Mesaje intelect board hi tech. Google a creat inteligență artificială care poate învăța singură

A pune întrebarea: Ce este inteligența artificială? Răspunsul va depinde de momentul în care ai pus această întrebare.

În anii 1950, Minsky și McCarthy au descris inteligența artificială ca fiind orice sarcină îndeplinită de un program sau o mașină care poate fi îndeplinită ca și cum ar fi realizată de o ființă umană sub forma unei activități intelectuale.

Evident, o definiție destul de largă a AI.

Sistemele AI prezintă de obicei unele dintre următoarele comportamente asociate cu inteligența umană: planificare, învățare, raționament, rezolvare de probleme, reprezentare a cunoștințelor, percepție, mișcare și manipulare și, într-o măsură mai mică, inteligență socială și creativitate.

Care sunt beneficiile inteligenței artificiale?

Inteligența artificială este acum folosită peste tot. De exemplu, asistenți vocali virtuali, cum ar fi Siri de la Apple, pentru a afla cine și ce este într-o fotografie, pentru a identifica spam-ul sau pentru a detecta frauda cu cardul de credit.

Tipuri de inteligență artificială

La un nivel foarte înalt, inteligența artificială poate fi împărțită în două tipuri mari: AI îngustă și AI generală.

AI îngustă este ceea ce vedem în jurul nostru în computere astăzi: sisteme inteligente care au fost antrenate sau învățate să îndeplinească sarcini specifice fără a fi programate în mod explicit cum să o facă.

Acest tip de inteligență a mașinii este evident în recunoașterea vorbirii și a limbii a asistentului virtual Siri pe iPhone-ul Apple și în sistemele de recunoaștere a vederii din mașinile cu conducere autonomă. Spre deosebire de oameni, aceste sisteme pot învăța sau pot fi învățate doar cum să îndeplinească sarcini specifice, motiv pentru care sunt numite IA îngustă.

Există un număr imens de aplicații noi pentru IA îngustă: traducerea video de la drone care inspectează infrastructura precum conductele de petrol, organizarea calendarelor personale și de afaceri, răspunsul la întrebări simple cu asistență pentru clienți, coordonarea cu alte sisteme inteligente, efectuarea de sarcini precum rezervările la hotel la oricând, ajută la identificarea posibilelor tumori folosind raze X, blocând conținut neadecvat de pe Internet, detectând uzura lifturilor din datele colectate folosind dispozitive IoT, lista poate continua foarte mult timp.

Ce funcții poate îndeplini IA generală?

Inteligența generală artificială este foarte diferită și este un tip de inteligență adaptabil, precum inteligența umană, o formă flexibilă de inteligență capabilă să învețe să îndeplinească sarcini complet diferite, de la tuns până la construirea de foi de calcul sau raționament pe diverse subiecte pe baza experienței acumulate. . Această inteligență artificială este văzută mai des în filme precum Skynet în Terminator, dar care nu există încă astăzi și experții în inteligență artificială scriu despre cum va deveni în curând o realitate.

Un sondaj realizat în rândul a patru grupuri de experți în 2012/13 de cercetătorii AI Vincent Müller și filosoful Nick Bostrom a constatat o șansă de 50% ca inteligența generală artificială (AGI) să fie dezvoltată între 2040 și 2050, urcând la 90% până în 2075. Grupul a mers și mai departe, prezicând că AI va putea depăși semnificativ performanța umană în aproape toate domeniile.

Cu toate acestea, unii experți în inteligență artificială cred că astfel de predicții sunt extrem de optimiste, având în vedere înțelegerea noastră limitată a creierului uman și cred că AGI va evolua în continuare pentru secolele următoare.

Ce este învățarea automată?

Există o gamă largă de cercetări AI, multe dintre ele se hrănesc și se completează reciproc.

În prezent, învățarea automată este locul în care un sistem informatic primește cantități mari de date, pe care apoi le folosește pentru a învăța cum să efectueze o anumită sarcină, cum ar fi recunoașterea vorbirii sau subtitrărea fotografiilor.

Ce sunt rețelele neuronale (Botnet)?

Cheia procesului de învățare automată sunt rețelele neuronale. Acestea sunt rețele inteligente de straturi interconectate de algoritmi, numite neuroni, care alimentează date unul în celălalt și care pot fi antrenate pentru a îndeplini sarcini specifice prin schimbarea importanței acordate datelor originale. Pe măsură ce aceste rețele neuronale sunt antrenate, semnificația informațiilor atașate ca date de intrare se va schimba până când ieșirea din rețeaua neuronală este foarte aproape de ceea ce se dorește, moment în care rețeaua va „învăța” cum să efectueze o anumită sarcină.

Un subset al învățării automate este învățarea profundă, în care rețelele neuronale sunt extinse în rețele extinse cu un număr mare de straturi care sunt antrenate folosind cantități masive de date. Aceste rețele neuronale profunde au alimentat actualul salt înainte în capacitatea computerelor de a îndeplini sarcini precum recunoașterea vorbirii și viziunea computerizată.

Există diferite tipuri de rețele neuronale, cu puncte forte și puncte slabe diferite.

Rețelele neuronale recurente sunt un tip de rețea neuronală deosebit de potrivită pentru procesarea limbajului și recunoașterea vorbirii, în timp ce rețelele neuronale convoluționale sunt cel mai adesea utilizate în recunoașterea imaginilor. Unul dintre exemplele izbitoare ale unei rețele neuronale este Google Translate.

Un alt domeniu al cercetării IA este calculul evolutiv, care împrumută din celebra teorie a selecției naturale a lui Darwin, observând că algoritmii genetici suferă mutații și combinații aleatorii de-a lungul generațiilor în încercarea de a dezvolta soluția optimă pentru o anumită problemă.

Această abordare a fost folosită chiar pentru a ajuta la construirea modelelor AI, folosind eficient AI pentru a ajuta la construirea AI. Această utilizare a algoritmilor evolutivi pentru optimizarea rețelelor neuronale se numește neuroevoluțieși ar putea juca un rol important în facilitarea dezvoltării unei IA eficace, pe măsură ce utilizarea sistemelor inteligente devine mai răspândită, mai ales că cererea de informații depășește adesea oferta. Această metodă a fost demonstrată recent de companie Uber Labs, care a publicat cercetări privind utilizarea algoritmilor genetici pentru a antrena rețele neuronale de întărire profundă pentru această problemă.

În cele din urmă, există sisteme expert, în care computerele sunt programate cu algoritmi care le permit să ia o serie de decizii bazate pe un număr mare de intrări, permițând acelei mașini să imite comportamentul unui expert uman într-un anumit domeniu. Un exemplu de astfel de sisteme bazate pe cunoștințe ar fi, de exemplu, un sistem de pilot automat pe un avion.

