ПНСТ 553-2021
ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
Информационные технологии
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Термины и определения
Information technology. Artificial intelligence. Terms and definitions
ОКС 35.020
Срок действия с 2022-03-01
до 2023-03-01
Предисловие
1 РАЗРАБОТАН Федеральным государственным автономным образовательным учреждением высшего образования "Национальный исследовательский университет "Высшая школа экономики" (НИУ ВШЭ)
2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 "Искусственный интеллект"
3 УТВЕРЖДЕН и ВВЕДЕН в ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 26 ноября 2021 г. N 46-пнст
4 Настоящий стандарт разработан с учетом основных нормативных положений проекта международного стандарта ИСО/МЭК 22989* "Информационные технологии. Искусственный интеллект. Понятия и терминология искусственного интеллекта" (ISO/IEC DIS 22989 "Information technology - Artificial intelligence - Artificial intelligence concepts and terminology", NEQ)
Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТ Р 1.16-2011 (разделы 5 и 6).
Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: [email protected] и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д.10, стр.2.
В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе "Национальные стандарты" и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)
Введение
Установленные в настоящем стандарте термины расположены в систематизированном порядке, отражающем систему понятий данной области знаний.
Для каждого понятия установлен один стандартизованный термин.
Заключенная в круглые скобки часть термина может быть опущена при использовании термина в документах по стандартизации.
Наличие квадратных скобок в терминологической статье означает, что в нее включены два (три, четыре и т.п.) термина, имеющих общие терминоэлементы.
В алфавитном указателе данные термины приведены отдельно с указанием номера статьи.
В стандарте приведены иноязычные эквиваленты стандартизованных терминов на английском языке.
Стандартизованные термины набраны полужирным шрифтом, их краткие формы, представленные аббревиатурой, - светлым.
1 Область применения
Настоящий стандарт устанавливает основные термины и определения в области искусственного интеллекта, в том числе в области машинного обучения и нейронных сетей, включая термины и определения, относящиеся к отдельным свойствам и задачам систем искусственного интеллекта.
Термины, установленные настоящим стандартом, рекомендуется использовать в нормативных документах, правовой, технической и организационно-распорядительной документации, научной, учебной и справочной литературе.
2 Нормативные ссылки
Термины, относящиеся к искусственному интеллекту
1 агент (agent): Автоматический субъект, способный воспринимать среду своего функционирования и предпринимать действия для достижения своих целей.
Примечание - Агент искусственного интеллекта - это агент, который максимизирует свое вознаграждение или свои возможности успешного достижения своих целей.
2 искусственный интеллект; ИИ (artificial intelligence, AI):
1) Способность приобретать, обрабатывать, создавать и применять знания, определенные в форме модели, для выполнения одной или нескольких поставленных задач;
2) Дисциплина о создании и изучении искусственного интеллекта;
3)
Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе то, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений. [1] |
3 система искусственного интеллекта; система ИИ (artificial intelligence system, AI system): Техническая система обработки информации, обладающая искусственным интеллектом.
4 знания (knowledge): Информация об объектах, событиях, понятиях и правилах, их отношениях и свойствах, упорядоченная для целевого систематического использования.
Примечания
1 Сведения могут быть представлены в числовой или символьной форме.
2 Сведения - это данные, определенные в конкретном контексте и поэтому являющиеся интерпретируемыми. Данные создаются путем моделирования или измерений объектов реального мира.
5
модель (model): Физическое, математическое или иное адекватное представление системы, объекта, эффекта, процесса или данных. [[2], пункт 3.1.11] |
6 задача (task): Набор действий, выполняемых для достижения конкретной цели.
Примечания
1 Эти действия могут быть результатом физической, перцепционной и/или когнитивной деятельности.
2 В отличие от целей, которые не зависят от способов, используемых для их достижения, задачи описывают конкретные способы достижения целей.
3 Примеры задач: классификация, регрессия, ранжирование, кластеризация, уменьшение размерности.
7 автономность [автономный] (autonomy, autonomous): Характеристика системы, определяющая возможность системы функционировать без внешнего управления или воздействия.
8 гетерономность [гетерономный] (heteronomy, heteronomous): Характеристика системы, определяющая возможность системы функционировать в условиях ограничений, связанных с внешним управлением или воздействием.
9
интегральная схема специального назначения; ASIC (application specific integrated circuit, ASIC): Интегральная схема, специализированная под конкретное применение. [[3], пункт 3.193] |
10 автоматический процесс (automatic process): Процесс, осуществляемый без участия человека.
