Главная // Актуальные документы // ПНСТ (Предварительный национальный стандарт)СПРАВКА
Источник публикации
М.: ФГБУ "РСТ", 2021
Примечание к документу
Документ утратил силу с 01.03.2023 в связи с истечением срока действия, установленного
Приказом Росстандарта от 26.11.2021 N 46-пнст.
Документ
введен в действие с 01.03.2022 на период до 01.03.2023 (
Приказ Росстандарта от 26.11.2021 N 46-пнст).
Название документа
"ПНСТ 553-2021. Предварительный национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Термины и определения"
(утв. и введен в действие Приказом Росстандарта от 26.11.2021 N 46-пнст)
"ПНСТ 553-2021. Предварительный национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Термины и определения"
(утв. и введен в действие Приказом Росстандарта от 26.11.2021 N 46-пнст)
Утвержден и введен в действие
по техническому регулированию
и метрологии
от 26 ноября 2021 г. N 46-пнст
ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ
Information technology. Artificial intelligence.
Terms and definitions
(ISO/IEC DIS 22989, NEQ)
ПНСТ 553-2021
Срок действия
с 1 марта 2022 года
до 1 марта 2023 года
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: info@tc164.ru 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)
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.
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.
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. |
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.
модель (model): Физическое, математическое или иное адекватное представление системы, объекта, эффекта, процесса или данных. |
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.
интегральная схема специального назначения; ASIC (application specific integrated circuit, ASIC): Интегральная схема, специализированная под конкретное применение. |
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.
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. |
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.
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. |
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.
жизненный цикл (life cycle): Развитие системы, продукции, услуги, проекта или другого созданного человеком объекта от замысла до списания. |
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.
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] |
робототехника (robotics): Наука и практика проектирования, производства и применения роботов.
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.
Пример - Одномерная линейная модель зависимости y(x):
где y - выход или результат;
x - вход;
w0 - смещение;
w1 - вес.
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:
y = 3 + 7x. (2)
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.
управление (control): Целенаправленное действие с процессом или в процессе для достижения определенных целей. |
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.
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. |
76
робастность (robustness): Способность системы поддерживать определенный уровень показателей при различных обстоятельствах.
безопасность (safety): Отсутствие недопустимого риска. |
заинтересованное лицо (stakeholder): Любой человек, группа или организация, которые могут влиять или подвергаться влиянию, или ощущать себя подвергнувшимися влиянию какого-либо решения или действия. |
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.
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. |
валидация (validation): Подтверждение посредством предоставления объективных свидетельств того, что установленные требования к использованию или применению были полностью выполнены. |
Термины, относящиеся к обработке естественного языка
машинный перевод (machine translation): Автоматический перевод текста или речи с одного естественного языка на другой с помощью компьютерной системы. |
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.
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. |
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.
распознавание речи (speech recognition): Преобразование функциональной единицы речевого сигнала в некоторое представление содержания речи. [Адаптировано из [12], пункт 2120735] |
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 | |
автономный | |
агент | |
алгоритм генетический | |
алгоритм машинного обучения | |
анализ данных интеллектуальный | |
анализ тональности | |
аннотирование данных | |
аугментация данных | |
безопасность | |
валидация | |
верификация | |
выборка данных | |
вычисления когнитивные | |
вычисления мягкие | |
вычисления семантические | |
генерация естественного языка | |
гетерономность | |
гетерономный | |
градиент взрывающийся | |
градиент исчезающий | |
данные обучающие | |
деревья решений | |
доступность | |
задача | |
задача обработки естественного языка | |
знания | |
зрение компьютерное | |
извлечение взаимосвязей | |
ИИ | |
ИИ общий | |
интеллект искусственный | |
интеллект искусственный общий | |
интеллект искусственный подсимвольный | |
интеллект искусственный прикладной | |
интеллект искусственный символьный | |
интеллект искусственный специальный | |
интернет вещей | |
коннекционизм | |
конфиденциальность | |
лексема | |
лицо заинтересованное | |
маркирование частей речи | |
машины опорных векторов | |
модель | |
модель коннекционистская | |
модель машинного обучения | |
модель обученная | |
набор обучающих данных | |
надежность | |
нейрон | |
обработка естественного языка | |
обучение | |
обучение без учителя | |
обучение глубокое | |