Ce ajută la dezvoltarea inteligenței artificiale?

Cele mai mari descoperiri pentru cercetarea tehnologiei AI din ultimii ani au fost în domeniul învățării automate, în special învățarea profundă.

Acest lucru a fost determinat în parte de disponibilitatea ușoară a datelor, precum și de creșterea rapidă a puterii de calcul în paralel în ultimii ani, timp în care utilizarea clusterelor GPU pentru a antrena sistemele de învățare automată a devenit mai comună.

Aceste clustere nu numai că oferă sisteme mai puternice pentru formarea modelelor de învățare automată, dar sunt acum disponibile pe scară largă ca servicii cloud prin Internet. De-a lungul timpului, marile companii tehnologice precum Google și Microsoft au trecut la utilizarea procesoarelor specializate, adaptate atât modelelor de învățare automată care rulează, cât și celor nou antrenate.

Un exemplu de unul dintre aceste cipuri personalizate este (TPU), cea mai recentă versiune a căruia accelerează viteza cu care modelele eficiente de învățare automată construite folosind biblioteca de software Tensorflow de la Google pot deduce informații din date, precum și viteza cu care pot fi antrenate. .

Aceste cipuri sunt folosite nu numai pentru a antrena modele pentru DeepMind de la Google, ci și pentru modelele care se găsesc în Google Photos și recunoașterea imaginilor, precum și pentru servicii care permit publicului să construiască modele de învățare automată folosind TensorFlow de la Google. A doua generație a acestor cipuri a fost dezvăluită la conferința Google din mai anul trecut, cu o serie de aceste noi TPU-uri capabile să antreneze modelul Google de învățare automată folosit pentru a traduce în jumătate din timpul necesar procesării unei game de date de la procesarea grafică de vârf. unități (GPU-uri).

Din ce elemente constă învățarea automată?

După cum am menționat, învățarea automată este un subset al IA și este, în general, împărțită în două categorii principale: învățarea automată supravegheată și nesupravegheată.

Învățare automată supravegheată

O metodă comună de instruire a sistemelor AI este de a le antrena folosind o cantitate foarte mare de informații cu exemple. Aceste sisteme de învățare automată primesc cantități uriașe de date care au fost adnotate pentru a evidenția caracteristicile de interes. Acestea ar putea fi fotografii cu o etichetă pentru a spune utilizatorului dacă conțin un câine sau o legendă de testare. Adică, un document este recunoscut, text sau imagine pe un document. Și apoi, sistemul stabilește căruia i se poate atribui imaginea și pune etichete adecvate pentru imagini (tip de animal, monument etc.) sau încearcă să recunoască și să citească textul de pe document. Odată antrenat, sistemul poate aplica aceste etichete unor date noi, cum ar fi câinele din fotografia care tocmai a fost încărcată.

Acest proces de învățare automată, în exemplul de mai sus, se numește învățare supravegheată. Etichetarea se face de obicei de către angajații care lucrează pe platforme precum .

Antrenarea acestor sisteme AI necesită de obicei cantități mari de date, unele sisteme fiind nevoite să caute prin milioane de exemple pentru a învăța cum să îndeplinească sarcini în mod eficient, deși acest lucru este din ce în ce mai posibil în era cantităților mari de informații și extragerii extinse de date. Seturile de date de antrenament sunt uriașe și cresc în dimensiune — Google Images are aproximativ nouă milioane de imagini disponibile, iar videoclipuri YouTube găzduiesc până la șapte milioane cu eticheta video.

Oamenii antrenează astfel de inteligență artificială. După cum a fost deja scris mai sus, au pus diverse etichete pentru texte, imagini și videoclipuri. Aceste semne sunt folosite de AI ca exemple pentru recunoașterea viitoare a textului și a imaginilor. În doi ani, a adunat un personal de aproape 50.000 de oameni, dintre care majoritatea au fost angajați prin Amazon Mechanical Turk.

Pe termen lung, accesul la seturi de date uriașe, etichetate, poate fi, de asemenea, mai puțin important decât accesul la cantități mari de putere de calcul.

În ultimii ani, sistemele de învățare automată au demonstrat că pot genera cantități enorme de informații pentru a se preda singure.

Această abordare ar putea duce la creșterea învățării semi-supravegheate, în care sistemele pot învăța să îndeplinească sarcini folosind mult mai puține date etichetate decât este necesar pentru sistemele de învățare supervizată astăzi.

Învățare automată nesupravegheată

Spre deosebire de prima, învățarea nesupravegheată adoptă o abordare diferită, în care algoritmii încearcă să identifice modele în date căutând asemănări care pot fi utilizate pentru a clasifica acele date.

Un exemplu ar fi gruparea fructelor care au aceeași greutate sau a mașinilor cu aceeași dimensiune a motorului.

Algoritmul nu este preconfigurat pentru a selecta anumite tipuri de date, ci pur și simplu caută date care pot fi grupate după asemănările lor, cum ar fi Știri Google care grupează știri pe subiecte similare în fiecare zi.

Consolidarea învățării

În învățarea prin întărire, sistemul încearcă să maximizeze recompensa pe baza inputului, trecând practic printr-un proces de încercare și eroare până când obține cel mai bun rezultat posibil.

Un exemplu de învățare prin întărire este Google DeepMind, care este folosit pentru o performanță umană mai bună în diferite jocuri video clasice. Sistemul este alimentat de pixeli din fiecare joc și determină diverse informații, cum ar fi distanța dintre obiectele de pe ecran.

Companii lider în tehnologia inteligenței artificiale

Companiile gigantice de tehnologie, precum și startup-urile, fac totul pentru a câștiga un loc pe piața tehnologiilor viitoare, și anume tehnologii legate de dezvoltarea inteligenței artificiale.

Fiecare scrie în mod regulat rapoarte și articole despre cercetarea AI, deși Google, cu DeepMind AlphaGo, a avut, probabil, cel mai mare impact asupra conștientizării publicului cu privire la AI.

Ce servicii AI sunt disponibile utilizatorilor?

Toate platformele cloud majore Amazon și Google Cloud Platform oferă acces GPU pentru a pregăti și rula modele de învățare automată.

Toată infrastructura și serviciile necesare sunt disponibile din cele trei mari depozite de date din cloud, capabile să conțină cantitatea mare de informații necesare pentru a antrena modele de învățare automată, servicii de transformare a datelor pentru a pregăti informații pentru analiză, instrumente de vizualizare pentru a afișa clar rezultatele și software care ușurează construirea modelelor.

