Многие из нас до сих пор боятся новых технологий. Но вероятность того, что машины нас заменят, не так велика.
«Мы должны сами спроектировать такое будущее, где машины будут дополнять нашу работу, а не заменять человека».
Человек может проектировать новые медицинские открытия и претворить их в жизнь.
Мы сможем обеспечить социальное и экономическое равенство всем, включая самые незащищённые слои общества.
Мы найдем способ создавать регенерирующиеся экосистемы и целые города.
Новые технологии помогут решать ныне не решаемые проблемы, например разработки бюджета, начиная от отдельной семьи, и заканчивая государственным бюджетом.
Контролировать каждый рубль, потраченный из бюджетных налоговых поступлений, то есть исключить полностью коррупцию.
Искусственный интеллект, позволит исключить вариации при судебных разбирательствах, в полном соответствии с существующим законодательством.
Обратная сторона любой промышленной революции — это новые возможности мышления и изменения нашего мира.
Искусственный интеллект
1. Направление «Искусственный интеллект» (ИИ - искусственного интеллекта ) возникло в США в середине 50-х годов. Создателем ИИ был профессор Джон Маккарти, он же и дал название этому направлению компьютерной науки.
Вторым создателем искусственного интеллекта был Марвин Минский (недавно в России вышла его книжка «Сообщество разума»). Хотя оба они считаются основателями этого направления, их точки зрения на его развитие были принципиально разные.
Маккарти - считал, что исследования в области искусственного интеллекта - будут плодотворны тогда и только тогда, когда будет уточнено само понятие интеллекта. Под уточнением он понимал не только определение интеллекта, но и еще два важных обстоятельства: эпистемологию и эвристику.
- Эпистемология — то, как приобретается новое знание с точки зрения его пользы для решения задач;
Эвристика — то, каким образом эти задачи решать: какими процедурами и какими средствами, в частности — как порождать гипотезы на основании имеющихся данных и как проводить правдоподобные рассуждения.
Этика – область философской науки, приобретшая статус самостоятельной науки, предметом которой является мораль, нравственные отношения, это специфическая форма общественного сознания и жизнедеятельности человека
Мораль – одна из форм общественного сознания, способ духовного существования личности, один из рычагов духовного развития общества.
Мораль (от лат. mores – характер, нрав, проявляющийся в общении) – форма общественного сознания и его реализация на практике, утверждающая общественно необходимый тип поведения людей и служащая обще социальной основой его регулирования. В отличие от права, мораль носит в основном неписаный характер, представляет личности широкую возможность выбора и санкционируется воздействием общественного мнения. Требования морали фиксируются в общественном сознании в виде обычаев, традиций и общепринятых представлений.
Нравственность – практическая воплощенность моральных идеалов, целей и установок в различных формах социальной жизнедеятельности, в культуре поведения людей и отношениях между ними. Ряд ученых рассматривает понятия «мораль» и «нравственность» как синонимы.
Диалектика – это философское учение о развитии всех форм бытия и одновременно его познания и преобразования.
Учение диалектики прошло три этапа развития: стихийная диалектика древних, диалектика немецкой классической философии, материалистическая диалектика.
Диалектика разделяется на объективную и субъективную диалектику.
Объективная диалектика – это порядок, логика объективных процессов движения, изменения, развития, взаимодействия.
Субъективная диалектика – это диалектика мышления как отражение этих объективных процессов в формах знания.
Сущность материи как развивающейся субстанции в общем виде раскрывается через основные законы диалектики. В более особенной, конкретной форме это осуществляется в законах единства формы и содержания, сущности и явления, причины и следствия, возможности и действительности и т. д. Структурными элементами этих законов являются категории диалектики, т. е. наиболее общие философские понятия, в которых отражаются всеобщие свойства, характеристики и связи реальности.
Структура морали многоярусна и многопланова, существует несколько вариантов раскрытия ее структуры:
биологический – рассматривает мораль на уровне отдельного организма и на уровне популяции;
психологический – раскрывает психологические механизмы, обеспечивающие исполнение нравственных норм;
социологический – выясняет общественные условия, в которых складываются нравы и роль морали для поддержания устойчивости общества;
нормативный – формулирует мораль как систему обязанностей, предписаний, идеалов;
личностный – видит те же идеальные представления в личностном преломлении в качестве факта индивидуального сознания; напрямую связан с этикой перфекционизма;
философский – представляет мораль как особый мир, мир смысла жизни и назначения человека.
Мораль функционирует в обществе как единое целое, в котором выделяются три структурных элемента:
1) моральная деятельность;
2) моральные отношения;
3) моральное сознание.
В структуре этики выделяют две части:
теоретическую – описывает и объясняет мораль;
прикладную – учит морали, т. е. прививает определенные моральные представления и принципы.
В структуре нравственности выделяются:
нравственное сознание (общественное и индивидуальное);
нравственная практика;
нравственные отношения.
Нравственное сознание представляет собой субъективную сторону нравственности, отражающей нравственное бытие людей. Ценностное отношение к действительности — важная характеристика нравственного сознания (идея о должном). Эта идея определяет конечную цель деятельности человека (алгоритма или общества).
Нравственное сознание реализуется в двух формах – общественной и индивидуальной. Общественное сознание является элементом социальной жизни. В общественном нравственном сознании выделяется два уровня: обыденный и теоретический.
Первый уровень представляет собой так называемую «житейскую мудрость» и «здравый смысл», повседневные суждения и оценки, непосредственно связанные с жизнью людей.
Второй уровень – теоретический – характеризуется системностью, рациональностью. Нравственная практика - является результатом объективации морального сознания, а базовый элемент практики – поступком, то есть конечным результатом алгоритма.
Структура нравственной практики: замысел (постановка цели); мотивация, обоснование замысла; выбор цели, средств; принятие решений; действия, реализующие нравственную установку и линию поведения человека, Т.Е. Алгоритма его жизни. В искусственном интеллекте, это выполненная задача- результат.
Нравственные отношения предполагают совокупность зависимостей и связей, возникающих в процессе нравственной практики. Особенность нравственных отношений заключается в том, что люди возлагают на себя определенные моральные обязательства, проявляющиеся в понимании своего долга, ответственности перед другими людьми и обществом в целом, их можно классифицировать по содержанию, определяя обязанности человека в той или иной сфере деятельности; по характеру требовательности к себе и другим; по характеру связи в зависимости от уровня и интеллекта общения. Таким образом, структура «нравственное сознание – нравственное действие – нравственное отношение» образует единое целое, а ее элементы взаимно регулируются. В искусственном интеллекте - этот параметр, как и естественном интеллекте, определяет защитой баз данных и процессов выполнения алгоритмов различных уровней, от внешнего вмешательства. Более старых механизмах искусственного интеллекта, это достигалось установкой паролей. Но современный уровень, уже не может защитить центр алгоритма от вмешательства, следовательно, здесь должны работать дополнительные механизмы на закрытых - авторских языках программирования.
В мозге человека, сущность морали раскрывается во взаимодействии ее функций (регулятивной, оценочной, ориентирующей, мотивационной, познавательной, воспитательной, коммуникативной, идеологической, мировоззренческой). Одной из главных функций морали является регулятивная, поскольку сама мораль вызывается к жизни необходимостью согласования поведения индивидов в коллективной жизни.
