Нейрообразовательная среда для приобретения компетенций в области сквозных цифровых технологий (нейротехнологии) в условиях цифровой трансформации

Цель исследования. Целью исследования является разработка предложений по формированию нейрообразовательной среды, обеспечивающей получение обучаемыми компетенций, необходимых для решения задачи внедрения сквозных цифровых технологий в рамках реализации программы цифровой экономики. Проведенный анализ показал, что совершенствование подготовки специалистов в области нейротехнологий и искусственного интеллекта в цифровой экономике является актуальной и востребованной задачей. В статье рассмотрен подход к решению задачи совершенствования подготовки специалистов в области нейротехнологий с учетом требований Федерального проекта «Кадры для цифровой экономики» путем создания технологической платформы нейрообразовательной среды, обеспечивающей приобретение обучаемыми необходимых компетенций.

Материалы и методы исследования. В процессе выполнения исследований развиты теоретические положения в области теории нейронных сетей, предложен новый класс нейронов и нейронных сетей, приближенных по функциям к биологическим нейронным сетям и получивших название избирательных. Разработана технология обучения и применения избирательных нейросетей. Показано преимущество избирательных технологий по сравнению с классическими нейрсетями. Разработаны и применяются в учебном процессе аппаратные модели нейросетей, входящие в состав нейрообразовательной системы. Разработана общая методология обучения нейросетевой технологии, как одной из сквозных технологий цифровой экономики, а также методология применения нейронных сетей при решении экономических задач в условиях цифровой трансформации.

Результаты. Разработана технологическая платформа нейрообразовательной среды, включающее программное обеспечение, аппаратные модели классических нейронов и перцептронов (МакКаллока-Питтса), а также нейронов и перцептронов нового класса, получивших название избирательных. Разработано и предложено программное средство для обучения стандартным и избирательным нейротехнологиям, на которое получено свидетельство о государственной регистрации программы для ЭВМ. Для усвоения теоретического материала и приобретения практических навыков разработаны методические материалы, авторские практические задачи и авторские лабораторные работы, входящие в состав технологической платформы. Предложенные в статье подходы могут быть использованы при организации изучения теории нейросетей и методов прикладного применения нейротехнологий при решении задач внедрения сквозных цифровых технологий в рамках реализации программы цифровой экономики. Результаты разработки подтверждены 4-мя патентами на изобретение. С целью более эффективного освоения теоретических положений и особенностей практического применения нейротехнологий основное внимание уделяется физическому смыслу и представлению происходящих процессов при функционировании нейронной сети в виде формальных описаний, которые обеспечивают более эффективное усвоение основ теории нейронных сетей и нейротехнологий с использованием существующих стандартных нейросетевых архитектур, а также архитектур, построенных на основе избирательных нейросетей.

Заключение. Разработана архитектура и компоненты технологической платформы нейрообразовательной среды на основе нейрообразовательных комплексов. Разработан общий методический подход для обучения основам нейротехнологии на основе стандартных и избирательных нейронных сетей и особенностям их применения в рамках реализации программы цифровой экономики. Разработана методика обучения основам нейротехнологии на основе стандартных и избирательных нейронных сетей, которая включает математическую теорию стандартных и избирательных нейронных сетей, описание процесса обучения стандартных нейронных сетей, построенных на основе нейронов МакКаллока-Питтса, а также избирательных нейронных сетей, построенных на основе избирательных нейронов.

1. Распоряжение Правительства РФ от 28.07.2017 № 1632-р об утверждении программы «Цифровая экономика Российской Федерации» [Электрон. ресурс]. Режим доступа: http://base.garant.ru/71734878/ (Дата обращения: 14.10.2020)

2. Национальная программа «Цифровая экономика Российской Федерации», утверждена протоколом заседания президиума Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам от 4 июня 2019 г. № 7. [Электрон. ресурс]. Режим доступа: https://digital.gov.ru/ru/activity/directions/858/ (Дата обращения: 14.10.2020)

3. Сайт Министерства цифрового развития, связи и массовых коммуникаций. Российской Федерации. Сквозные цифровые технологии [Электрон. ресурс]. Режим доступа: https://digital.gov.ru/ru/activity/directions/878/ (Дата об- ращения: 14.10.2020)

4. Публичный аналитический доклад по направлению «нейротехнологии» [Электрон. ресурс]. Режим доступа: https://reestr.extech.ru/docs/analytic/reports/neuroscience.pdf (Дата обращения: 14.10.2020)

5. Дорожная карта развития «сквозной» цифровой технологии «нейротехнологии и искусственный интеллект» 10 октября 2019 [Электрон. ресурс] Режим доступа: https://digital.gov.ru/ru/documents/6658/. (Дата обращения: 14.10.2020).

6. План мероприятий «дорожная карта» «Нейронет» Национальной технологической инициативы [Электрон. ресурс]. Режим доступа: https://nti2035.ru/markets/neuronet (Дата об- ращения: 14.10.2020)

7. Приказ Минэкономразвития от 24.01.2020г. №41 «Об утверждении методик расчета показателей проекта «Кадры для цифровой экономики» для национальной программы «Цифровая экономика» [Электрон. ресурс]. Режим доступа: https://rulaws.ru/acts/Prikaz-Minekonomrazvitiya-Rossii-ot-24.01.2020-N-41/(Дата обращения: 14.10.2020)

8. Мазуров М.Е. Импульсный нейрон, близкий к реальному. Патент на изобретение № 2598298. 09.02.2015.

9. Мазуров М.Е. Нейрон, моделирующий свойства реального нейрона. Патент на изобретение № 2597495. 07.11.2014.

10. Мазуров М.Е. Однослойный перцептрон на основе избирательных нейронов. Патент на изобретение № 2597497. 13.01.2015.

11. Мазуров М.Е. Однослойный перцептрон, моделирующий свойства реального перцептрона. Патент на изобретение № 2597496. 24.02.2015.

12. Перцептроны [Электрон. ресурс]. Режим доступа: https://neuralnet.info/chapter/персептроны/ (Дата обращения: 14.10.2020)

13. Novikoff A.B. On convergence proofs on perceptrons // Symposium on the Mathematical Theory of Automata. Polytechnic Institute of Brooklyn. 1962. № 12. С. 615-622.

14. Мазуров М.Е. Точность распознавания изображений в избирательных нейронных сетях // Нейрокомпьютеры: разработка, применение. 2020.

15. Мазуров М.Е. Нелинейная динамика и синхронизация нейронных ансамблей при фор- мировании внимания // Известия РАН. Серия физическая. 2020. Т. 84. № 3. С. 451–456.

16. Мазуров М.Е. Свидетельство о Государственной регистрации «Программа расчета весовых коэффициентов перцептрона с помощью избирательного метода Монте-Карло». №2019617233 от 04.06.2019.

17. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия – телеком, 2010. 496 с.

18. Мазуров М.Е. Обучение избирательных бинарных нейронных сетей без математики и без учителя с использованием самоорганизации. XVIII Всероссийская научная конференция «Нейрокомпьютеры и их применение». 2020. С. 27–28.

19. Кириченко А.А. «Нейропакеты – современный интеллектуальный инструмент исследователя». Сетевое электронное издание учебного пособия. 2016. 297с. [Электрон. ресурс] Режим доступа: https://publications.hse.ru/books/91277065 (Дата обращения: 14.10.2020)

20. Deductor «О системе» [Электрон. ресурс] Режим доступа: https://basegroup.ru/deductor/description (Дата обращения: 14.10.2020)

21. Прокопенко Ю.Н. Системы поддержки принятия решений. Нижний Новгород: ННГА-СУ, 2017. 188 с.