных прикладных задачах, связанных с региональным управлением. Делается вывод о том, что необходимой средой реализации формирующего искусственный интеллект является информационная система с агентными свойствами. Также сделан вывод о широких возможностях использования формирующего искусственного интеллекта в сфере информационной поддержки регионального управления, с одной стороны, и не полном использовании всего потенциала современных интеллектуальных информационных технологий – с другой.
Благодарности
Исследование выполнено в рамках государственного задания ИИММ КНЦ РАН Министерства науки и высшего образования РФ, регистрационный номер темы НИР: 122022800551-0.
Скачивания
Библиографические ссылки
Список источников
AGROVOC Homepage. URL: https://www.fao.org/agrovoc/ (дата обращения: 14 апреля 2023).
EuroVoc thesaurus. URL: http://publications.europa.eu/resource/cellar/7eecbd11-c00d-11e5-9e54-01aa75ed71a1.0002.01/DOC_1 (дата обращения: 14 апреля 2023).
Список литературы
Антонов В.В., Бармина О.В., Никулина, Н.О. 2020. Поддержка принятия решений при управлении программными проектами на основе нечёткой онтологии. Онтология проектирования, 10(1 (35)), Article 1 (35).
Белов М.В. Новиков Д.А. 2021. Структура креативной деятельности. Проблемы управления, 5, Article 5.
Жихарев А.П. 2007. Состояние и перспективы использования общероссийских классификаторов в региональных АИС. Стандарты и качество, 6, 51.
Месарович М., Мако Д., Такахара И. 1973. Теория иерархических многоуровневых систем: Пер. с англ [Текст]. Мир; Книги (изданные с 1831 г. по настоящее время). https://search.rsl.ru/ru/record/01007362516
Павлов С.В., Ефремова О.А. 2017. Онтологическая модель интеграции разнородных по структуре и тематике пространственных баз данных в единую региональную базу данных. Ontology of Designing, 7(3), 323–333. https://doi.org/10.18287/2223-9537-2017-7-3-323-333
Сохова З.Б. Редько В.Г. 2021. Модель самоорганизации автономных агентов в децентрализованной среде. Проблемы управления, 2, Article 2.
Финн В.К. 2021. Искусственный интеллект: Методология, применения, философия. Изд. 2, испр. И доп. URSS.
Шевандрин А.В., Бондаренко П.В. 2020. Разработка онтологической модели государственной политики стимулирования экономического роста на федеральном и региональном уровнях. Фундаментальные исследования (Fundamental research), 4, 131–136. https://doi.org/10.17513/fr.42737
Шевандрин А.В., Калинина А.Э. 2019. Онтологическое моделирование кластерных образований в экономике регионов. Московский экономический журнал, 10, Article 10.
Allan K. 2020. What is formative AI and why should you care? IDG Connect. https://www.idgconnect.com/article/3586601/what-is-formative-ai-and-why-should-you-care.html
Andreasik J. 2022. The Ontology of the Region. Barometr Regionalny. Analizy i Prognozy, 18(1), 67–82. https://doi.org/10.56583/br.723
Avram A.-M., Pais V., Tufis D. 2021. PyEuroVoc: A Tool for Multilingual Legal Document Classification with EuroVoc Descriptors (arXiv:2108.01139). arXiv. http://arxiv.org/abs/2108.01139
Caled D., Won M., Martins B., Silva M.J. 2019. A Hierarchical Label Network for Multi-label EuroVoc Classification of Legislative Contents. В.A. Doucet, A. Isaac, K. Golub, T. Aalberg, A. Jatowt (Ред.), Digital Libraries for Open Knowledge (с. 238–252). Springer International Publishing. https://doi.org/10.1007/978-3-030-30760-8_21
Chen Q., Wang W., Huang K., De S., Coenen F. 2021. Multi-modal generative adversarial networks for traffic event detection in smart cities. Expert Systems with Applications, 177, 114939. https://doi.org/10.1016/j.eswa.2021.114939
Gao Y., Liu L., Zhang C., Wang X., Ma H. 2020. SI-AGAN: Spatial Interpolation with Attentional Generative Adversarial Networks for Environment Monitoring. ECAI 2020, 1786–1793. https://doi.org/10.3233/FAIA200293
Georgeff M. 1995. BDI Agents: From Theory to Practice. International Conference on Multiagent Systems. https://www.academia.edu/30608557/BDI_Agents_From_Theory_to_Practice
Goodfellow I.J., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. 2014. Generative Adversarial Networks (arXiv:1406.2661). arXiv. https://doi.org/10.48550/arXiv.1406.2661
Jelesnianski C.P. 1992. SLOSH: Sea, Lake, and Overland Surges from Hurricanes. U.S. Department of Commerce, National Oceanic and Atmospheric Administration, National Weather Service.