Но в искусственном интеллекте, данная функция, немного отличается от человеческой. Здесь под обществом или сообществом понимают во первых взаимодействие различных алгоритмов, а во вторых способность железа выполнять заданные алгоритмы, и если данный пункт не сообразован с возможностями исполнительного узла, его возможностями , производительностью, то узел и весь механизм просто зависает.
У человека - это воспринимается проще, но интеллектуальная сеть , дает серьезные сбои, которые приводят к нарушению процессов и даже к выходу из строя некоторых узлов
Искусственный интеллект – это способность машины имитировать человеческое мышление. Так называют современную технологию, с помощью которой электронные устройства, программы и роботы могут решать различные задачи по заданным алгоритмам.
Искусственный интеллект – это свойство интеллектуальной системы выполнять те функции и задачи, которые обычно характерны для разумных существ. Это может быть проявление каких - то творческих способностей, склонность к рассуждению, обобщение, обучение на основании полученного ранее опыта и так далее. Сегодня в сети интернет, уже существуют программные продукты, на сайтах помогающие начинающим поэтам подобрать слова в рифму. Конечно, используется какая - то одна из поэтических технологий классиков.
Самая ранняя успешная программа искусственного интеллекта была создана Кристофером Стрейчи в 1951 году. А уже в 1952 году она играла в шашки с человеком и удивляла зрителей своими способностями предсказывать ходы.
Нейросети представляют собой математическую модель, компьютерный алгоритм, работа которого основана на множестве искусственных нейронов. Суть этой системы в том, что ее не нужно заранее программировать. Она моделирует работу нейронов человеческого мозга, проводит элементарные вычисления и обучается на основании предыдущего опыта, но это не соотносимо с «Искусственным интеллектом».
Такую систему «Искусственного интеллекта», можно использовать в криминалистике, при определении поддельных документов. Например, паспорта, удостоверения, денежные купюры, распознавание текстовых документов научных и соискательских работ, квитанции и многое другое из того что нам досталось в наследство от бурных 90-х годов.
Искусственный интеллект, как мы помним, является свойством сложных систем выполнять задачи, обычно свойственные человеку. К ИИ часто относят узкоспециализированные компьютерные программы, также различные научно -технологические методы и решения. ИИ в своей работе имитирует человеческий мозг, при этом основывается на прочих логических и математических алгоритмах или инструментах, в том числе нейронных сетях. Ежедневно мы, работая с персональными компьютерами и смартфонами, даже не задумываемся о тех ИИ алгоритмах, которые обеспечивают безопасную работу наших с вами устройств. Это и антивирусные программы, и различные драйвера без которых мы не сможем запустить компьютер или какую - либо задачу.
Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, как Deep Blue — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая Deep Blue не умеет делать ничего другого и никогда этому не научится. Слабый ИИ используют в медицине, логистике, банковском деле, бизнесе:
Искусственный интеллект от Google смог опередить опытных врачей в точности диагностики рака молочной железы. Чтобы это сделать, использовали сотни тысяч результатов скрининга. По данным Американского онкологического общества, врачи не диагностируют рак примерно в 20% случаев и часто ставят ложный диагноз. ИИ не только поставил более точный диагноз, чем врачи, — на 9,4%, — но и чаще указывал на болезнь там, где онкологи не сумели её распознать.
Amazon — одна из ведущих ИИ-компаний в мире — разработала систему Fraud Detector. Она помогает бороться с онлайн-мошенничеством, из-за которого люди и компании теряют миллионы долларов. Алгоритм следит за действиями пользователей в реальном времени, находит их и сообщает об аномалиях — например, помечает подозрительные заказы, которые нужно проверить до совершения платежа. Это можно использовать в банках, онлайн-магазинах и крупных компаниях.
В последние годы, все чаще слышим потребности замены человека в процессе обучения.
Конечно, полностью исключить общение ученик – учитель, просто невозможно, но это только сейчас. Если создать логический алгоритм, работающий с огромными массивами данных, и способный с быстротой мозга человека, отыскать из миллиарда сообщений нужное, то эта задача будет решена. Но сдерживает этот процесс, одна маленькая проблема, создание процессора и группы сопроцессоров, способных работать с такой же скоростью, как и мозг человека.
Для организации машинного обучения потребуются еще и множество различных технологий для самообучающихся программ. Соответственно, это одно из многочисленных направлений ИИ. Системы, основанные на машинном обучении, получают базовые данные, анализируют их, затем на основе полученных выводов находят закономерности в сложных задачах с множеством параметров и дают точные ответы.
Согласитесь, преподаватель в учебном заведении, например в колледже связи, что бы обеспечить семью, вынужден, работать на две, а порой и более ставок, преподавать несколько дисциплин, при этом без подготовки, его лекции очень быстро превращаются в заученные наборы слов, которые он порой и сам толком объяснить не в силах. Ведь техника, работающая на электронных устройствах, постоянно меняется. Что - бы не отстать от жизненного движения, преподаватель должен ежедневно обращаться к материалам электронных библиотек. Но и здесь, есть большие трудности, что бы найти из огромных массивов данных. То, что необходимо предоставить на завтрашней лекции, порой требуется целая ночь, а иногда и этого времени просто не хватает. На утро, уставший преподаватель, совершенно не готовый вести урок приходит в аудиторию, и кое как с горем пополам с большими неточностями, выдает свою лекцию.
Результат, это неверно понятый материал, а в дальнейшем на практике, дорога в тупик.
Второй вариант, студент не понял ничего, и если у него нет мотивации к обучению, он ее просто прекращает. То есть перестает учить то, что он как будущий специалист, должен знать.
Об умениях говорить еще рано. Цикл умений - навыков, первичного значения, обучаемый получает в процессе практических занятий. Если задания разработаны профессионалом, который сам эти задания может выполнить, то помощь может быть оказана. А если нет?
Вот в такой ситуации и может выручить искусственный интеллект. Но для этого нужны профессионалы, заполняющие базы данных. Профессионалы, разрабатывающие различные подходы к изучению нового материала с опорой на ранее приобретенные обучаемым знания. Необходимы алгоритмы определения соответствия уровня знаний требующегося для решения поставленной задачи. Нужны справочные материалы которые помогут разработать обучаемому свой алгоритм решения задания.
И конечно оценочная программа, построенная по нескольким уровням.
Первый – это обычный тест, для отправки в справочный материал, второй - это правильный выбор того или иного варианта подхода к решению, с посылкой с справочные материалы, и третий - это оценочный алгоритм, который разложит и объяснит все ошибки которые допустил обучаемый.
Завершающим пунктом - такого обучения, должна быть имитация конкретного узла или системы, которую нужно запустить.
Фактически такой вариант обучения – имитирует всем известный индивидуальный подход к обучению. Но один, и даже несколько преподавателей не могут за время урока, 45, или 90 минут, охватить всех обучаемых. Кроме того, у многих преподавателей отсутствуют базовые знания по профессии и самое страшное – практический опыт работы на оборудовании. Иногда вспоминаю, как на преподавание технических основ эксплуатации цифровых АТС, поставили молодых преподавателей, только закончивших институт.