11 автоматизированный процесс (automated process): Процесс, осуществляемый при совместном участии человека и средств автоматизации.
12 Байесовская сеть (Bayesian network): Вероятностная модель, которая использует байесовский вывод на направленном ациклическом графе для вычисления вероятности.
13
интеллектуальный анализ данных (data mining): Вычислительный процесс извлечения повторяющихся признаков и структур на основе результатов анализа количественных данных в разных проекциях и измерениях, категоризации данных и обобщения их возможных взаимосвязей и зависимостей. [[4], пункт 3.13] |
14 когнитивные вычисления (cognitive computing): Класс технологий искусственного интеллекта, предназначенных для обеспечения более естественного взаимодействия людей с машинами.
Примечание - Технологии когнитивных вычислений включают в себя машинное обучение, обработку речи, обработку естественного языка, обработку изображений и человеко-машинный интерфейс.
15 непрерывное обучение [постоянное обучение, обучение на протяжении всей жизни] (continuous learning, continual learning, lifelong learning): Последовательное обучение системы искусственного интеллекта, которое происходит на постоянной основе на всем этапе эксплуатации жизненного цикла системы искусственного интеллекта.
16
компьютерное зрение (computer vision, artificial vision): Способность функционального блока принимать, обрабатывать и интерпретировать визуальные данные. Допустимый синоним: Искусственное зрение. Примечания 1 Компьютерное зрение включает применение зрительных чувствительных элементов для создания электронного или цифрового изображения зрительной сцены. 2 Не надо путать с машинным зрением. [ГОСТ 33707-2016, пункт 4.540] |
17 управляемость, управляемый (controllability, controllable): Свойство системы искусственного интеллекта, определяющее возможность внешней стороны вмешиваться в работу системы.
Примечание - Такая система гетерономна.
18 деревья решений (decision trees): Модель, вывод для которой кодируется путями от корня к листовой вершине в древовидной структуре.
19 экспертная система (expert system): Система искусственного интеллекта, которая накапливает актуальные знания человека-эксперта и позволяет неспециалистам использовать эти знания для решения задач.
20 общий искусственный интеллект; общий ИИ (general artificial intelligence, general AI): Искусственный интеллект, который выполняет широкий круг задач с приемлемым уровнем результативности.
21 генетический алгоритм (genetic algorithm): Алгоритм решения оптимизационных задач, имитирующий естественный отбор путем создания и развития популяций особей (решения).
22 интернет вещей; IoT (internet of things, IoT): Инфраструктура, включающая объекты, людей, системы и информационные ресурсы, и сервисы, которые обрабатывают и реагируют на информацию, поступающую из материального и виртуального миров.
23 устройство интернета вещей (internet of things device): Объект системы интернета вещей, который взаимодействует с материальным миром посредством применения сенсоров и исполнительных устройств.
Примечание - Интернет вещей может быть сенсором или исполнительным устройством.
24
жизненный цикл (life cycle): Развитие системы, продукции, услуги, проекта или другого созданного человеком объекта от замысла до списания. [ГОСТ Р 57193-2016, пункт 4.1.19] |
25 прикладной [специальный] искусственный интеллект (narrow artificial intelligence): искусственный интеллект, который решает определенные задачи, связанные с конкретной проблемой.
26 оптическое распознавание символов (optical character recognition): Преобразование изображений машинописного, печатного или рукописного текста в машиночитаемый текст.
Примечание - Данная задача также включает задачу идентификации текстовой структуры, например заголовков, рисунков, таблиц и т.д.
27 показатель (performance): Измеримый результат.
Примечания
1 Показатели могут относиться к количественным или качественным результатам.
2 Показатели могут относиться к управлению деятельностью, процессами, продуктами (включая услуги), системами или организациями.
28 планирование (planning): Вычислительные процессы, которые формируют рабочий процесс из набора действий, направленных на достижение определенной цели.
29 мягкие вычисления (soft computing): Обработка, допускающая и учитывающая неточности, неопределенности, частичную истинность и приближения во входных данных, обеспечивающая полезные результаты наряду с интерпретируемостью, робастностью и низкой стоимостью решения.
Примечание - Мягкие вычисления - это комплекс исследований в области эволюционных алгоритмов, генетического программирования, роевого интеллекта, нейронаук, нейросетевых систем, теории нечетких множеств, нечетких систем, вероятностной логики, теории хаоса, хаотических систем (см. [5]).