Karwowski W., Orłowski A., Rusek M. 2019. Applications of Multilingual Thesauri for the Texts Indexing in the Field of Agriculture. В.J. Pejaś, I.El Fray, T. Hyla, J. Kacprzyk (Ред.), Advances in Soft and Hard Computing (с. 185–195). Springer International Publishing. https://doi.org/10.1007/978-3-030-03314-9_17
Kasey Panetta. 2021. 5 Trends Drive the Gartner Hype Cycle for Emerging Technologies, 2020. Gartner. https://www.gartner.com/smarterwithgartner/5-trends-drive-the-gartner-hype-cycle-for-emerging-technologies-2020
Laufer C., Schwabe D. 2017. On Modeling Political Systems to Support the Trust Process. 1–16.
Liang J., Tang W. 2020. Sequence Generative Adversarial Networks for Wind Power Scenario Generation. IEEE Journal on Selected Areas in Communications, 38(1): 110–118. https://doi.org/10.1109/JSAC.2019.2952182
Lütjens B., Leshchinskiy B., Requena-Mesa C., Chishtie F., Díaz-Rodríguez N., Boulais O., Sankaranarayanan A., Piña A., Gal Y., Raïssi C., Lavin A., Newman D. 2021. Physically-Consistent Generative Adversarial Networks for Coastal Flood Visualization (arXiv:2104.04785). arXiv. https://doi.org/10.48550/arXiv.2104.04785
Margaret Rouse. 2022. What is Generative AI? - Definition from Techopedia. Techopedia.Com. http://www.techopedia.com/definition/34633/generative-ai
Mietzsch E., Martini D., Kolshus K., Turbati A., Subirats I. 2021. How Agricultural Digital Innovation Can Benefit from Semantics: The Case of the AGROVOC Multilingual Thesaurus. Engineering Proceedings, 9(1), Article 1. https://doi.org/10.3390/engproc2021009017
Naidu J., Dr.E.N.Ganesh, Shanmugasundaram. 2019. Investigation of agricultural data for data base creation like agris for farmers welfare. 6, 437–443.
Phipps J. 2021. What Is Formative AI? Exploring the Future of AI Storage. ESF. Enterprise Storage Forum. https://www.enterprisestorageforum.com/news/formative-ai/
Qasim I., Alam M., Khan S., Khan A.W., Malik K.M., Saleem M., Bukhari S.A.C. 2020. A comprehensive review of type-2 fuzzy Ontology. Artificial Intelligence Review, 53(2): 1187–1206. https://doi.org/10.1007/s10462-019-09693-9
Rui X., Cao Y., Yuan X., Kang Y., Song W. 2021. DisasterGAN: Generative Adversarial Networks for Remote Sensing Disaster Image Generation. Remote Sensing, 13(21): Article 21. https://doi.org/10.3390/rs13214284
Russell S., Russell S.J., Norvig P., Davis E. 2010. Artificial Intelligence: A Modern Approach. Prentice Hall.
Sadek S.M., Omran W.A., Hassan M.A. M., Talaat H.E.A. 2021. Data Driven Stochastic Energy Management for Isolated Microgrids Based on Generative Adversarial Networks Considering Reactive Power Capabilities of Distributed Energy Resources and Reactive Power Costs. IEEE Access, 9, 5397–5411. https://doi.org/10.1109/ACCESS.2020.3048586
Scorza F., Casas G.B.L., Murgante B. 2012. That’s ReDO: Ontologies and Regional Development Planning. B. Murgante, O. Gervasi, S. Misra, N. Nedjah, A.M.A.C. Rocha, D. Taniar, B.O. Apduhan (Ред.), Computational Science and Its Applications – ICCSA 2012 (Т. 7334, с. 640–652). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-31075-1_48
Tarassov V.B. Svyatkina M.N. 2013. Cognitive Measurements: The Future of Intelligent Systems. Программные продукты и системы. 4, 74–82.
Wang F., Zhang Z., Liu C., Yu Y., Pang S., Duić N., Shafie-khah M., Catalão J.P.S. 2019. Generative adversarial networks and convolutional neural networks based weather classification model for day ahead short-term photovoltaic power forecasting. Energy Conversion and Management, 181, 443–462. https://doi.org/10.1016/j.enconman.2018.11.074
Wu A.N., Stouffs R., Biljecki F. 2022. Generative Adversarial Networks in the built environment: A comprehensive review of the application of GANs across data types and scales. Building and Environment, 223, 109477. https://doi.org/10.1016/j.buildenv.2022.109477
Zhang R., Isola P., Efros A.A., Shechtman E., Wang O. 2018. The Unreasonable Effectiveness of Deep Features as a Perceptual Metric. 586–595. https://openaccess.thecvf.com/content_cvpr_2018/html/Zhang_The_Unreasonable_Effectiveness_CVPR_2018_paper.html
Zhang Y., Li Y., Zhou X., Kong X., Luo J. 2019. TrafficGAN: Off-Deployment Traffic Estimation with Traffic Generative Adversarial Networks. 2019 IEEE International Conference on Data Mining (ICDM), 1474–1479. https://doi.org/10.1109/ICDM.2019.00193
Просмотров аннотации: 77
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