Aceste platforme cloud facilitează crearea de modele personalizate de învățare automată, iar Google a introdus recent un serviciu care automatizează crearea de modele AI numit Cloud AutoML. Acest serviciu creează modele personalizate de recunoaștere a imaginilor chiar dacă utilizatorul nu are experiență de învățare automată.

Pe baza tehnologiilor cloud, învățarea automată, serviciile evoluează constant, modelele de instruire AI sunt simplificate.

Pentru acele firme care nu doresc să-și construiască propriile modele de învățare automată, dar care doresc să folosească servicii la cerere, bazate pe inteligență artificială, cum ar fi recunoașterea vocii, viziunii și a limbii, Microsoft Azure se remarcă prin amploarea serviciilor pe care le oferă, urmată de Google Cloud Platform și apoi de AWS. Între timp, IBM încearcă, de asemenea, să vândă servicii de tehnologie AI specifice industriei care vizează orice, de la asistență medicală la comerț, grupând aceste oferte sub un nume și a investit recent 2 miliarde de dolari pentru a-și extinde serviciile de inteligență artificială.

Cine câștigă cursa în tehnologia AI?

Inteligența artificială în domeniul sănătății

Inteligența artificială ar putea avea un impact semnificativ asupra dezvoltării asistenței medicale, ajutând radiologii să identifice tumorile în raze X, ajutând cercetătorii să descopere secvențe genetice asociate cu boli și identificând molecule care ar putea duce la medicamente mai eficiente.

Tehnologia legată de inteligența artificială a fost testată în spitale din întreaga lume. Acestea includ utilizarea sistemului Watson de la IBM, utilizarea sistemelor Google DeepMind de către Serviciul Național de Sănătate din Regatul Unit și multe altele.

Din nou, depinde de cine întrebi.

CEO-ul Tesla și SpaceX că AI reprezintă un „risc fundamental pentru existența civilizației umane”. Ca parte a eforturilor sale pentru o supraveghere reglementară mai puternică și o cercetare mai responsabilă pentru a atenua deficiențele inteligenței artificiale, el a creat OpenAI, o companie non-profit de cercetare a inteligenței artificiale care urmărește să promoveze și să dezvolte o inteligență artificială prietenoasă cu oamenii, care ar trebui să beneficieze societatea în ansamblu.

De asemenea, respectatul fizician Stephen Hawking a avertizat că odată ce AI suficient de avansată este creată, aceasta va avansa rapid până la punctul în care tehnologia este de multe ori mai mare decât capacitățile umane, un fenomen cunoscut sub numele de singularitate și ar putea reprezenta o amenințare existențială pentru om. rasă.

Cu toate acestea, ideea că umanitatea este pe punctul de a fi distrusă de AI pare absurdă pentru unii cercetători AI.

Posibilitatea ca sistemele inteligente artificiale să înlocuiască o mare parte din munca manuală modernă ar putea lua locuri de muncă de la oameni. Aceasta este o teorie mai probabilă în viitorul apropiat.
Deși AI nu va înlocui toate locurile de muncă, pare probabil să schimbe natura muncii, iar singura întrebare este cât de repede și cât de profund va schimba automatizarea locul de muncă.

Nu există aproape o zonă de efort uman pe care AI să nu-l poată stăpâni. Expertul în inteligență artificială Andrew Ng spune: „Mulți oameni fac muncă de rutină, repetitivă. Din păcate, tehnologia este deosebit de bună în automatizarea muncii de rutină și repetitive”, spunând că vede „un risc semnificativ de șomaj tehnologic în următoarele câteva decenii”.

Încep să apară dovezi despre locurile de muncă care vor fi înlocuite. Amazon a lansat recent un supermarket în Seattle, unde clienții pot pur și simplu să ia articole de pe rafturi și să plece. Ce înseamnă asta pentru cei peste trei milioane de oameni din Statele Unite care lucrează ca casieri rămâne de văzut. Amazon intenționează să folosească roboți pentru a îmbunătăți eficiența în interiorul depozitelor sale. Acești roboți aranjează și transportă articole pentru un culegător uman, care selectează articolele pentru expediere. Amazon are peste 100.000 de roboți în centrele sale de livrare și are planuri să dezvolte și să crească numărul de roboți. Dar Amazon subliniază și faptul că, pe măsură ce crește numărul de roboți, va crește și numărul de lucrători umani din aceste depozite. Cu toate acestea, la Amazon și în companiile mai mici de robotică se pot vedea în prezent oameni și roboți lucrând împreună. Acești roboți care lucrează împreună cu o persoană în același spațiu sunt numiți coboți.

Apariția mașinilor autonome complet autonome pe drumurile publice nu este o realitate, dar, potrivit unor estimări, această tehnologie ar putea elimina 1,7 milioane de locuri de muncă în următoarele decenii, chiar și fără curieri și șoferi de taxi, care vor rămâne și ei fără muncă. .

Cu toate acestea, unele dintre cele mai simple joburi de automatizat nici măcar nu necesită utilizarea roboticii. În prezent, milioane de oameni lucrează în administrație, introducând și copiend date între sisteme, rezervănd hoteluri pentru companii și multe altele. Pe măsură ce software-ul devine mai bun la actualizarea automată a sistemelor și semnalarea informațiilor importante, nevoia de administratori va scădea.

Dar noi locuri de muncă vor fi create pentru a le înlocui pe cele pierdute. Vă recomandăm să citiți articolul „“ despre asta. Cu toate acestea, nu se știe cât de repede vor fi create noi locuri de muncă pentru a le înlocui pe cele pierdute de oameni. Și vor putea oamenii să învețe și să se adapteze la noile tehnologii atât de repede?

Nu toți oamenii sunt pesimiști. Pentru unii, AI este o tehnologie care va completa mai degrabă decât va înlocui lucrătorii.

Există opinii printre experții AI despre cât de repede vor depăși sistemele inteligente artificiale capacitățile umane.

Institutul Future of Humanity de la Universitatea Oxford a cerut câteva sute de experți în învățarea automată să prezică capabilitățile AI în următoarele decenii.

Companiile au apelat la AI în sine pentru a rezolva această problemă, care a calculat că șoferii de camion vor fi disponibilizați până în 2027, AI va depăși capacitățile umane în comerțul cu amănuntul până în 2031, va scrie o carte cea mai bine vândută până în 2049 și va îndeplini meseria de chirurg până în 2053.

Experții estimează că există o probabilitate relativ mare ca IA să depășească oamenii în toate domeniile în decurs de 45 de ani și să automatizeze toate locurile de muncă umane în 120 de ani.

Să vorbim pe scurt despre evoluția dezvoltării tehnologiei și a metodelor de transmitere a informațiilor pe un canal radio. Pentru o mai bună înțelegere a materialului, ne vom opri asupra mai multor concepte fundamentale adoptate în comunicațiile radio și transmiterea informațiilor cu ajutorul undelor radio.