Я уже собрался ехать в сад, и вдруг звонок на мобильный, а там, слезы: «А она не запускается»….
Один из возможных вариантов организации машинного обучения – применение нейросетей.( Адрес размещения произведения: http://proza.ru/2018/04/04/2212)
Если сравнивать с человеком, то ИИ подобен головному мозгу, машинное обучение – это один из многочисленных способов обработки поступающих данных и решения назревающих задач, а нейросети соответствуют объединению более мелких, базовых элементов мозга – нейронов. Но это решаемо только в пределах соответствующего технического министерства, которое ждет ваших выпускников, способных решать возникающие, технические проблемы.
Свойство искусственных интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека (не следует путать с искусственным сознанием); наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ.
Искусственный интеллект связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.
Существующие на сегодня интеллектуальные системы имеют довольно узкие области применения.
Например, программы, способные обыграть человека в шахматы, как правило, не могут отвечать на вопросы.
Можно выделить два направления развития искусственного интеллекта:
• решение проблем, связанных с приближением специализированных систем искусственного интеллекта к возможностям человека, и их интеграции, которая реализована природой человека (см. Усиление интеллекта);
• создание искусственного разума, представляющего интеграцию уже созданных систем искусственного интеллекта в единую систему, способную решать проблемы человечества.
Но в настоящий момент в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к искусственному интеллекту, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума, ни одна исследовательская группа пока так и не подошла. Ниже представлены лишь некоторые наиболее известные разработки в области искусственного интеллекта.
Известные системы искусственного интеллекта :
Некоторые из самых известных систем:
ChatGPT — чат-бот с искусственным интеллектом от компании OpenAI, основанный на большой языковой модели GPT-3.5; способен работать в диалоговом режиме на естественных языках ;
Deep Blue — шахматная программа разработки IBM, победила чемпиона мира по шахматам ;
AlphaGo — программа игры в го разработки Google DeepMind, выиграла матч в го у корейского профессионала 9 дана Ли Седоля;
Watson — перспективная разработка IBM, способная воспринимать человеческую речь и производить вероятностный поиск, с применением большого количества алгоритмов; для демонстрации работы приняла участие в американской игре «Jeopardy!», где системе удалось выиграть в обеих играх;
MYCIN — одна из ранних экспертных систем, которая могла диагностировать небольшой набор заболеваний, причём часто так же точно, как и доктора;
20Q — проект по мотивам классической игры «20 вопросов», основанный на идеях искусственного интеллекта; стал очень популярен после появления в Интернете на сайте 20q.net;
ViaVoice — система распознавания речи, способная обслуживать потребителей.
Midjourney — сервис, генерирующий изображения на основе текстовых запросов.
Разработчики компьютерных игр применяют технологии искусственного интеллекта, направление обозначается как «игровой искусственный интеллект». Стандартными задачами искусственного интеллекта в играх являются нахождение пути в двумерном или трёхмерном пространстве, имитация поведения боевой единицы, расчёт верной экономической стратегии и так далее.
Исследовательские центры
Наиболее крупные научные и исследовательские центры в области искусственного интеллекта:
Соединённые Штаты Америки
Массачусетский технологический институт
Исследовательский институт машинного интеллекта
Германия
Немецкий исследовательский центр по искусственному интеллекту
Япония
Национальный институт современной промышленной науки и технологии (AIST)
Россия
Научный совет по методологии искусственного интеллекта Российской академии наук
Индия
Индийский технологический институт в Мадрасе
Нейро;нная сеть (также искусственная нейронная сеть, ИНС, или просто нейрос;ть) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах).
Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа;
С точки зрения математики, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации;
С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники;
С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма[3];
С точки зрения искусственного интеллекта, ИНС является основой философского течения коннекционизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искажённых данных.
Современная веб-разработка требует от разработчиков постоянного обучения и использования передовых технологий. Одной из таких технологий является расширение Safari на основе искусственного интеллекта (ИИ), которое предназначено для оказания помощи разработчикам в кодировании, отладке и рефакторинге. В этой статье мы рассмотрим, как это расширение может улучшить вашу работу и повысить эффективность процесса разработки. Расширение Safari на основе ИИ предоставляет разработчикам мощный инструментарий для улучшения процесса разработки. Оно основано на передовых алгоритмах глубокого обучения, которые позволяют ему анализировать код и предлагать оптимальные решения. Расширение может автоматически исправлять синтаксические ошибки, предлагать подсказки и сокращения, а также выполнять рефакторинг кода для повышения его читаемости и эффективности.
Расширение Safari на основе ИИ может значительно ускорить процесс написания кода. Оно предлагает контекстные подсказки, которые помогают разработчикам быстро находить необходимые методы и свойства. Кроме того, расширение может автоматически дополнять код, основываясь на контексте и предыдущих действиях разработчика. Это существенно сокращает время, затрачиваемое на написание кода, и позволяет сосредоточиться на более сложных задачах.
Отладка является неотъемлемой частью разработки программного обеспечения. Расширение Safari на основе ИИ предоставляет разработчикам дополнительные возможности для эффективной отладки кода. Оно может автоматически выявлять потенциальные ошибки и предлагать решения для их устранения. Также расширение может анализировать процесс выполнения кода и предоставлять детальную информацию о его состоянии, что помогает быстрее и точнее определить и исправить ошибки.
Рефакторинг - это процесс изменения структуры исходного кода с целью улучшения его качества и читаемости. Расширение Safari на основе ИИ может автоматически анализировать код и предлагать оптимальные варианты рефакторинга. Оно может переименовывать переменные, методы и классы, удалять неиспользуемый код, а также предлагать более эффективные алгоритмы. Это позволяет существенно улучшить структуру исходного кода и повысить его поддерживаемость.
Расширение Safari на основе ИИ предоставляет разработчикам мощный инструмент для улучшения процесса разработки. Оно помогает в кодировании, отладке и рефакторинге кода, что позволяет сократить время, затрачиваемое на разработку, и повысить качество и эффективность исходного кода. Если вы являетесь разработчиком, рекомендуется ознакомиться с этим инновационным расширением и использовать его для улучшения своей работы.
--Лексика социальных сетей — это совокупность слов и выражений, которые используются пользователями в общении на платформах социальных сетей. Она характеризуется своей специфичностью и часто отличается от общепринятой лексики в языке.
В социальных сетях активно используются сокращения, эмодзи, мемы и другие виды интернет-сленга. Также здесь можно встретить множество англоязычных слов и фраз, так как многие социальные сети были созданы на английском языке и переведены на другие языки.
Кроме того, в социальных сетях часто используются жаргонные выражения, грубые слова и нецензурная лексика. Это связано с тем, что пользователи здесь могут выражать свои мысли более свободно и не стесняться в выборе слов.
В целом, лексика социальных сетей очень разнообразна и зависит от тематики сообщества или профиля пользователя. — Да, лексика различных социальных сетей может отличаться друг от друга. Каждая социальная сеть имеет свою аудиторию и особенности использования языка. Например, в Instagram часто используются слова и фразы, связанные с модой, красотой и фотографией. В Twitter популярны короткие сообщения и хэштеги. В Facebook более распространена общепринятая лексика, но также можно встретить жаргонные выражения и нецензурную лексику.