30 символьный искусственный интеллект (symbolic artificial intelligence): Система искусственного интеллекта, которая кодирует знания с использованием символов и структур.
31 подсимвольный искусственный интеллект (subsymbolic artificial intelligence): Система искусственного интеллекта, основанная на парадигме коннекционизма.
Примечание - Определение подсимвольного искусственного интеллекта сравнивают с определением символьного искусственного интеллекта.
32 коннекционистская модель [коннекционистский подход, коннекционизм] (connectionist model, connectionist approach, connectionism): Вид когнитивного моделирования, при котором используется сеть взаимосвязанных единиц, обычно являющихся простыми вычислительными единицами.
33
робот (robot): Автоматическая система с исполнительными механизмами, которая выполняет поставленные задачи в материальном мире посредством измерения окружающей среды и программной системы управления. Примечания 1 Робот может включать систему управления и интерфейс системы управления. 2 Робот классифицируется на промышленного или сервисного робота в соответствии с его предназначением. 3 Чтобы правильно выполнять свои задачи, робот использует различные типы сенсоров для подтверждения своего текущего состояния и для того чтобы воспринимать элементы, определяющие его среду функционирования. [Адаптировано из [6], пункт 3.1] |
34
робототехника (robotics): Наука и практика проектирования, производства и применения роботов.
[ГОСТ Р 60.0.0.4-2019/ИСО 8373:2012, статья 2.16]
Термины, относящиеся к машинному обучению
35 аннотирование [разметка] данных (data annotation): Процесс маркирования данных, выполняемый для того, чтобы сделать данные пригодными для машинного обучения.
36 проверка качества данных (data quality checking): Процесс определения того, какие дефекты входящих идентификационных записей могут быть исправлены системой и какие не могут быть исправлены, но при этом будут обработаны.
37 аугментация данных (data augmentation): Процесс создания новых экземпляров данных путем совершения действий с исходными данными.
38 выборка данных (data sampling): Метод статистического анализа, используемый для выбора, обработки и анализа представительного подмножества данных для выявления повторяющихся признаков и зависимостей в более крупном наборе данных, который исследуется.
39 глубокое обучение (нейронной сети) (deep learning): Подход к созданию обширных иерархических представлений посредством обучения нейронных сетей с большим количеством скрытых слоев.
40 взрывающийся градиент (exploding gradient): Эффект обучения нейронных сетей методом обратного распространения ошибки, при котором накапливаются большие градиенты ошибок, что приводит к очень большим изменениям весов, делая модель нестабильной.
41 человеко-машинное объединение (human-machine teaming): Эффективное взаимодействие человека и искусственного интеллекта.
Примечание - В отличие от автоматизации, где машина заменяет человеческий труд, в некоторых случаях машина может дополнить человека. Это может произойти как побочный эффект разработки искусственного интеллекта, или система может быть разработана специально с целью создания команды человек - машина. Системы, дополняющие человеческие когнитивные возможности, иногда определяют как дополняющие интеллект.
42 долгая краткосрочная память (long short-term memory): Тип рекуррентной нейронной сети, которая обрабатывает последовательные данные, такие как временные данные, для одновременно длинных и коротких временных зависимостей.
43 машинное обучение (machine learning): Процесс, реализующий вычислительные методы, которые предоставляют системам возможность обучаться на данных или на основе опыта.
44 алгоритм машинного обучения (machine learning algorithm): Алгоритм для определения в соответствии с заданными критериями параметров модели машинного обучения по данным.
В машинном обучении процесс определения смещения и весов для линейной модели известен как восстановление линейной регрессии.
45 модель машинного обучения (machine learning model): Математическая модель, которая генерирует вывод, или предсказание на основе входных данных.
Примечание - Модель машинного обучения является результатом обучения алгоритма машинного обучения.
Пример - Если для одномерной линейной модели зависимости [см. формулу (1)] была восстановлена линейная регрессия, то результирующая зависимость может быть следующей:
46 обучение с подкреплением (reinforcement learning): Машинное обучение, при котором используется функция вознаграждения для оптимизации функции поведения или функции общего подкрепления путем последовательного взаимодействия агента со средой.
Примечания
1 Функция поведения или функция общего подкрепления отражает стратегию, которая была выучена в среде.
2 Средой может быть любая модель с отслеживанием состояния.
47 повторное обучение (retraining): Обновление обученной модели путем обучения на новых обучающих данных.