Modulare – face posibilă transmiterea unui semnal pe o distanţă mare într-o bandă de frecvenţă dată şi cu caracteristici date (fază, frecvenţă, amplitudine).

Legătură– un mediu în care un semnal se propagă eficient prin transmiterea de energie electromagnetică.

Codificare asigură imunitatea la zgomot a informațiilor transmise și fiabilitatea transmiterii datelor.

Criptare se referă la secțiunea de protecție a informațiilor. Oferă acces limitat la informațiile transmise și protecție împotriva interceptării, deoarece accesul necesită un fel de cheie.

Metode de separare a canalelor de comunicare– mijloace tehnice care vă permit să organizați comunicații cu mai mulți abonați într-o bandă de frecvență dată. Vom lua în considerare această declarație numai pentru telecomunicații digitale și sisteme de comunicații. Aceasta include și tehnologii de rețea, cum ar fi protocolul TCP/IP.

Primele metode de transmitere a unui semnal prin undele radio

Să analizăm succesiunea dezvoltării tehnologiilor radio cu „încorporarea” consecventă a conceptelor de mai sus.

Primele transceiver radio (transceiver) utilizate modulație de amplitudine (A.M), vezi fig. 1 și varietățile sale: AM echilibrat (BAM cu suprimare a purtătorului), BAM cu o singură bandă laterală (OBAM).

Cronologie AM

Formula generală AM: Sam(t)=(1+ m* păcat(Ws* t))* Vn* păcat(Wn* t) (1), Unde

Sam(t) - despresemnal modulat;

m– indicele de modulație, m = Vs/ Vn;

Vs– amplitudinea semnalului transmis;

Ws– frecvența semnalului transmis;

Vn

Wn– frecvența vibrației purtătorului.

Acesta a fost primul pas către transmiterea informațiilor la distanță. Canalele au fost separate prin frecvență prin reglarea filtrelor de intrare la o frecvență diferită. Soluția a funcționat bine, dar AM a fost prea susceptibil la interferențe externe, cum ar fi fulgere, scântei la bornele generatorului, motoare, interferențe intenționate etc.

Informațiile erau transmise prin aer (pe aer) și prin fire (cablu). Odată cu apariția tehnologiei digitale de mare viteză, a devenit posibilă codificarea informațiilor în formă digitală, ceea ce a făcut posibilă, la rândul său, criptarea semnalului. Modulația de amplitudine în cuadratura (QAM) și variațiile sale sunt, de asemenea, utilizate pe scară largă pentru transmiterea semnalelor de impuls (digitale).

Modulația de amplitudine este utilizată în benzile DV, SV, HF pentru difuzarea analogică. Pentru transmisia radio digitală (DRM) – se utilizează numai HF. Împărțirea frecvențelor radio utilizate în tehnologie în intervale poate fi luată în considerare în Tabelul 3, care este prezentat mai jos:

4	Aplicat (Strat de aplicație)	de exempluHTTP , RTSP , FTP , DNS
3	Transport (Strat de transport)	de exempluTCP , UDP , SCTP , DCCP (RIP. ,protocoale de rutare cum ar fiOSPF care lucrează deasupraIP , fac parte din stratul de rețea)
2	Reţea (stratul de internet)	Pentru TCP/IP aceasta esteIP (protocoale auxiliare precumICMP ȘiIGMP , funcționează peste IP, dar aparțin și stratului de rețea; protocolARP este un protocol auxiliar autonom care rulează deasupra stratului de legătură de date)
1	Conductă (Strat de legătură)	Ethernet , IEEE 802.11 Ethernet fără fir, ALUNECARE , Token Ring , ATM ȘiMPLS , mediul fizic și principiile de codificare a informațiilor,T1 , E1

Banda DV-, SV este utilizată pe scară largă pentru comunicarea peste orizont, deoarece lungimea de undă la aceste frecvențe permite ca semnalul să fie reflectat din ionosferă și să cadă dincolo de orizont, ceea ce face posibilă organizarea comunicării la o distanță de peste 500 km, acest lucru poate fi atribuit principalului avantaj în comparație cu alte game de frecvență în care se utilizează AM. Un alt avantaj este semnalul de bandă îngustă (vezi Fig. 2), cu care alte tipuri de modulație nu se pot lăuda. În Figura 2, Ω este frecvența extremă a spectrului semnalului util și, ca urmare, nu există un consum de energie al transmițătorului pe componentele spectrale laterale se obține un rezultat deosebit de bun în ceea ce privește energia (SSB - single-); modulație de amplitudine echilibrată în bandă laterală cu purtătoare suprimată).

Modulația unghiulară (AM). Un tip de modulație în care semnalul de ieșire (purtător) la ieșirea modulatorului are o amplitudine constantă, dar faza, frecvența sau o combinație a ambelor se modifică.

Tipuri de modulație unghiulară: frecvență (FM, FM) și fază (FM, PM) - utilizate în tehnologia analogică. Modulația de fază în cuadratura (QPSK), modulația de frecvență gaussiană (GFSK), modulația de deplasare a frecvenței minime gaussiene (GMSK) etc. sunt utilizate pentru a transmite semnale digitale. Vom lua în considerare tipurile digitale de modulație sau, așa cum se mai numește și codificarea digitală, mai detaliat mai jos, unde vor fi indicate principalele sale avantaje și dezavantaje asociate compromisurilor pe care trebuie să le facă dezvoltatorii pentru a asigura fiabilitatea comunicării.

Figura 3 prezintă FM și spectrul său. Spectrul de semnale cu AM este mult mai larg decât cu AM, dar cu modularea în amplitudine în cuadratură, spectrele sunt comparabile în banda lor de frecvență. Figura 3 (de exemplu) prezintă FM și spectrul său.

Figura 3: Graficul temporal al FM ca tip de PA și spectrul acestuia cu un indice de modulație m = 15

UM și soiurile sale sunt utilizate în radiodifuziune și televiziune. Această gamă este VHF (VHF/VHF), UHF (VHF-Microunde).

Formula generală a UM:m(t) = Vc* cos(WC* t+ Q(t)) (2), Unde

m(t) – forma semnalului PA;

Vc– amplitudinea vibrației purtătorului;

WC– frecvența vibrației purtătorului;

Q(t) – legea schimbării de fază, prin schimbarea acestei legi se poate obține modulația de fază sau frecvență.

Comparând figurile 3 și 2, putem concluziona că cu AM spectrul este mai larg decât cel pentru AM. Acesta este un fel de plată pentru imunitatea la zgomot de semnal.

Aproape toate posturile portabile, începând de la 30 MHz, foloseau amplificatoare (FM, FM) și erau disponibile în toate ramurile armatei.