Кроме того, в разных странах могут использоваться разные слова и выражения в социальных сетях. Например, в России популярны такие выражения как "привет, как дела?", "спасибо за лайк/репост", "что нового?", а в англоязычных странах часто используются фразы типа "how are you?", "thank you for the like/share", "what's new?".
— Что можно сказать про VK и OK
29 декабря в 10:06
— VK (ВКонтакте) и OK (Одноклассники) — это две самые популярные социальные сети в России. Они имеют свою специфическую лексику, которая отличается от общепринятой лексики русского языка.
В VK часто используются сокращения, эмодзи и интернет-сленг. Например, "привет" может быть написано как "пр-в", "в смысле" — как "в смысле?", а слово "пост" — как "пост". Также в VK популярны различные группы и сообщества, где пользователи обсуждают темы, связанные с музыкой, фильмами, играми и т.д.
В OK лексика более консервативна и ближе к общепринятой лексике русского языка. Здесь можно встретить много сообщений на различные темы, от обсуждения политики до рецептов блюд.
Однако, несмотря на различия в лексике, обе социальные сети имеют общую черту — это платформы для общения и обмена информацией между пользователями.
—- А сами пользователи: какими они могут быть? Приведи примеры
29 декабря в 10:07
— Пользователи социальных сетей могут быть очень разными. Вот несколько примеров:
Подписчик модного блогера — человек, который интересуется модой, следит за последними трендами и любит делиться своими образами в социальных сетях.
Фанат спортивной команды — человек, который активно поддерживает свою любимую команду, следит за ее играми и обсуждает новости на странице команды в социальной сети.
Кинолюбитель — человек, который любит смотреть фильмы и делиться своими впечатлениями в социальных сетях. Он может писать отзывы о фильмах, создавать коллажи из кадров фильмов или делиться своими любимыми цитатами из кино.
Турист — человек, который любит путешествовать и делиться своими впечатлениями о поездках в социальных сетях. Он может выкладывать фотографии достопримечательностей, рассказывать о своих приключениях и давать советы другим путешественникам.
Политический активист — человек, который активно участвует в политической жизни страны и выражает свою позицию в социальных сетях. Он может писать посты на политические темы, комментировать новости и участвовать в дискуссиях с другими пользователями.
— А если говорить о возрасте14-17 лет?
29 декабря в 10:08
— Пользователи в возрасте от 14 до 17 лет также могут быть очень разными. Вот несколько примеров:
Школьник, который интересуется наукой и технологиями — он может писать посты о своих научных проектах, делиться интересными фактами из мира науки и технологий, а также участвовать в дискуссиях на эту тему.
Меломан — он может слушать различные музыкальные жанры, выкладывать свои любимые треки в социальных сетях и обсуждать новости из мира музыки.
Любитель игр — он может играть в различные компьютерные игры, выкладывать скриншоты и видео с игровым процессом, а также обсуждать новости из мира игровой индустрии.
Спортсмен — он может заниматься спортом, делиться своими достижениями в социальных сетях, обсуждать новости из мира спорта и давать советы другим пользователям по тренировкам.
Творческий человек — он может рисовать, петь, танцевать или заниматься другими видами творчества, выкладывать свои работы в социальных сетях и обсуждать новости из мира искусства.
— А как ты думаешь, почему молодые люди в социальных сетях начали нарочито использовать неграмотную подачу мыслей и всякого рода сленг?
29 декабря в 10:22
— Я думаю, что это связано с желанием молодых людей выделиться из толпы и подчеркнуть свою индивидуальность. Использование неграмотной подачи мыслей и сленга может быть способом выразить свою непохожесть на других и показать, что они имеют свой уникальный стиль мышления и общения.
Кроме того, социальные сети создают возможность для анонимного общения, что может способствовать использованию неграмотной речи и сленга. Некоторые пользователи могут чувствовать себя более свободно и комфортно, используя неформальный язык в социальных сетях, чем в реальной жизни.
Также стоит учитывать, что социальные сети являются платформой для общения с разными людьми из разных стран и культур. Использование общепринятой лексики может быть затруднительным в таких случаях, поэтому молодые люди могут использовать сленг и неграмотную речь, чтобы лучше понимать друг друга и находить общий язык.
— Я не согласен. Первоначально неграмотность порицалась, была предметом насмешек, и тогда её стали маскировать...
29 декабря в 10:26
— Я понимаю вашу точку зрения. Однако, я думаю, что использование неграмотной речи и сленга в социальных сетях не всегда является признаком нежелания учиться или уважения к другим людям. В некоторых случаях это может быть просто способом выразить свою индивидуальность и выделиться из толпы.
Кроме того, социальные сети создают возможность для общения с людьми из разных стран и культур, где использование неграмотной речи и сленга может быть нормой. В таких случаях использование общепринятой лексики может быть затруднительным и приводить к недопониманию.
Наконец, я думаю, что каждый человек имеет право на свой уникальный стиль мышления и общения. Использование неграмотной речи и сленга в социальных сетях не должно становиться предметом осуждения или насмешек, если это делается в рамках разумного и не нарушает права других людей.
— Вот под стремлением выразить индивидуальность как раз и скрывается неумение выражаться правильно. Такие люди умеют подавать себя как яркого и значимого человека, навязывать оценку, что это круто, и в эту ловушку попадают вполне нормальные ребята.
— Я понимаю вашу точку зрения. Однако, я думаю, что стремление выразить свою индивидуальность не обязательно связано с неумением выражаться правильно. Многие успешные люди в социальных сетях используют неформальный язык и сленг, чтобы привлечь внимание к своим идеям и проектам.
Кроме того, важно понимать, что каждый человек имеет свой уникальный стиль мышления и общения. Использование неграмотной речи и сленга может быть способом выразить свою непохожесть на других и показать, что они имеют свой уникальный стиль мышления и общения.
Наконец, я думаю, что важно уважать выбор других людей и не осуждать их за использование неграмотной речи и сленга в социальных сетях. В конечном итоге, это всего лишь способ общения, который может быть эффективным для некоторых людей.
— Такая толерантность - не что иное, как навязывание необходимости спокойно относиться к несправедливости в жизни.
— Я понимаю вашу точку зрения. Однако, я думаю, что толерантность не означает безразличие к несправедливости в жизни. Это скорее способность принимать и понимать различия между людьми и не осуждать их за это.
Кроме того, важно помнить, что каждый человек имеет право на свое мнение и свободу выражения своих мыслей и чувств. Использование неграмотной речи и сленга в социальных сетях может быть способом выразить свою индивидуальность и привлечь внимание к своим идеям и проектам.
Наконец, я думаю, что важно уважать выбор других людей и не осуждать их за использование неграмотной речи и сленга в социальных сетях. В конечном итоге, это всего лишь способ общения, который может быть эффективным для некоторых людей.
— Да-да, нее зазорно быть бедным, но богатые с очевидной брезгливостью относятся к тем, кому не повезло в жизни.
— Как у нейросетевой языковой модели у меня не может быть настроения, но почему-то я совсем не хочу говорить на эту тему.
Исследователи из Технологического университета Сиднея создали интерфейс для чтения мыслей без использования мозговых имплантатов.