48 полуконтролируемое машинное обучение (semi-supervised machine learning): Машинное обучение, при котором во время обучения используются как размеченные, так и неразмеченные данные.
Примечание - Обучающие данные для задачи полуконтролируемого машинного обучения могут в большинстве быть неразмеченными.
49 обучение с учителем (supervised machine learning): Машинное обучение, при котором во время обучения используются размеченные данные.
50 обучение без учителя (unsupervised machine learning): Машинное обучение, при котором во время обучения используются неразмеченные данные.
51 машины опорных векторов (support vector machines): Модель машинного обучения, которая максимизирует расстояние между границами решения.
Примечания
1 Опорные векторы - это экземпляры данных, которые определяют положение границ решения (гиперплоскости).
2 Машины опорных векторов допускается использовать для решения задач классификации и регрессии.
52 обученная модель (trained model): Результат обучения модели.
53 обучение (модели) (training, model training): Процесс определения или улучшения параметров модели машинного обучения на основе алгоритма машинного обучения с использованием обучающих данных.
54 обучающие данные (training data): Подмножество образцов входных данных, используемых для настройки модели машинного обучения.
55 набор обучающих данных (training data set): Целевое множество обучающих данных.
56 исчезающий градиент (vanishing gradient): Эффект при обучении нейронных сетей, при котором значение функции ошибок перестает уменьшаться с дополнительными итерациями процесса обучения.
Примечание - Проблема исчезающего градиента может фактически остановить обучение нейронной сети, т.к. она предотвращает изменение и улучшение весов признаков нейронной сети при дополнительных итерациях процесса обучения.
Термины, относящиеся к нейронным сетям
57 (глубокие) сверточные нейронные сети (convolutional neural networks, deep convolutional neural networks): Нейронные сети прямого распространения, которые используют свертку по крайней мере в одном из слоев.
58 свертка (convolution): Математическая операция, реализующая скользящее скалярное произведение или кросс-корреляцию входных данных.
59 нейронная сеть прямого распространения (feed forward neural network): Нейронная сеть, в которой информация передается только в одном направлении от входного слоя к выходному слою.
60 (искусственная) нейронная сеть (neural network, neural net, artificial neural network): Сеть из двух или более слоев нейронов, соединенных взвешенными связями с регулируемыми весами, которая принимает входные данные и производит выходные.
Примечания
1 В то время как некоторые нейронные сети предназначены для моделирования процессов функционирования нейронов нервной системы, большинство нейронных сетей используются в искусственном интеллекте как реализации коннекционистской модели.
2 Выход нейронной сети часто называют предсказанием.
61 нейрон (neuron): Элементарный элемент обработки данных, который принимает одно или несколько входных значений и производит выходное значение с использованием функции активации от входных значений.
Примечание - Примерами нелинейных функций являются пороговая функция, сигмоидная функция и полиномиальная функция.
62 рекуррентная нейронная сеть (recurrent neural network): Нейронная сеть, в которой выход предыдущего слоя и результат предыдущего шага вычислений подаются на вход текущему слою.
Термины, относящиеся к надежности
63 подотчетный (accountable): Обладающий способностью нести ответственность за действия, решения и показатели.
64 подотчетность (accountability): Состояние являться подотчетным.
Примечание - Подотчетность относится к распределенной ответственности. Ответственность может быть основана на нормах либо по соглашению, либо через назначение в рамках делегирования.
65 точность данных (accuracy of data): Степень, с которой данные обладают признаками, правильно отражающими истинные значения соответствующих признаков понятия или события в определенном контексте.
66 точность системы искусственного интеллекта (accuracy of artificial intelligence system): Степень, с которой продукт или система обеспечивает результаты с заданным уровнем погрешности.
67 доступность (availability): Свойство быть готовым к использованию по требованию уполномоченного лица.
68 смещенность [предвзятость] (bias): Систематическое различие в отношении к определенным объектам, людям или группам по сравнению с другими.
Примечание - Отношение - это любое действие, включая восприятие, наблюдение, представление, предсказание или решение.
69
управление (control): Целенаправленное действие c процессом или в процессе для достижения определенных целей. [[7], пункт 3.2.6] |
70 объяснимость (explainability):
1) Свойство системы искусственного интеллекта отражать важные показатели, влияющие на результаты системы искусственного интеллекта, в виде, понятном для людей.
2) Способность приводить обоснования, объясняющие причину совершения своих действий.