Modulație digitală

Odată cu dezvoltarea bazei elementului și a aparatului matematic pentru tehnologia digitală la începutul anilor 90, a avut loc un salt revoluționar în crearea microcircuitelor digitale de mare viteză. Acest lucru a făcut posibilă codificarea semnalului în formă digitală. Trecerea la metodele digitale de transmitere a informațiilor oferă un avantaj incontestabil față de cele analogice - acestea sunt: ​​codarea rezistentă la zgomot, criptarea și organizarea unei rețele cu mai mulți abonați într-o bandă de frecvență, în timp ce separarea canalelor de comunicație are loc prin setarea adreselor. de abonați și routere (acest lucru va fi scris mai detaliat mai jos, unde sunt acoperite elementele de bază ale rețelei).

Să luăm în considerare o diagramă bloc tipică a organizării comunicării digitale (vezi Fig. 4).

Mesajul transmis - audio, video, fotografie sau orice altă informație este mai întâi convertit din formă analogică în formă digitală. Blocul „Codificare sursă” se ocupă cu digitizarea sau codificarea. Acesta poate fi un convertor analog-digital (ADC) obișnuit a cărui ieșire va fi un cod binar, o secvență de zerouri și unu. Acest semnal, în principiu, ar putea fi deja trimis către modulator și transmis în aer, dar dacă la intrarea emițătorului de informații semnalul a fost distorsionat din cauza interferențelor și pe partea de recepție în loc de unul vom obține o serie de zerouri sau invers? Acest lucru va duce la pierderea datelor. Pentru a evita această situație, fluxul digital original este transferat la unitatea de codare rezistentă la zgomot.

Blocul de codare rezistent la zgomot este un dispozitiv de mare viteză care convertește codul sursă (un flux de zerouri și unu de la un ADC sau alt dispozitiv) tot într-un pachet de date digitale, dar într-o formă modificată. Redundanța este introdusă în acest pachet după un anumit algoritm, care pe partea de recepție face posibilă restabilirea semnalului în cazul unui anumit număr de erori. După conversia semnalului, fluxul de date digitale intră în modulator.

Modulația digitală este diferită de modulația analogică. Particularitatea sa este că, cu volume mari de date (sau la viteze mari) este necesar să se transmită mulți biți per simbol. Un exemplu de astfel de modulație pentru comunicațiile radio este 4-FSK (Frequency Shift Keying) sau 4-GFSK (Gauss Frequency Shift Keying). Ideea este să convertiți codul de intrare în impulsuri. Pe baza acestor impulsuri, modulatorul generează salturi de fază, fază și amplitudine sau frecvență la un interval de timp dat. De obicei, durata acestui interval este timpul necesar pentru a transmite un bit. Astfel, timpul petrecut pentru transmiterea mai multor biți este același ca și atunci când se transmite un bit original, care în limbajul tehnologiei digitale este numit simbol. Datorită unor astfel de manipulări, putem obține de la 16 la 256 de biți per simbol (de exemplu, pentru QAM - modulație de amplitudine în cuadratura). După aceasta, semnalul simulat este transferat în regiunea de înaltă frecvență (la frecvența purtătoare) și radiat în aer.

Pe partea de recepție, totul se întâmplă în ordine inversă: demodulare (detecție) -> decodare rezistentă la zgomot (corectarea erorilor din pachetul de date primit) -> decodare (conversie într-un semnal analogic sau în tipul de semnal necesar) -> emiterea de informații către operator sau efectuarea oricăror acțiuni.

Deci, modulația digitală permite:

1. Criptați informațiile.
2. Corectați biții de date prin introducerea unei codări rezistente la zgomot, care crește probabilitatea recepției corecte a informațiilor.
3. Creșteți imunitatea la zgomot și, în consecință, creșteți raza de comunicare prin utilizarea codării rezistente la zgomot, conținut mai mare de informații al semnalului transmis și organizarea unor tipuri complexe de modulație.

Apariția posturilor de radio digitale a revoluționat telecomunicațiile, întrucât a oferit un avantaj imens în ceea ce privește asigurarea securității transmiterii informațiilor, dar problema interacțiunii unui număr mare de unități de luptă individuale între ele nu a fost pe deplin rezolvată.

Rețele inteligente

La începutul anilor 80 a avut loc o dezvoltare activă a tehnologiilor de rețea pentru transmiterea datelor printr-un sistem de comunicații cu fir, prin organizarea multicanale în funcție de numărul de abonat. Ca urmare, aceasta a fost implementată sub forma unei rețele multi-utilizator - ISDN (Integrated Services Digital Network). Acest lucru a făcut posibilă unirea unui grup mare de utilizatori într-un singur spațiu digital în care mesajele, vocea și chiar datele video pot fi transmise unul altuia. Dezavantajul ISDN este că sistemul nu este universal. S-a exprimat în complexitatea configurației sale, în complexitatea upgrade-urilor software și, cel mai important, la introducerea unor modificări majore la protocol, a fost necesară modernizarea echipamentului. Adică sistemul nu era auto-ajustabil, nici inteligent.

Pentru a înțelege mai bine principiul de funcționare al rețelelor inteligente și avantajele acestora, vom lua în considerare pe scurt organizarea unei rețele moderne de calculatoare. Un bun exemplu este Internetul, care se bazează pe stiva de protocoale TCP/IP, care a fost adoptat ca standard în 1983 și a fost îmbunătățit de atunci.

Figura 5 prezintă o organizare tipică a rețelei; există rețele cu numerele 129.13.0.0, 198.21.17.0, 56.0.0.0 și routere care le conectează între ele.

Din Tabelul 1 se poate observa că fiecare dispozitiv sau abonat are propria sa adresă IP (adresă de rețea). În acest caz, fiecare dispozitiv se află în propria sa rețea, acest lucru este indicat prin numere (de la stânga la dreapta), de obicei cu zerouri la sfârșit.

Masca de rețea determină numărul maxim de abonați care pot fi localizați într-o anumită rețea (subrețea), determinarea se face prin multiplicarea logică a măștii și a adresei abonatului. Teoretic, numărul maxim de abonați N ai unei rețele este:

unde 32 este numărul de biți din adresa IP

Pentru a transmite un pachet de date din subrețeaua 129.13.0.0 către orice abonat aflat în rețeaua 213.34.12.0, este necesar să treci prin routere prin specificarea adreselor de rețea și a gateway-urilor – adică să organizezi un fel de canal de comunicare. Cu alte cuvinte, cunoscând harta rețelei, puteți ajunge cu ușurință la orice abonat, dar trebuie să țineți cont de faptul că pe partea de recepție vi se poate refuza cu ușurință accesul, ceea ce la rândul său face posibilă crearea unor canale de comunicare închise. În scopuri militare, această funcție este indispensabilă.