обучение машинное | |
обучение машинное полуконтролируемое | |
обучение модели | |
обучение на протяжении всей жизни | |
обучение нейронной сети глубокое | |
обучение непрерывное | |
обучение повторное | |
обучение постоянное | |
обучение с подкреплением | |
обучение с учителем | |
объединение человеко-машинное | |
объяснимость | |
отказоустойчивость | |
память краткосрочная долгая | |
перевод машинный | |
планирование | |
подотчетность | |
подотчетный | |
подход коннекционистский | |
поиск ответа на вопрос | |
показатель | |
понимание естественного языка | |
понятность | |
предвзятость | |
предсказуемость | |
проверка качества данных | |
прозрачность | |
процесс автоматизированный | |
процесс автоматический | |
разметка данных | |
распознавание именованных сущностей | |
распознавание речи | |
распознавание символов оптическое | |
реферирование автоматическое | |
риск | |
робастность | |
робот | |
робототехника | |
свертка | |
свойство вызывать доверие | |
свойство вызывать надежность | |
сети нейронные сверточные | |
сети нейронные сверточные глубокие | |
сеть Байесовская | |
сеть нейронная | |
сеть нейронная искусственная | |
сеть нейронная рекуррентная | |
сеть прямого распространения нейронная | |
синтез речи | |
система ИИ | |
система искусственного интеллекта | |
система экспертная | |
смещенность | |
схема специального назначения интегральная | |
точность данных | |
точность системы искусственного интеллекта | |
управление | |
управляемость | |
управляемый | |
устройство интернета вещей | |
цикл жизненный | |
язык естественный | |
Алфавитный указатель эквивалентов терминов
на английском языке
accountability | |
accountable | |
accuracy of artificial intelligence system | |
accuracy of data | |
agent | |
AI system | |
application specific integrated circuit | |
artificial intelligence | |
artificial intelligence system | |
artificial neural network | |
artificial vision | |
ASIC | |
automated process | |
automatic process | |
automatic summarization | |
autonomous | |
autonomy | |
availability | |
Bayesian network | |
bias | |
cognitive computing | |
computer vision | |
connectionism | |
connectionist approach | |
connectionist model | |
continual learning | |
continuous learning | |
control | |
controllable | |
controllability | |
convolution | |
convolutional neural networks | |
data annotation | |
data augmentation | |
data quality checking | |
data mining | |
data sampling | |
decision trees | |
deep convolutional neural networks | |
deep learning | |
expert system | |
explainability | |
exploding gradient | |
feed forward neural network | |
general AI | |
general artificial intelligence | |
genetic algorithm | |
heteronomous | |
heteronomy | |
human-machine teaming | |
internet of things | |
internet of things device | |
IoT | |
knowledge | |
lexeme | |
life cycle | |
lifelong learning | |
long short-term memory | |
machine learning | |
machine learning algorithm | |
machine learning model | |
machine translation | |
model | |
model training | |
named entity recognition | |
narrow artificial intelligence | |
natural language | |
natural language comprehension | |
natural language generation | |
natural language processing | |
natural language processing task | |
natural language understanding | |
NER | |
neural net | |
neural network | |
neuron | |
NLG | |
NLP | |
optical character recognition | |
part-of-speech tagging | |
performance | |
planning | |
predictability | |
privacy | |
question answering | |
recurrent neural network | |
reinforcement learning | |
relationship extraction | |
reliability | |
resilience | |
risk | |
retraining | |
robot | |
robotics | |
robustness | |
safety | |
semantic computing | |
semi-supervised machine learning | |
sentiment analysis | |
soft computing | |
speech recognition | |
speech synthesis | |
stakeholder | |
supervised machine learning | |
support vector machines | |
subsymbolic artificial intelligence | |
symbolic artificial intelligence | |
task | |
trained model | |
training | |
training data | |
training data set | |
transparency | |
transparency | |
trustworthiness | |
unsupervised machine learning | |
validation | |
vanishing gradient | |
verification | |
| Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена Указом Президента Российской Федерации от 10 октября 2019 г. N 490 |
| ИСО/МЭК 18023-1:2006 (ISO/IEC 18023-1:2006) | Информационные технологии. Языковая привязка SEDRIS. Часть 1. Функциональные технические условия (Information technology - SEDRIS - Part 1: Functional specification) |
| ISO/IEC/IEEE 24765:2017 | Системная и программная инженерия. Словарь (Systems and software engineering - Vocabulary) |
| 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) |
| Л.А. Заде "Мягкие вычисления и нечеткая логика", IEEE Software, 1994, т. 11, выпуск 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: Navigation) |
| 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) |
| 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) |
| 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) |
| ИСО 17100:2015 (ISO 17100:2015) | Переводческие услуги. Требования к переводческим услугам (Translation services - Requirements for translation services) |
| 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) |
| ИСО/МЭК 2382:2015 (ISO/IEC 2382:2015) | Информационная технология. Словарь (Information technology - Vocabulary) |
УДК 004.8:006.354 | |
Ключевые слова: информационные технологии, искусственный интеллект, понятия, терминология |