Примечание - Данный термин вводится для ответа на вопрос "Почему?" без каких-либо попыток оценить оптимальность совершаемого порядка действий.
71 предсказуемость (predictability): Свойство, которое позволяет физическим лицам, владельцам и операторам делать достоверные предположения о результатах работы (выходе) системы искусственного интеллекта.
72 конфиденциальность (privacy): Право физических лиц управлять сбором, хранением, обработкой и раскрытием любой информации, которая может быть использована для их идентификации или может быть связана с ними.
73 надежность (reliability): Свойство соответствия ожидаемому поведению и результатам.
74 отказоустойчивость (resilience): Способность реагировать и адаптироваться к меняющейся среде.
75
риск (risk): Следствие влияния неопределенности на достижение поставленных целей. Примечания 1 Под следствием влияния неопределенности необходимо понимать отклонение от ожидаемого результата или события (позитивное и/или негативное). 2 Цели могут быть различными по содержанию (в области экономики, здоровья, экологии и т.п.) и назначению (стратегические, общеорганизационные, относящиеся к разработке проекта, конкретной продукции и процессу). 3 Риск часто характеризуют путем описания возможного события и его последствий или их сочетания. 4 Риск часто представляют в виде последствий возможного события (включая изменения обстоятельств) и соответствующей вероятности. 5 Неопределенность - это состояние полного или частичного отсутствия информации, необходимой для понимания события, его последствий и их вероятностей. [ГОСТ Р ИСО 31000-2019, пункт 3.1] |
76 робастность (robustness): Способность системы поддерживать определенный уровень показателей при различных обстоятельствах.
77
безопасность (safety): Отсутствие недопустимого риска. [ГОСТ ISO 14971-2011, пункт 2.24] |
78
заинтересованное лицо (stakeholder): Любой человек, группа или организация, которые могут влиять или подвергаться влиянию, или ощущать себя подвергнувшимися влиянию какого-либо решения или действия. [ГОСТ Р ИСО/МЭК 38500-2017, пункт 2.24] |
79 прозрачность (transparency): Свойство организации, при котором ее деятельность и решения, влияющие на заинтересованные стороны, являются открытыми, всесторонними, доступными, ясными и понятными.
80 понятность (transparency): Свойство системы, определяющее доступность ее функций, компонентов, процедур и измерений для внешней проверки заинтересованными сторонами.
Примечание - Понятность систем искусственного интеллекта предполагает доступность для проверки данных, параметров, моделей, алгоритмов, методов обучения и процессов обеспечения качества.
81 свойство вызывать доверие [надежность] (trustworthiness): Способность оправдывать ожидания заинтересованных лиц верифицируемым способом.
Примечания
1 В зависимости от контекста или области, а также от конкретного продукта или сервиса, данных и используемых технологий, определены и требуют верификации для целей подтверждения ожиданий заинтересованных лиц различные параметры.
2 Свойство вызывать доверие (надежность) включает, например, доступность, отказоустойчивость, безопасность, конфиденциальность, прозрачность, подотчетность, целостность, подлинность, качество, удобство использования.
3 Свойство вызывать доверие (надежность) - это показатель, который может применяться по отношению к услугам, продуктам, технологиям, данным и информации, а в контексте управления - к организациям.
82
верификация (verification): Подтверждение посредством предоставления объективных доказательств того, что установленные требования были полностью выполнены. Примечание - Верификация позволяет убедиться только в том, что продукт соответствует спецификации. [[8], пункт 3.21] |
83
валидация (validation): Подтверждение посредством предоставления объективных свидетельств того, что установленные требования к использованию или применению были полностью выполнены. [[9], пункт 3.16] |
Термины, относящиеся к обработке естественного языка
84
машинный перевод (machine translation): Автоматический перевод текста или речи с одного естественного языка на другой с помощью компьютерной системы. [[10], пункт 2.2.2] |
85
естественный язык (natural language): Язык, который активно используется или использовался в обществе, правила которого в основном определяются практикой его использования. Примечание - Естественный язык - это любой человеческий язык, который может быть выражен в тексте, речи, языке жестов и т.д. [Адаптировано из [11], пункт 3.82] |
86 обработка естественного языка; NLP (natural language processing, NLP):
1) Обработка информации, основанная на понимании и синтезе естественно-языковых конструкций.
Примечания
1 Обработка естественного языка - это область искусственного интеллекта.