Mai sus am arătat pe scurt ce este necesar pentru a crea o rețea cu mai mulți utilizatori. Acum se pune întrebarea despre transferul de informații, care trebuie făcut pentru funcționarea simultană a tuturor abonaților conectați la rețea. În acest scop, a fost creat stiva de protocoale TCP/IP (Transmission Control Protocol/Internet Protocol).

Vezi tabelul. 4 ( Tabelul unor stații și compararea caracteristicilor acestora):

Caracteristici	Verdelit-1	Harris RF7850M-HH	Tadiran SDR-7200HH
MANET	da	ECCM avansat și căutare gratuită de canale	da
PLASĂ	da	da	da
Tipul de modulație	2FSK, 2GFSK, 4GFSK, 4FSK, MSK, OOK.	SDR: AM/FM-AnalogVoice, FSK/ASK-MELP Voce, ASK Data, FSK/TCM Data, GMSK/QPSK Data ECCM	SDR
PPRF	400 de salturi/sec	Nu	da
Rețea IP	IPv6, SNMP	IPv4, SNMP	da
Gama de frecvențe, MHz	160 – 930	30-512	NBWF:30-512 WBWF: 225 – 512
Criptare	AES256	AES256	AES256
Rata de transfer de date	1.2 până la 512 kbit	Până la 1 Mbit	Până la 1 Mbit
Puterea emițătorului	Adaptiv de la 10 µW la 2 W	Discret 0,25, 1, 2, 5 și 10 W	5 W
GPS	da	da	da
Preț relativ	scăzut	In medie	Înalt
Adăuga. funcțiiUSBRS-232 Bluetooth v4/v6 Ethernet	dada	dada	dada

În acest articol, nu vom lua în considerare toate nivelurile în detaliu. Principalul lucru este să înțelegeți că această abordare a organizării rețelei face posibilă crearea de rețele complexe de telecomunicații care oferă acces la informații pentru mai mulți abonați simultan.

Acum imaginați-vă că dvs. și tovarășii tăi aveți în mâini un dispozitiv care funcționează printr-un canal de comunicație fără fir, în timp ce vă puteți configura rețeaua, o criptați, criptați-o, să o faceți privată și să vă transmiteți simultan date unul altuia fără ajutorul bazei. stații, în acest caz, fiecare dintre stațiile dvs. (walkie-talkie, telefon) va servi ca un router sau un fel de repetor. Faptul ca fiecare radio poate fi reprezentat de un repetor si un router in acelasi timp asigura o crestere a razei de comunicare si conectare la alte retele configurate. Astfel, ajungem la conceptul de construire a rețelelor de tip MANET.

Ce este MANET

Abrevierea MANET este de obicei înțeleasă ca o rețea cu o topologie în schimbare dinamică, de obicei fără a intra în detalii despre cât de repede se schimbă această topologie. Totuși, acesta este principalul criteriu pentru a distinge topologia MANET de topologiile ad-hoc și mesh. Deci, să începem prin a defini ce sunt rețelele Mesh, Ad Hoc, mobile Ad Hoc și care este diferența dintre ele.

Plasă rețele - rețele radio cu o structură mesh, constând din routere wireless staționare care creează o coloană vertebrală wireless și o zonă de serviciu pentru abonați) și abonați mobili/staționari cu acces (în raza de comunicație radio) la unul dintre routere. Topologia este stea, cu o conexiune aleatorie a nodurilor suport (vezi Fig. 7).

Ad-hoc rețele – rețele radio cu abonați fiși aleatoriu, implementând control complet descentralizat în absența stațiilor de bază sau a nodurilor de referință. Topologie – fixată cu conexiune aleatorie a nodurilor.

MANET Rețele (Mobile Ad hoc NETworks) – rețele radio cu abonați mobile aleatori, implementând control complet descentralizat în absența stațiilor de bază sau a nodurilor de referință. Topologia se schimbă rapid cu o conexiune aleatorie a nodurilor.

La aceasta trebuie să adăugăm WSN (rețele de senzori fără fir)- retele de senzori wireless (telemetrie), formate din noduri de senzori de dimensiuni reduse cu functii integrate pentru monitorizarea anumitor parametri de mediu, procesarea si transmiterea datelor prin canale radio. Ele pot fi construite, în funcție de sarcină, folosind atât topologii mesh, ad-hoc și MANET; rețelele auto VANET (Rețele ad-hoc pentru vehicule)– rețele de comunicații pentru vehicule; și tot felul de hibrizi ai celor de mai sus.

În ultimul deceniu, oamenii de știință din întreaga lume au acordat multă atenție creării de rețele radio de pachete mobile care nu au o infrastructură fixă ​​- o rețea de abonați fix (Ad Hoc) și mobili (MANET).

Astfel de rețele se auto-organizează, deoarece nodurile lor nu sunt numai terminale de utilizator final, ci sunt și rutere-releu, care transmit pachete ale altor abonați și participă la găsirea rutelor către aceștia, prin urmare, aceste rețele sunt capabile de auto-organizare. Astfel de rețele pot consta din zeci, sute sau chiar mii de noduri. Domeniul de aplicare al unor astfel de rețele este destul de larg. Astfel, MANET-urile sunt utile în operațiuni de căutare și salvare, în teatrele de război la nivel tactic, în zone aglomerate (de exemplu, pentru a deservi participanții la conferință) și unde nu există infrastructură de telecomunicații (de exemplu, în expediții în regiuni îndepărtate de „ civilizație”).

Spre deosebire de rețelele cu structură ierarhică și control centralizat, rețelele peer-to-peer fără infrastructură constau din noduri de același tip, în care fiecare nod are un set de software și hardware care permite organizarea directă a transferului de date de la sursă la destinatar, dacă este așa. o cale este disponibilă fizic și, prin urmare, distribuie sarcina în rețea și crește capacitatea totală a rețelei. Transferul de date de la un abonat la altul poate avea loc chiar dacă aceste noduri se află în afara liniei de vizibilitate a radioului. În aceste cazuri, pachetele de date ale acestor abonați sunt transmise de către alte noduri de rețea care au conexiuni cu abonații corespunzători. Rețelele cu mai multe relee se numesc multihop sau multihop. La dezvoltarea unor astfel de rețele, principalele probleme sunt rutarea pachetelor de la nodul sursă la nodul destinație, scalabilitatea rețelei, adresarea dispozitivelor finale, menținerea conectivității într-o topologie variabilă. Astfel, principalele cerințe pentru sistemele de comunicații tactice de nouă generație sunt:

— mobilitatea deplină a tuturor abonaților și a elementelor de rețea;

— asigurarea calității specificate a serviciului utilizatorului (QoS) pe teritorii mari și în condițiile utilizării echipamentelor de război electronic de către inamic;

— protecția fiabilă a informațiilor;

— participarea umană minimă la procesul de planificare, implementare și gestionare a rețelelor.

