Системная информатика, 2025, № 26

Статья посвящена вопросам адаптации в интеллектуальных обучающих системах, а именно методам и средствам реализации адаптивного генерирования электронных учебных курсов. Рассматриваются интеллектуальные системы обучения с адаптивным генерированием электронных учебных курсов, предоставляющих индивидуализированный учебный материал для каждого учащегося и динамически выбирающих оптимальный метод обучения на каждом шаге процесса обучения, а также используемые в них методы и средства адаптации.

Статья посвящена разработке прототипа системы мониторинга электрокардиограмм (ЭКГ) на основе микроконтроллера ESP8266. Система использует датчик AD8232 для сбора данных ЭКГ, которые передаются на сервер по протоколу Wi-Fi. На серверной стороне данные обрабатываются с использованием фреймворка PyTorch и модели LSTM для анализа в реальном времени. Основное внимание уделено проектированию прототипа системы, деталям сбора и предварительной обработки данных, а также применению модели LSTM. Результаты тестирования системы показывают, что она способна эффективно отслеживать сигналы ЭКГ и выявлять аномалии с высокой точностью и в реальном времени.

В данной статье предлагаются новые алгоритмы связывания научных терминов с сущностями Википедии и MeSH (Medical Subject Headings), работающие в условиях ограниченного количества данных. Алгоритм связывания с Википедией для части коллекции текстов на русском языке использует поисковую систему Википедии для генерации кандидатов и библиотеку spaCy для получения векторного представления текста. Подсчет семантической близости между описанием сущности из Википедии и термином из текста выполняется не только на основе самого научного термина, но и контекста, в котором он расположен. Для части коллекции по медицинской тематике, содержащей переводы с русского на английский язык, описан и реализован алгоритм связывания терминов, который опирается на словарь медицинских предметных рубрик MeSH. Результаты экспериментов показывают значения F1-меры 50.77 % для Википедии и 40.05 % для MeSH, что является хорошим показателем в условиях малого объема размеченных данных. Проведенное исследование подчеркивает необходимость развития специализированных русскоязычных баз знаний по аналогии с MeSH. Перспективным направлением является применение мультиязычных моделей для кросс-лингвистического связывания, что особенно актуально для редких терминов. Полученные результаты могут применяться при создании интеллектуальных систем анализа научных текстов и автоматизированных научных ассистентов, что особенно важно для узких предметных областей.

В работе рассмотрены вызовы при разработке глобальной стратегии развития искусственного интеллекта, где сильный ИИ (Strong AI/AGI) определён как стратегический актив человечества. Его реализация требует международного консенсуса для преодоления этических, технологических и геополитических барьеров. IAIC предлагает план, направленный на укрепление сотрудничества стран в создании надёжных и доступных ИИ-систем. Интеграция гибридных архитектур, мультиагентных взаимодействий, виртуальных миров и мульти-блокчейнов формирует основу для создания и продвижения Strong AI, минимизируя риски потери знаний, геополитической дезинтеграции и этических нарушений. План реализации (2025–2050) ориентирован на позиционирование ИИ как катализатора устойчивого развития, повышения конкурентоспособности и глобальной стабильности.

Обучение физически информированных нейронных сетей осуществляется путем минимизации функции потерь, которая является суммой квадратов невязок решаемого уравнения или системы уравнений. Такие сети не требуют построения сетки, что особенно важно при решении обратных краевых задач и задач со сложной областью решения. Мы используем сети радиальных базисных функций с функцией Гаусса. Физически информированные сети радиальных базисных функций легче обучаются, чем полносвязные сети. Они позволяют аналитически получать формулы для градиента функции потерь. Особенностью нашего подхода к обучению сетей на основе радиальных базисных функций является настройка не только весов, но и параметров радиальных базисных функций, что не требует подбора параметров радиальных базисных функций и ускоряет процесс обучения. Разработаны алгоритмы решения прямых и обратных краевых задач, алгоритм решения системы дифференциальных уравнений для моделирования течения Коважного. Разработаны программы, использующие различные алгоритмы обучения физически информированных сетей радиальных базисных функций.