2 Естественный язык - это любой человеческий язык, например английский, испанский, арабский или японский, который необходимо отличать от формальных языков, таких как Java, Fortran, C++, Логика первого порядка.
3 Примерами выражения естественного языка являются текст, речь, жесты и язык жестов.
2) Область, охватывающая знания и методы, применяемые при обработке лингвистических данных компьютером.
Примечание - Данный термин приведен в контексте инженерной дисциплины.
87 задача обработки естественного языка (natural language processing task): Задача, для выполнения которой требуется обработка естественного языка с применением искусственного интеллекта.
88
понимание естественного языка (natural language understanding, natural language comprehension): Извлечение информации с помощью функционального блока из текста или речи, которые передаются ему на естественном языке, и описания как заданного текста или речи, так и того, что они представляют. Допустимый синоним: Осмысление естественного языка. [ГОСТ 33707-2016, пункт 4.995] |
89 маркирование частей речи (part-of-speech tagging): Задача, которая присваивает лексеме категорию на основе ее грамматических свойств.
Примечание - Категория - это глагол, существительное, прилагательное и т.д.
90 лексема (lexeme): Абстрактная единица, обычно связанная с набором словоформ, имеющих общее значение.
91 распознавание именованных сущностей; NER (named entity recognition, NER): Задача распознавания и маркирования денотационных имен сущностей и их категорий для последовательности слов в потоке текста или речи.
Примечания
1 Сущность относится к конкретному или абстрактному объекту, включая их объединения.
2 Именованный объект относится к объекту с обозначением, определяющим конкретное или уникальное значение (смысл).
3 Типичные для распознавания и маркирования наименования включают имена людей, местоположения, организации и другие имена собственные в зависимости от области применения или задачи.
92 генерация естественного языка; NLG (natural language generation, NLG): Задача преобразования семантики данных в естественный язык.
93 извлечение взаимосвязей (relationship extraction): Задача определения отношений между именованными сущностями или другими объектами, упомянутыми в тексте.
94 анализ тональности (sentiment analysis): Задача вычислительной идентификации и категоризации мнений, выраженных во фрагменте текста, речи или изображения, для определения чувств и отношения от положительного к нейтральному и отрицательному.
Примечание - Примеры чувств: счастье, печаль, гнев, восторг, одобрение, неодобрение, положительное отношение, отрицательное отношение, согласие и несогласие.
95 автоматическое реферирование (automatic summarization): Задача сокращения фрагмента естественного языка при сохранении важной семантической информации.
96 поиск ответа на вопрос (question answering): Задача определения наиболее подходящего ответа на вопрос на естественном языке.
Примечания
1 Вопрос может быть открытым или иметь конкретный ответ.
2 В сочетании с другими прикладными программными интерфейсами и расширенной аналитикой технология ответа на вопрос отличается от обычного поиска (который осуществляется по ключевым словам) тем, что предоставляет более интерактивное обсуждение.
97
распознавание речи (speech recognition): Преобразование функциональной единицы речевого сигнала в некоторое представление содержания речи. [Адаптировано из [12], пункт 2120735] |
98
синтез речи (speech synthesis): Формирование искусственного речевого сигнала. [Адаптировано из [12], пункт 2120745] |
99 семантические вычисления (semantic computing): Вычисления, осуществляемые с целью понимания намерений пользователей и значения информации, которые выражаются в машинно-обрабатываемой форме.