Principalii producători de electronice din lume, cum ar fi Harris, Thales, Elbit Systems și alții, oferă o gamă largă de echipamente speciale de comunicații cu suport pentru protocoale inteligente pentru rețele de auto-organizare cu topologie MANET dinamică și construite folosind tehnologia SDR. Acest lucru face posibilă atingerea superiorității informaționale asupra inamicului, pe baza interacțiunii centrate pe rețea între participanții la schimbul de informații și, de asemenea, permite utilizarea echipamentelor vechi, acolo unde este necesar.

Cum functioneaza

Rețelele moderne de telecomunicații evoluează către o infrastructură de pachete bazată pe stiva de protocoale TCP/IP. De exemplu, standardul de comunicații mobile de a treia generație (3G) implică faptul că operatorul de telefonie mobilă are o rețea de comutare centrală bazată pe transmisia de pachete de informații prin TCP/IP. Iar standardul 4G transferă complet tot traficul operatorului, inclusiv accesul radio, în formatul „all-IP”. Pe această parte, s-a ajuns la un consens în lumea telecomunicațiilor. Rețelele de pachete și-au capturat ferm nișa și nu vor renunța la poziția lor.

Telecomunicațiile militare, cunoscute pentru conservatorism și inerție, se mișcă și ele în această direcție. În special, compania Harris menționată mai sus în linia sa de stații portabile, cum ar fi Falcon III, citează capacitatea de a opera o rețea radio folosind protocoale TCP/IP ca una dintre caracteristicile sale. Cum beneficiază asta militarii? Răspunsul este simplu. Integrarea tuturor tipurilor de trafic prin servicii Internet dovedite și depanate. Imaginați-vă un soldat pe câmpul de luptă, unde situația se schimbă în fiecare secundă și trebuie să raporteze situația la comandă în timp real, să primească ordine, să încarce o hartă tactică etc. Pe lângă fiabilitate și securitate, o astfel de conexiune trebuie să fie rezistentă și la schimbările de topologie, rutarea trebuie să aibă convergență rapidă, adică; garantează găsirea unei rute de o anumită calitate într-un timp rezonabil, garantează absența buclelor și oferă mesaje multicast. Dacă există mulți astfel de soldați? Să zicem, o companie sau un batalion?

De exemplu, la un radio clasic, pentru a asigura o comunicare deplină într-un grup de 10 persoane, emițătorul fiecărui abonat trebuie să „atingă” ceilalți 9. În caz contrar, orice pereche de abonați riscă să rămână fără comunicare. Această problemă poate fi rezolvată simplu - prin instalarea unui repetor pe o anumită zonă de acoperire. Cu toate acestea, această abordare nu este lipsită de dezavantaje. Această organizare a comunicării presupune că, în timp ce „unul vorbește, ceilalți sunt tăcuți”, astfel, în zona de acoperire, repetorul preia automat partea sa din timpul de antenă, reducând astfel capacitatea totală a canalului. Pentru traficul de voce de intensitate redusă, această soluție poate fi acceptabilă, dar atunci când intensitatea traficului radio crește, această abordare este ineficientă. Ce putem spune despre transmisia de date, în cazul în care repetorul va „înfunda” pur și simplu alte stații, dacă acestea sunt capabile să treacă în aer. După cum putem vedea, radioul clasic cu comutare de circuite este de puțin folos pentru conceptele moderne „centrate pe rețea” pentru integrarea vocii, date și video. Această problemă este rezolvată folosind metode testate în timp, cum ar fi comutarea de pachete și protocoale inteligente, cum ar fi TCP/IP.

Protocoale și impactul lor

Baza pentru autoorganizarea oricărei rețele radio de tip MANET o constituie protocoalele de control inteligente. În acest caz, protocoalele sunt înțelese ca un set de reguli semantice și predicate logice care determină modelul de comportament al unui nod de abonat într-o rețea radio în funcție de o situație specifică. Deoarece tot traficul dintr-o astfel de rețea constă din pachete scurte cu o indicație explicită a expeditorului și destinatarului, iar fiecare abonat este un releu, se pune întrebarea cum trebuie procesat exact acest pachet. La urma urmei, nu poți pur și simplu să retransmiți toate pachetele conform principiului „repet tot ce aud”, ca în radioul clasic. Acest lucru va duce la faptul că prima difuzare a oricărui abonat va provoca un efect de avalanșă al generării de trafic, care în cele din urmă va „înfunda” imediat canalul cu pachete duplicate. Aici apare câmpul pentru dezvoltarea algoritmilor de procesare inteligentă a pachetelor în funcție de abonatul apelat, adică. protocoale de rutare.

Se obișnuiește să se împartă protocoalele de rutare în proactive (tabulare), reactive (sondă) și hibrizii acestora (există și protocoale wave, dar mai multe despre ele altădată). În zorii dezvoltării rețelelor mesh, au încercat să folosească protocolul standard de rutare OSPF. Desigur, nimic nu a rezultat din asta, pentru că... a fost dezvoltat pentru condiții de funcționare complet diferite. Drept urmare, au apărut o mulțime de lucrări științifice, care propun zeci de protocoale de rutare pentru rețele radio auto-organizate. Problema, totuși, este că protocoalele de rutare dezvoltate efectiv pentru rețelele MANET fie nu sunt implementate fizic în limbajul C, fie sunt concentrate pe obținerea utilizării optime a resurselor rețelei în condiții de funcționare a rețelei cvasi-statice, de exemplu. când topologia se schimbă lent sau nu se schimbă deloc. Acesta din urmă este relevant pentru protocoale orientate pe tabele, cum ar fi OLSR, DSDV, WRP, BATMAN, Babel etc. Cu toate acestea, protocoalele de tabel implică faptul că tabelele de rutare conțin informații despre întreaga rețea simultan, de exemplu. ei construiesc constant rute către toate nodurile cunoscute de ei, indiferent dacă avem nevoie sau nu de acest abonat.

Protocoalele de sondă, cum ar fi AODV, DSR, SSR, TORA, implică rutare la cerere, dar nu sunt complet standardizate. În plus, datorită canalelor asimetrice, rutarea trebuie să suporte modul de construire a mai multor rute atât de la destinatar la destinatar, cât și în sens opus. Și doar protocoalele DSR și TORA acceptă acest lucru.

