Телеком

Темы июньского, июльского и августовского номеров журнала Computer (IEEE Computer Society, Vol.53, No. 6–8, 2020) — киберпандемии, коммерческое применение блокчейна и человеко-машинный интеллект.

В условиях пандемии с открытой датой опыт перехода на онлайн-обучение может стать предметом пристального внимания для модернизации системы образования в целях создания максимально комфортных условий для обучения. Конечно, при наличии у студентов самодисциплины и стимулов к обучению — качеств, которые, как подтвердил отчет Coursera, особенно характерны для обучающихся из России.

Сегодня нет единой формы представления больших научных данных, доступной для коммерциализации, что затрудняет получение выгоды от инвестиций в исследовательские инфраструктуры. Принципы FAIR управления данными без вмешательства пользователя — один из первых шагов к формированию цифровой инфраструктуры, обеспечивающей трансфер научных результатов в форму, понятную инвесторам, чиновникам, обществу и обеспечивающую контроль за объемами научных данных.

Стать «data-driven» непросто — для этого предприятию требуются терпение, непредвзятость и готовность к рискам.

Многие компании, столкнувшись с рядом трудностей, возвращают свои приложения в корпоративные ЦОДы. Почему так происходит и что требуется для переноса данных и важного для бизнеса ПО снова в облака?

Создание зависимого от данных ПО отличается от разработки традиционных программ: соответствующие методы должны учитывать ошибки и в коде, и в данных. Необходимо помнить, что отладка производительности так же важна для исследователей данных, как и отладка корректности.

Системы бизнес-аналитики — неотъемлемая часть корпоративной инфраструктуры, однако эффективность их эксплуатации зависит от соответствия задачам бизнеса. Архитектура аналитической платформы Visiology изначально создавалась для решения задач управления бизнесом корпораций.

Как бы слабо ни была развита сегодня дисциплина обеспечения безопасности систем машинного обучения, благодаря достижениям исследователей ситуация исправится. И когда это произойдет, то самым слабым звеном в безопасности систем машинного обучения, как и в криптографии, окажется программное обеспечение, используемое для поддержки их работы.

Интеллектуальные системы, работающие на основе алгоритмов машинного обучения, требуют больших объемов размеченных данных. Используя фактические сведения справочного характера, можно восполнять нехватку размеченных данных для обучения алгоритмов, причем для многих практических применений удобно организовывать справочные сведения в форме графа знаний. Объединение сведений из графов знаний с обучающими выборками позволяет существенно улучшить результативность работы алгоритмов машинного обучения, в том числе используемых в системах предоставления рекомендаций и анализа структуры сообществ. Графы знаний позволяют не только повысить точность работы таких систем, но и обеспечить объяснимость получаемых результатов.