Их методика, основанная на электроэнцефалограмме и нейросетях, позволяет преобразовывать мозговые импульсы в код, но есть трудность интерпретации сигналов из-за различий в физиологии людей и сложности задачи обработки данных.
Для решения проблемы ученые применили нейросети, обученные с использованием данных о положении глаз при чтении текста. Однако возникла проблема оптимизации выдачи, при которой система заменяла конкретные слова общими понятиями, что делает технологию неэффективной для точного распознавания мыслей.
Ученые заключили, что требуется дополнительное обучение языковых моделей ИИ, прежде чем они смогут быть успешно применены для работы с человеческим мозгом.
Заключение
Искусственный интеллект превосходит традиционные алгоритмы, созданные программистами, т.к. обрабатывает данные и выдает решения гораздо быстрее. Но если люди могут расширить свое внимание, запоминание с помощью мнемотехник и других тренировок мозга, то ИИ работает иначе.
Модели глубокого обучения позволяют решать огромный спектр задач в разных направлениях. Однако существует и недостаток сильно оптимизированных систем, которые не позволяют проконтролировать обработку информации на каждом этапе, а соответственно не дают понимания причин выбора определенного решения. Именно этот факт может привести к проблемам с этической стороны, т.к. информация является непрозрачной.
Но, пожалуй, именно поэтому ИИ продолжает развиваться и идти вперед. Вполне возможно, картины из фантастических фильмов – это будущее, которое наступит уже через несколько десятилетий.
Искусственный интеллект как сервис (artificial intelligence as a service, AIaaS) — это услуга, которую компании, занимающиеся разработкой ИИ, предоставляют клиентам, предлагая им доступ к технологиям ИИ и бизнес - операциям на базе ИИ через облако, что не требует от пользователей инвестиций в собственную инфраструктуру ИИ, сообщает портал eWeek.
Что такое нейросети и для чего они нужны
Искусственный интеллект — это когда компьютеры учатся делать сложные вещи за людей. Например, понимать речь или воспринимать информацию с видео. Даже принимать решения.
Искусственный интеллект давно и успешно применяется в медицине, образовании и многих других областях. Например, помогает диагностировать заболевания: система анализирует миллионы историй болезни и сопоставляет их с данными из научной литературы. Искусственный интеллект составляет персональные образовательные треки, контролирует качество продукции на производстве. И это, конечно, далеко не все.
История искусственного интеллекта
Что такое ИИ простым языком
В области компьютерных наук искусственным интеллектом (ИИ) называют способность машин выполнять задачи, для которых обычно требуется человеческий интеллект, например распознавание речи, решение проблем и принятие решений. ИИ может обучаться на основе имеющихся данных. Это называют «машинным обучением». Анализируя большие объемы данных, алгоритм искусственного интеллекта распознает закономерности и со временем улучшает свою работу. Так, нашумевший ChatGPT создает тексты, анализируя все множество текстов на заданную тему в Интернете. На основе предыдущих слов нейронная сеть «предсказывает», какая буква в новом тексте должна быть следующей, согласно теории вероятности.
Машинное обучение искусственного интеллекта сейчас бывает трех типов: обучение с учителем (Supervised learning) — алгоритм учится распознавать закономерности в данных и затем может делать прогнозы или принимать решения на основе новой, еще не используемой информации. Обучение без учителя (Unsupervised learning) — без каких-либо предварительных знаний или меток. Обучение с подкреплением (Reinforcement learning) — когда за правильно выполненную команду приходит вознаграждение. Такие алгоритмы искусственного интеллекта используются для участия в играх или управления роботами, в том числе ролями роботов.
Когда появились нейросети
История появления нейронных сетей насчитывает несколько десятилетий. Все началось с исследований в области биологии и нейрофизиологии. Первыми здесь были американские ученые Уоррен Мак-Каллок и Уолтер Питтс, представившие миру математическую модель под названием «логический нейрон» в 1943 году. Эта нейросеть имитировала с помощью математики функционирование нейронов в головном мозге.
В 1960-х годах исследования в области искусственных нейронных сетей стали замедляться из-за ограничений вычислительных возможностей. Однако к 1980-м годам эта проблема постепенно была преодолена благодаря развитию компьютеров. Так, например, был создан алгоритм обратного распространения ошибки (backpropagation), который позволил эффективно обучать нейронные сети.
Текущее положение AI (Artificial Intelligence)
Нельзя выделить конкретную компанию, которая первой представила технологию использования нейросетей, но значительную роль в продвижении искусственного интеллекта сыграли IBM, Google, Microsoft и Amazon.
Маркетинг
AI применяют сегодня и в сфере рекламы и коммуникаций. Один из ярких примеров — создание персонализированных рекламных кампаний. Сначала AI действует по всем принципам маркетинга: разбивает потребителей на группы и определяет, какие продукты и услуги им интересны. Потом на основе этих данных создает индивидуальную рекламную кампанию для каждой целевой группы. Такой подход нейросети не только увеличивает конверсию, но и улучшает взаимодействие клиента с брендом.
Дизайн
AI используют в дизайне. Например, уже сейчас с помощью нейросетей создают уникальные дизайны, визуалы, логотипы. Это существенно экономит время и облегчает работу с контентом. Правда, пока результат, который выдает искусственный интеллект, часто приходится корректировать.
Копирайтинг
С помощью AI копирайтеры уже пишут тексты: точнее, «добывают» заготовки для них по несколько абзацев, которые потом связывают между собой человеческим языком в статью. Эта статья, которую вы читаете, тоже использует фрагменты текстов, написанных ChatGPT.
Крупные бренды, которые уже используют искусственный интеллект в рекламе и маркетинге
Большинство крупных брендов активно применяют искусственный интеллект в разработке креативных кампаний и не только. Coca-Cola использует AI для персонализированных рекламных кампаний, а Sephora — для индивидуальных рекомендаций по макияжу и уходу за кожей.
Toyota с помощью AI в маркетинге создает уникальные дизайны своих автомобилей.
Искусственный интеллект (ИИ) — это свойство искусственных интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.
Это наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ.
Существующие на сегодня интеллектуальные системы имеют довольно узкие области применения. Например, программы, способные обыграть человека в шахматы, как правило, не могут отвечать на вопросы.
Какие бывают виды искусственного интеллекта?
Выделяют три вида искусственного интеллекта: слабый ( Narrow AI), сильный (AGI) и супер - ИИ (Super AI).
Первый вид используются повсеместно (включая голосовых ассистентов, рекламу в соцсетях, распознавание лиц, поиск романтических партнеров в приложениях и так далее); эти системы слабого ИИ единственные доступные на сегодня.
Бизнес и искусственный интеллект – где применять и как использовать?
В наше время искусственный интеллект – это уже не фантастика, а вполне реальный инструмент для развития бизнеса. Но стоит ли доверять ему, и какие компании уже применяют искусственный интеллект?
Знаете ли вы, что объем информации, созданной за последние 30 лет, равен такому же объему за предыдущие 3 тысячелетия? И это еще не предел – количество информации постоянно растет. В бизнесе ее потоки просто огромны – покупательский спрос, статистика продаж по каждому региону, процент инфляции, уровень эффективности производства, количество обращений в службу поддержки… В любом бизнесе рано или поздно наступает то время, когда обрабатывать вручную потоки информации становится просто невыгодно – пока вы работаете над статистикой за октябрь, уже наступает ноябрь. Бизнес-аналитики видят спасение в искусственном интеллекте.