Astfel, problema selectării protocoalelor de rutare adecvate pentru a asigura conectivitatea și scalabilitatea rețelei radio este critică. Dacă stiva de protocoale este aleasă incorect, caracteristicile rețelei și capacitatea acesteia de a se autoorganiza pot fi reduse semnificativ, până la o refuz complet de serviciu. Pe de altă parte, dacă sunt proiectate și implementate corespunzător, protocoalele adecvate pot realiza conceptul de „interacțiune centrată pe rețea” cu toate tipurile de trafic în toată gloria.

Tabelul 2 prezintă unele analoge de stație și compararea acestora. Toate dispozitivele din tabel sunt elemente ale implementării conceptului de management centrat pe rețea.

Ne va salva inteligența artificială de criză?

Potrivit estimărilor preliminare, anul acesta piața rusă de IT în termeni monetari nu va diferi foarte mult de cea anterioară. Unul dintre motive este situația economică generală din țară. „În general, pentru acest an, ne așteptăm ca economia să înregistreze o creștere de 1,8%, iar inflația să încheie anul la 3,4%”, a menționat ministrul rus al Dezvoltării Economice, Maxim Oreșkin, vorbind în această toamnă despre evoluția previziunilor socio-economice a țara pentru 2019-2021. și pentru perioada până în 2024.

O astfel de piață este piața sistemelor de inteligență artificială (AI). Vorbind la ședința din noiembrie a Comitetului APCIT pentru monitorizarea dezvoltării industriei IT, șeful acestui comitet și vicepreședintele IBM Kirill Korniliev a reamintit că, conform estimărilor Frost & Sullivan, introducerea tehnologiilor AI până în 2030 va asigura un creșterea cifrei de afaceri a companiilor din lume cu 15,7 trilioane . dolari (dintre ei 10,7 trilioane vor veni de la companii americane și chineze), spune un articol ITWeek.

Aproximativ aceleași estimări ale contribuției AI la economia globală sunt cuprinse în raportul PwC „Care este valoarea reală a AI pentru afacerea dvs. și cum puteți capitaliza?”: va crește treptat de la aproximativ 1 trilion. dolari în 2017 la aproape 16 trilioane. dolari în 2030. În ceea ce privește țara noastră, piața de învățare automată de acolo va crește de la 700 de milioane de ruble. în 2017 la 28 de miliarde de ruble. în 2020 (adică de aproximativ 40 de ori!), iar anul acesta va fi de aproximativ 1 miliard de ruble.

Pe fundalul unor așteptări atât de mari, opinia șefului Centrului pentru Tehnologii Cognitive al Grupului de Companii I-Teco, Ilya Kalagin, este interesantă că piețele AI și învățarea automată pot salva integratorii autohtoni de ruina cauzată de o scăderea cererii pentru proiectele IT tradiționale.

În același timp, trebuie înțeles că AI nu este un panaceu, a subliniat Ilya Kalagin. Iar inteligența artificială nu este întotdeauna mai eficientă decât inteligența naturală. Mai ales dacă acesta din urmă folosește metode tradiționale bine dezvoltate de matematică aplicată, „materializate” în sistemele BI moderne. Nu este un secret pentru nimeni că dezvoltatorii de sisteme AI tind să-și exagereze succesele și să tacă eșecurile, creând adesea o impresie părtinitoare a rețelelor neuronale și a neurocalculatoarelor. Cu toate acestea, după cum notează Ilya Kalagin, această situație este tipică nu numai pentru dezvoltatorii de sisteme de rețele neuronale.

El consideră, de asemenea, că înainte ca rețelele neuronale artificiale să poată fi utilizate pentru a rezolva probleme în care sunt în joc vieți umane sau instalații industriale importante (de exemplu, în energia nucleară), problemele de fiabilitate a acestor rețele trebuie rezolvate. În același timp, el atrage atenția asupra faptului că procesul de îmbunătățire a tehnologiilor AI este în desfășurare, iar algoritmii moderni de rețele neuronale au depășit deja în mod semnificativ algoritmii tradiționali din domeniul viziunii computerizate și al traducerii în eficiența lor.

Cele mai mari companii de audit din lume încep treptat să introducă tehnologii de inteligență artificială în activitățile lor. Auditorii speră că inteligența artificială îi va ajuta să elibereze oamenii de sarcinile tehnice și de rutină pentru a-și optimiza munca.

După cum a devenit cunoscut, companiile de audit EY și PwC implementează un proiect pilot de utilizare a inteligenței artificiale (AI) pentru recunoașterea imaginilor, efectuând unele sarcini contabile și alte tipuri de activități tehnice de rutină pe care le efectuează în prezent angajații. Publicația britanică notează că toate companiile Big Four - PwC, EY, KPMG și Deloitte - cresc în mod activ investițiile în noi tehnologii, inclusiv inteligența artificială, pentru a-și optimiza activitățile și a evita erorile umane. Printre cele mai promițătoare domenii de aplicare a inteligenței artificiale se numără accelerarea finalizării aplicațiilor de la și pentru clienți, recunoașterea „anomaliilor” în tranzacțiile financiare și analiza datelor pentru posibile interferențe externe și fraude.

„Devine din ce în ce mai clar pentru noi că AI va avea un impact uriaș asupra afacerii noastre, așa că încercăm deja să facem cât mai multe baze posibil în acest domeniu”, a declarat John Andrews, șeful tehnologiei și investițiilor la PwC UK. FT. „Este probabil ca investițiile în aceste domenii să crească exponențial”.

La rândul său, KPMG plănuiește să introducă un sistem care să evalueze informațiile de credit pe baza rezultatelor unei analize a portofoliilor de credite din băncile comerciale. În plus, inteligența artificială poate fi folosită pentru analiza predictivă și construirea de modele probabilistice. Pentru a implementa aceste tehnologii, KPMG colaborează cu proiectul IBM Watson și cu mai multe startup-uri AI de mai bine de un an.

FT notează că cei patru mari auditori implementează activ IA și pentru că încearcă să-și apere pozițiile pe piața UE, unde recent concurența a crescut considerabil: noi reguli UE, conform cărora compania este obligată să anunțe o licitație pentru audit și își schimbă auditorul cel puțin o dată la 20 de ani și au crescut semnificativ numărul de licitații pentru audituri externe. Astfel, numărul de astfel de licitații în rândul companiilor incluse în indicele FTSE 250 a crescut de la cinci în 2012 la cincizeci în 2016.

„Așteptările în industria de audit cresc considerabil pe măsură ce autoritățile de reglementare devin mai exigente”, a spus Stephen Giggs de la Deloitte „Firmele de audit încearcă să se diferențieze de mulțime prin abordarea lor față de inovare și expertiză proprie, ceea ce ar trebui să le ofere un avantaj competitiv. ”