Алфавитный указатель терминов на русском языке
автономность | 7 |
автономный | 7 |
агент | 1 |
алгоритм генетический | 21 |
алгоритм машинного обучения | 44 |
анализ данных интеллектуальный | 13 |
анализ тональности | 94 |
аннотирование данных | 35 |
аугментация данных | 37 |
безопасность | 77 |
валидация | 83 |
верификация | 82 |
выборка данных | 38 |
вычисления когнитивные | 14 |
вычисления мягкие | 29 |
вычисления семантические | 99 |
генерация естественного языка | 92 |
гетерономность | 8 |
гетерономный | 8 |
градиент взрывающийся | 40 |
градиент исчезающий | 56 |
данные обучающие | 54 |
деревья решений | 18 |
доступность | 67 |
задача | 6 |
задача обработки естественного языка | 87 |
знания | 4 |
зрение компьютерное | 16 |
извлечение взаимосвязей | 93 |
ИИ | 2 |
ИИ общий | 20 |
интеллект искусственный | 2 |
интеллект искусственный общий | 20 |
интеллект искусственный подсимвольный | 31 |
интеллект искусственный прикладной | 25 |
интеллект искусственный символьный | 30 |
интеллект искусственный специальный | 25 |
интернет вещей | 22 |
коннекционизм | 32 |
конфиденциальность | 72 |
лексема | 90 |
лицо заинтересованное | 78 |
маркирование частей речи | 89 |
машины опорных векторов | 51 |
модель | 5 |
модель коннекционистская | 32 |
модель машинного обучения | 45 |
модель обученная | 52 |
набор обучающих данных | 55 |
надежность | 73 |
нейрон | 61 |
обработка естественного языка | 86 |
обучение | 53 |
обучение без учителя | 50 |
обучение глубокое | 39 |
обучение машинное | 43 |
обучение машинное полуконтролируемое | 48 |
обучение модели | 53 |
обучение на протяжении всей жизни | 15 |
обучение нейронной сети глубокое | 39 |
обучение непрерывное | 15 |
обучение повторное | 47 |
обучение постоянное | 15 |
обучение с подкреплением | 46 |
обучение с учителем | 49 |
объединение человеко-машинное | 41 |
объяснимость | 70 |
отказоустойчивость | 74 |
память краткосрочная долгая | 42 |
перевод машинный | 84 |
планирование | 28 |
подотчетность | 64 |
подотчетный | 63 |
подход коннекционистский | 32 |
поиск ответа на вопрос | 96 |
показатель | 27 |
понимание естественного языка | 88 |
понятность | 80 |
предвзятость | 68 |
предсказуемость | 71 |
проверка качества данных | 36 |
прозрачность | 79 |
процесс автоматизированный | 11 |
процесс автоматический | 10 |
разметка данных | 35 |
распознавание именованных сущностей | 91 |
распознавание речи | 97 |
распознавание символов оптическое | 26 |
реферирование автоматическое | 95 |
риск | 75 |
робастность | 76 |
робот | 33 |
робототехника | 34 |
свертка | 58 |
свойство вызывать доверие | 81 |
свойство вызывать надежность | 81 |
сети нейронные сверточные | 57 |
сети нейронные сверточные глубокие | 57 |
сеть Байесовская | 12 |
сеть нейронная | 60 |
сеть нейронная искусственная | 60 |
сеть нейронная рекуррентная | 62 |
сеть прямого распространения нейронная | 59 |
синтез речи | 98 |
система ИИ | 3 |
система искусственного интеллекта | 3 |
система экспертная | 19 |
смещенность | 68 |
схема специального назначения интегральная | 9 |
точность данных | 65 |
точность системы искусственного интеллекта | 66 |
управление | 69 |
управляемость | 17 |
управляемый | 17 |
устройство интернета вещей | 23 |
цикл жизненный | 24 |
язык естественный | 85 |
Алфавитный указатель эквивалентов терминов на английском языке
accountability | 64 |
accountable | 63 |
accuracy of artificial intelligence system | 66 |
accuracy of data | 65 |
agent | 1 |
AI system | 3 |
application specific integrated circuit | 9 |
artificial intelligence | 2 |
artificial intelligence system | 3 |
artificial neural network | 60 |
artificial vision | 16 |
ASIC | 9 |
automated process | 11 |
automatic process | 10 |
automatic summarization | 95 |
autonomous | 7 |
autonomy | 7 |
availability | 67 |
Bayesian network | 12 |
bias | 68 |
cognitive computing | 14 |
computer vision | 16 |
connectionism | 32 |
connectionist approach | 32 |
connectionist model | 32 |
continual learning | 15 |
continuous learning | 15 |
control | 69 |
controllable | 17 |
controllability | 17 |
convolution | 58 |
convolutional neural networks | 57 |
data annotation | 35 |
data augmentation | 37 |
data quality checking | 36 |
data mining | 13 |
data sampling | 38 |
decision trees | 18 |
deep convolutional neural networks | 57 |
deep learning | 39 |
expert system | 19 |
explainability | 70 |
exploding gradient | 40 |
feed forward neural network | 59 |
general AI | 20 |
general artificial intelligence | 20 |
genetic algorithm | 21 |