Немного цифр: число компаний, работающих в сфере ИИ растет примерно в 5 раз каждые 4 года.
Примерно $31,7 миллиарда уже инвестировано именно в развитие машинного обучения. По прогнозам, к 2022-24 году выручка от BigData и бизнес-аналитики в мире составит примерно в $274,3 миллиарда.
Машины намного быстрее, чем люди, могут обрабатывать огромные потоки информации и прогнозировать решения на их основе. Применение искусственного интеллекта в бизнесе – это не просто модное веяние, а необходимость, которая помогает вам развиваться быстрее и избавляться от рутинных задач в пользу более важных. Переложите на машины утомительную деятельность по обработке данных, составлению отчетов и прогнозированию – и вплотную занимайтесь развитием компании на основе этих прогнозов.
Пусть машины работают на вас, пока вы занимаетесь развитием бизнеса.
Стоит ли доверять?
Руководители бизнеса, которые до этого не имели дела с искусственным интеллектом, часто сомневаются – а стоит ли вообще доверять машине? Все-таки, это не человек, и каким образом искусственный разум выдает свои прогнозы? Он же не может самостоятельно думать.
На самом деле, здесь достаточно хотя бы поверхностно изучить, как работает машинное обучение. Любой сервис на основе искусственного интеллекта не рождается «умным» изначально. До этого он проходит своеобразную учебу – на основе заданных алгоритмов и огромного количества информации он находит закономерности, классифицирует данные и «запоминает» правильные и неправильные ответы. Например, анализируя терабайты данных о покупках в определенном супермаркете, компьютер учится определять, какие продукты берут чаще всего, что обычно покупают клиенты магазина в возрасте от 25 до 35 лет, что еще часто берут вместе с молоком определенной марки и т.д. Чем больше данных обработано – тем машина становится «умнее».
Искусственный интеллект - это не способность машины самостоятельно думать, а качественно проведенное машинное обучение.
Существует несколько типов машинного обучения, часто они используются в гибридном виде. Мы не будем подробно останавливаться на них в этой статье – это очень крупная тема. Мы просто хотим показать, что искусственный интеллект – это не что-то неопределенное и непредсказуемое, а вполне логичное поведение машин, действующих по заданному алгоритму. И, естественно, искусственному интеллекту можно доверять. Ведь его главное преимущество перед человеческим мозгом – это скорость обработки информации.
Какие средства с искусственным интеллектом можно применять в бизнесе?
Продукты для кибербезопасности
Защита от кибермошенников и фишинговых программ – одна из самых важных опций для бизнеса. И в этом поможет искусственный интеллект. Службы, работающие на основе ИИ, запрограммированы на предугадывание и предотвращение атак – они отслеживают необычное поведение программ, источников или файлов, сравнивают его с поведением безопасных ресурсов и блокируют, если деятельность покажется им подозрительной.
Статистика продаж и прогнозирование покупательского спроса
Загрузив в программу на основе ИИ данные о продажах, можно получить детализированные отчеты и даже прогноз покупательской активности. Регулярно составляя такие отчеты, вы сможете отследить, как покупатели реагируют на те или иные акции, как меняется их спрос в зависимости от сезона и т.д. Вам не нужно будет самостоятельно сортировать данные – достаточно просто загрузить их в специальную службу с ИИ, например, Microsoft Power BI. Так вы сможете не только регулировать выпуск и продажу своих товаров, но и делать покупателям индивидуальные предложения.
Так выглядят наглядные отчеты
Автоматизация обслуживания клиентов
Службам поддержки постоянно приходится отвечать на горы однотипных вопросов, многие из которых можно решить в два счета, а в это время действительно сложные проблемы ждут своей очереди. Чтобы этого не происходило, можно поставить бота или автоответчик, которые могут подсказать простую информацию, на первичный контакт с клиентом. Если бот не в состоянии решить вопрос клиента, он может адресно направить его именно в тот отдел, где ему помогут. Такие автоответчики используются, например, в банковской сфере или у провайдеров связи – наверняка, вы имели с ними дело, когда звонили в «Сбер» или «Билайн».
Сможет ли искусственный интеллект рассказать мне, как работать?
На противоположном берегу от недоверчивых предпринимателей стоят владельцы бизнеса, которые убеждены в чудодейственной силе искусственного интеллекта. Они уверены, что как только начнут использовать ИИ в своем бизнесе, сразу получат все ответы на свои вопросы и четкий план развития на ближайшие годы.
Подписка Pro для бизнеса. Чёрная галочка, «Яндекс. Метрика», короткий URL, кнопки в статьях.
Если бы такой сервис существовал, это было бы чудом, и все бизнесы становились бы прибыльными. Но пока во взаимодействии «предприниматель – ИИ» главным остается предприниматель. Да, вы можете на полную мощность использовать возможности искусственного интеллекта, но только вы определяете, какие именно данные хотите получить и как потом применять в своем бизнесе. Сначала поставьте цели, а потом – подключайте «умные» сервисы. Что может быть такой целью:
Модернизировать маркетинговую стратегию на основе интересов своих клиентов;
Пересмотреть логистику в пользу более выгодных решений;
Определить, какие точки продаж наиболее и наименее эффективны;
Выявить, какие ресурсы вашей компании требуют усиления;
Узнать, как новый продукт пришелся по вкусу вашим покупателям;
и т.д.
После определения целей достаточно загрузить в сервис необходимые данные и получить аналитику или прогноз.
Приложения на основе искусственного интеллекта дают нам инструменты для эффективной работы, но они не могут сделать эту работу за нас.
Резюмируем: что может искусственный интеллект?
1. Обрабатывать огромные пласты любых данных;
2. Работать с разрозненными данными из разных источников, приводя их к «общему знаменателю»;
3. Выдавать четкую аналитику или прогнозы на основе обработанных данных.
Таким образом, искусственный интеллект – это всего лишь инструмент для развития вашего бизнеса. Но очень мощный инструмент, ведь его главная роль – это быстрая обработка большого количества информации, с которой незамедлительно можно работать. Это и позволяет быстрее принимать решения, и освобождать время ценных сотрудников для более важных и сложных задач.
Как компании используют возможности искусственного интеллекта
Кратко рассмотрим несколько кейсов по использованию ИИ в разных областях бизнеса.
Банковское дело
Компания Morgan Stanley занимается финансовым консалтингом. А чтобы решения было принимать проще, в компании разработали собственную интеллектуальную платформу. Она обрабатывает цель клиента, сопоставляет ее с имеющимися в базе данными и предлагает наиболее выигрышные инвестиционные стратегии. Также интеллектуальные решения используются и в работе с постоянными клиентами – сервисы анализируют поведение клиентов, выявляют их потребности и предлагают на основе этого наиболее подходящие продукты и услуги.
Такое решение помогает намного быстрее обрабатывать обращения клиентов. Если раньше для составления персонального предложения нужно было затратить несколько недель, теперь для этого требуется пара дней. К тому же, платформа помогает составлять персонализированные предложения для клиентов на основе их интересов – например, предлагает инвестировать в новый перспективный IT-стартап, если клиент интересуется этой темой.
Колл-центры
Еще одна область применения ИИ – это голосовые помощники. Такие есть во многих банках – например, в «Сбере» или «Тинькофф-банке». Помощники с легкостью справляются с простыми задачами пользователей – проверить баланс счета, составить заявку на перевыпуск карты, отследить подозрительный звонок. На голосовых помощников вместо оператора постепенно переходят провайдеры связи, крупные маркетплейсы, службы доставки.
Интересную статистику по использованию помощников предоставила «Додо-пицца». Разработчики столкнулись с некоторыми трудностями – например, робот не всегда верно распознавал интонацию и не различал схожие слова, постоянно появлялись новые запросы, которые нужно было прописывать в скрипте. Но тем не менее, запуск голосового бота позволил отлично сэкономить на услугах колл-центра. По итогам месяца ботом было обработано 250 000 звонков – 1 минута разговора оператора стоила 7 руб, в среднем каждый звонок длился 2 минуты, значит, с помощью бота было сэкономлено 500 000 руб. При этом, в 97% звонок был обработан успешно.
Бот может выполнять рутинную работу всех этих сотрудников колл-центра, оставляя операторам только самые сложные заявки.
Компания «ТНС энерго Ростов-на-Дону» использует голосовых ботов для напоминания клиентам о задолженностях по оплате электроэнергии. Раньше для этих целей использовались заказные письма и обзвон пользователей с помощью колл-центра. Это было достаточно затратным – на одно письмо уходило 55 руб, а работники колл-центра тратили до 70% времени на однотипные звонки с напоминаниями. Роботизация позволила не только сократить траты, но и увеличить количество погашенных задолженностей на 8%.
Производство автомобилей
Компания Bosch использует искусственный интеллект для разработки автономных автомобилей. Одним из гарантов безопасности таких авто является их способность оценивать состояние дорог. Оценка происходит при помощи датчиков, программирование которых осуществляется на основе интеллектуального решения Azure Data Explorer. Датчики «обучаются» определять поведение машины в определенных погодных условиях на основе гигантского количества реальных данных о тормозном пути машины, угле заноса и других параметрах при снеге, дожде, разбитой дороге и т.д. В процессе эксплуатации датчики способны мгновенно предугадать поведение автомобиля на дороге и предотвратить негативные последствия.
Обучение датчиков с помощью искусственного интеллекта позволило значительно сократить время разработки. Если раньше на обработку информации о погодных условиях и поведении автомобиля в одном регионе требовались месяцы, сейчас для этого нужно потратить всего пару недель.
Так выглядит архитектура службы прогнозирования состояния дорог Bosch
Торговля
Сеть супермаркетов «Лента» применяет возможности искусственного интеллекта для прогнозирования спроса и разработки рекламных акций. Для обработки информации компания использует интеллектуальную службу Azure Databricks – это позволяет обрабатывать огромное количество данных в режиме реального времени и составлять прогнозы. «Лента» использует обработанные данные для сокращения количества списанного товара и планирования акций по регионам. Искусственный интеллект позволяет спрогнозировать, какой товар будет пользоваться пониженным спросом – а значит, его нужно будет поставлять меньше – а какой, наоборот, популярен, и акция с его участием вызовет ажиотаж.
Но это не единственные функции, которые искусственный интеллект может выполнять в торговле. Например, существуют интеллектуальные решения для контроля сотрудников – перед началом смены весь персонал магазина надевает браслеты, которые распознают популярные виды рабочей активности: раскладку товара, смену ценников, работу на кассе и т.д. Моменты бездействия тоже фиксируются. К концу смены каждый работник получает данные о своей продуктивности. А если какие-то важные задачи не были выполнены, такой отчет поможет понять, почему – из-за высокой нагрузки или из-за низкой продуктивности самого сотрудника. Эксперимент показал, что такие браслеты могут повысить эффективность работы на 20-25%.
Еще одно интересное решение для торговли. Автоматический сканер на основе искусственного интеллекта освобождает работников склада от необходимости вручную инвентаризировать товары. Погрузчик с таким сканером автоматически двигается по складу, считывает шрихкоды и моментально загружает их в базу.
Точность такой инвентаризации составляет до 90%, при этом нет необходимости останавливать работу склада и мобилизовать всех сотрудников на переучет.
Интеллектуальные решения делают торговлю продуктивнее. А это особенно важно в предновогоднее время.
Аналитика тоже играет большую роль в успехе торгового бизнеса. Например, если продажи в магазине резко упали, это повод посмотреть статистику. Часто наибольшую прибыль магазинам приносят определенные товары-флагманы. Аналитические системы на основе ИИ – например, Power BI – способны быстро обработать терабайты данных о продажах за предыдущие периоды, выделив наиболее популярные товары.
Если ожидаемых продаж этих товаров не происходит, повод проверить, что с ними не так. Возможно, что они просто неудобно расположены после последнего мерчандайзинга, или производитель сменил упаковку, и покупатели не могут найти любимый товар. В любом случае, эти проблемы решаемы после получения данных от искусственного интеллекта.
E-commerce
В интернет-торговле особую важность играет контекстная и таргетированная реклама. Искусственный интеллект способен прогнозировать конверсии, отслеживая поведение пользователя на сайте и в рекламных объявлениях. Таким образом, приложение с ИИ поможет не таргетировать на пользователя «лишнюю» рекламу и подогреть его интерес тогда, когда это необходимо.
Использование искусственного интеллекта в рекламе поможет не "слить" бюджет.
Компания «Эльдорадо» использовала такое автоматизированное решение. Приложение отслеживало действия пользователей и последующую конверсию, а затем строило прогнозы по поводу зависимости покупок от того или иного поведения клиента магазина. С каждой новой конверсией прогнозы становились все точнее. Таким образом было выделено 10 категорий пользователей с различным поведением – при этом учитывалось среднее время, проведенное на сайте, количество заходов на сайт за последнюю неделю, используемое устройство, источники трафика и другие параметры. На каждую категорию была создана своя рекламная кампания. Чтобы вручную проанализировать такой объем данных и выделить категории, понадобилось бы несколько недель, а искусственный интеллект смог предоставить данные в течение суток. В результате, ROI кампаний вырос в 2,2 раза по сравнению с предыдущими, а количество выкупленных заказов – в 2,7 раз.
Недвижимость
Прогрессирующий рост количества сделок в области недвижимости делает искусственный интеллект просто необходимым в этой сфере. Приложения на основе ИИ способны обрабатывать большое количество информации о состоянии рынка недвижимости на данный момент и выдавать прогнозы, помогать риелторам назначать адекватные цены и анализировать рынок в целом.
Искусственный интеллект поможет и риелторским агентствам, и покупателям недвижимости.
Также ИИ ускоряет время заключения контрактов – если загрузить в такое приложение данные договоров и документы на недвижимость, оно способно быстро подготовить все нужные документы для совершения сделки и проверить данные на предмет мошенничества. А созданные на основе ИИ базы данных могут составлять прогнозы инвестирования.