heteronomous | 8 |
heteronomy | 8 |
human-machine teaming | 41 |
internet of things | 22 |
internet of things device | 23 |
IoT | 22 |
knowledge | 4 |
lexeme | 90 |
life cycle | 24 |
lifelong learning | 15 |
long short-term memory | 42 |
machine learning | 43 |
machine learning algorithm | 44 |
machine learning model | 45 |
machine translation | 84 |
model | 5 |
model training | 53 |
named entity recognition | 91 |
narrow artificial intelligence | 25 |
natural language | 85 |
natural language comprehension | 88 |
natural language generation | 92 |
natural language processing | 86 |
natural language processing task | 87 |
natural language understanding | 88 |
NER | 91 |
neural net | 60 |
neural network | 60 |
neuron | 61 |
NLG | 92 |
NLP | 86 |
optical character recognition | 26 |
part-of-speech tagging | 89 |
performance | 27 |
planning | 28 |
predictability | 71 |
privacy | 72 |
question answering | 96 |
recurrent neural network | 62 |
reinforcement learning | 46 |
relationship extraction | 93 |
reliability | 73 |
resilience | 74 |
risk | 75 |
retraining | 47 |
robot | 33 |
robotics | 34 |
robustness | 76 |
safety | 77 |
semantic computing | 99 |
semi-supervised machine learning | 48 |
sentiment analysis | 94 |
soft computing | 29 |
speech recognition | 97 |
speech synthesis | 98 |
stakeholder | 78 |
supervised machine learning | 49 |
support vector machines | 51 |
subsymbolic artificial intelligence | 31 |
symbolic artificial intelligence | 30 |
task | 6 |
trained model | 52 |
training | 53 |
training data | 54 |
training data set | 55 |
transparency | 79 |
transparency | 80 |
trustworthiness | 81 |
unsupervised machine learning | 50 |
validation | 83 |
vanishing gradient | 56 |
verification | 82 |
Библиография
[1] | Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена Указом Президента Российской Федерации от 10 октября 2019 г. N 490 | |
[2] | ИСО/МЭК 18023-1:2006 (ISO/IEC 18023-1:2006) | Информационные технологии. Языкова привязка SEDRIS. Часть 1. Функциональные технические условия (Information technology - SEDRIS - Part 1: Functional specification) |
[3] | ISO/IEC/IEEE 24765:2017 | Системная и программная инженерия. Словарь (Systems and software engineering - Vocabulary) |
[4] | ИСО 16439:2014 (ISO 16439:2014) | Информатика и документация. Методы и процедуры оценки влияния библиотек (Information and documentation - Methods and procedures for assessing the impact of libraries) |
[5] | Л.А.Заде "Мягкие вычисления и нечеткая логика", IEEE Software, 1994, т.11, выпуск 6 | |
[6] | ИСО 18646-2:2019 (ISO 18646-2:2019) | Робототехника. Рабочие характеристики и соответствующие методы испытаний сервисных роботов. Часть 2. Навигация (Robotics - Performance criteria and related test methods for service robots - Part 2: Navidation) |
[7] | МЭК 61800-7-1:2015 (IEC 61800-7-1:2015) | Системы силовых электроприводов с регулируемой скоростью. Часть 7-1. Общий интерфейс и использование профилей для силовых систем электроприводов. Определение интерфейса (Adjustable speed electrical power drive systems - Part 7-1: Generic interface and use of profiles for power drive systems - Interface definition) |
[8] | ИСО/МЭК 27042:2015 (ISO/IEC 27042:2015) | Информационная технология. Методы обеспечения защиты. Руководящие указания по анализу и интерпретации электронных данных (Information technology - Security techniques - Guidelines for the analysis and interpretation of digital evidence) |
[9] | ИСО/МЭК 27043:2015 (ISO/IEC 27043:2015) | Информационная технология. Методы обеспечения защиты. Принципы и процессы исследования инцидентов (Information technology - Security techniques - Incident investigation principles and processes) |
[10] | ИСО 17100:2015 (ISO 17100:2015) | Переводческие услуги. Требования к переводческим услугам (Translation services - Requirements for translation services) |
[11] | ИСО/МЭК 15944-8:2012 (ISO 15944-8:2012) | Информационная технология. Представление деловых операций. Часть 8. Идентификация требований защиты конфиденциальности как внешние ограничения на деловые операции (Information technology - Business operational view - Part 8: Identification of privacy protection requirements as external constraints on business transactions) |
[12] | ИСО/МЭК 2382:2015 (ISO/IEC 2382:2015) | Информационная технология. Словарь (Information technology - Vocabulary) |
УДК 004.8:006.354 | ОКС 35.020 |
Ключевые слова: информационные технологии, искусственный интеллект, понятия, терминология | |