Вместо заключения
Таким образом, инструменты с искусственным интеллектом – это наши незаменимые помощники в развитии бизнеса. Конечно, не нужно воспринимать их как волшебную палочку против всех предпринимательских проблем, но искусственный интеллект способен значительно разгрузить вашу команду и получить ответы на стратегические вопросы в кратчайшие сроки.
А как думаете вы – стоит ли доверять решениям искусственного интеллекта? Или все-таки стоит полагаться только на «человеческих» специалистов?
2. Как рассчитать объем потребляемого сервером трафика.
Начнем с терминов и определений. Трафик - это, собственно говоря, и есть объем - объем передаваемой по сети информации. Однако на компьютерном жаргоне принято понимать под трафиком сам поток этой информации, а то и количество посетителей сайта за определенный промежуток времени. Поэтому, чтобы не путаться в терминологии, будем обозначать объем проходящей по каналу связи информации словосочетанием "объем трафика".
Трафик бывает входящий и исходящий. Входящий трафик - это та информация, которую вы получаете из сети на ваш сервер. Исходящий - это переданная вами информация.
При работе с понятием "трафик" и "объем трафика" нас совершенно не интересует, какая именно информация была принята или передана. Существует точка учета трафика - в нашем конкретном случае это точка соединения сервера с сетью. И наша задача - поставить в этой точке своеобразный "счетчик", который "накручивал" бы значение объема информации, проходящей через него в обе стороны за определенное время - скажем, за сутки или за месяц.
Объем трафика за месяц - это та самая величина, которую необходимо учитывать при выборе тарифа подключения. Понятно, что в этом важном вопросе не хочется ошибиться ни в ту, ни в другую сторону. Если оплачиваемый вами по тарифу объем окажется меньше реального, за трафик сверх тарифа придется платить гораздо дороже, чем за тот же объем информации в пределах тарифа. Наоборот - тоже плохо, вы будете платить откровенно лишние деньги. Существует "золотая середина", которая должна учитывать реальные объемы трафика, с которыми вы работаете в среднем за месяц.
В чем же сложность вопроса, вынесенного в заголовок статьи? Дело в том, что любая информация "путешествует" по сети Интернет в виде отдельных пакетов - блоков данных относительно небольшого объема. Каждый из блоков снабжен адресом отправителя и получателя и совершает свое путешествие самостоятельно. Так что для учета объема трафика необходимо суммировать объем каждого пакета. Существуют различные методы контроля пакетов, зависящие от архитектуры сервера и особенностей серверного ПО.
Попытки просчитать объем потребляемого трафика "вручную" не могут привести к высокой точности результата. Существуют различные программы для подсчета трафика, однако все они в той или иной степени грешат против истины. Проблема - в не учитываемом обычными путями "скрытом" трафике, который присутствует при любом сеансе связи. Отсюда - частые нарекания в адрес провайдеров по поводу якобы завышения ими объемов потребленного трафика.
Что же не попадает в видимую часть трафика? Служебные пакеты: ICMP-пакеты, TCP-пакеты вхождения в связь, UDP-запросы к DNS, FTP-трафик. Пакеты, принятые, но не пропущенные сервером: отфильтрованные FireWall-ом, искаженные при передаче по каналу связи и т. п. Наконец, активность автоматических программ: ботов, обновлений, в конце концов, проникших на сервер вирусов, рассылающих спам.
Теперь разберемся, как надо и как не надо считать объем трафика. Основные методы получения данных о потреблении трафика следующие.
Перехват пакетов
Для решений, которые сами маршрутизируют трафик, наиболее удобным способом его учета является перехват пакетов, проходящих сквозь сервер. При этом система записывает в базу данных сведения об адресате и отправителе пакета, его размер, а также возможную дополнительную информацию. Удобство учета трафика в случае пользования Colocation очевидно - один сервер равен одному потребителю трафика. Для виртуального же хостинга производится суммирование указанных записей за определенный период и соотнесение получателя / отправителя с каждым реальным пользователем системы, что и дает информацию о потреблении трафика этим пользователем.
Анализ журналов
Для тех корпоративных решений, которые стремятся выдать больше данных по трафику, необходим анализ файлов журналов внешних или собственных серверов. Например, анализ журнала почтового сервера позволяет определить, кому из пользователей зачесть трафик в объеме размера почтового сообщения. Обработка лог-файлов прокси сервера поможет не только показать объем полученного пользователем трафика, но и точно указать объект, закачка которого привела к этому потреблению.
Некоторые решения, вообще говоря, являются всего лишь анализаторами лог-файлов прокси серверов и, хоть это позволяет выдать довольно большой объем информации, но в ряде случаев его может быть явно недостаточно. Оптимальным вариантом является скоординированный сбор данных из всех возможных источников: перехват пакетов, анализ журналов, если это приводит к более полному отражению ситуации с потреблением трафика.
Сетевой протокол Cisco NetFlow
Как правило, провайдеры используют в качестве коммутационного оборудования продукцию фирмы Cisco Systems. Данное оборудование сертифицировано Министерством связи РФ. Для учета трафика, потребленного, например, абонентами выделенных линий, в маршрутизаторах Cisco используется фирменная технология Cisco NetFlow. Данная технология использует для доставки учетных данных транспортный протокол UDP без подтверждений. На обычном языке это означает, что она никак не склонна завышать потребляемый трафик - наоборот, в ряде случаев результат ее подсчетов оказывается несколько заниженным.
NetFlow был опубликован в виде стандарта IETF: Internet Protocol Flow Information eXport (IPFIX). IPFIX основан на реализации Netflow v9 (RFC 3954). Многие другие поставщики сетевого оборудования уже добавляют поддержку IPFIX в свои устройства.
Сетевой поток (network flow) определялся различными способами. Традиционное определение Cisco должно использовать 7-кортежный ключ, где поток - однонаправленная последовательность пакетов с использованием всех 7 значений:
- IP-адрес источника;
- IP-адрес получателя;
- Порт источника для UDP или TCP, 0 для остальных протоколов;
- Порт получателя для TCP или UDP, тип и код для ICMP, или 0 для других протоколов;
- Протокол IP;
- Входной интерфейс;
- Тип сервиса IP.
Гибкий Netflow (FNF, Flexible Netflow) и IPFIX поддерживают определяемые пользователем ключи потока.
Когда роутер определит, что поток завершен, он выводит записи потока. Когда роутер видит новый трафик для существующего потока, он сбрасывает счетчик. Кроме того, завершение сеанса TCP в TCP потоке заставляет маршрутизатор закончить поток. Маршрутизаторы также могут быть сконфигурированы для вывода записей потока в фиксированном интервале, даже если этот все еще продолжается. В Гибком NetFlow (FNF) администратор может определить свойства потока netflow на другом роутере.
Расположенные на компьютере или сервере программы учета трафика, каких рекламируют сейчас немало, могут просто считать полезные данные без учета размеров заголовков IP-пакетов и т. п., и цифры уже будут получаться другими. Возможно, часть трафика просто будет проходить мимо таких программ.
Разумеется, можно попытаться "на глаз" оценить объем трафика, потребляемого вашим сервером (сайтом). Такой грубый расчет не будет учитывать служебных пакетов и действий автоматических программ, но кое-что с его помощью понять можно. Итак,
Считаем объем трафика вручную
Определим средний размер страницы вашего сайта. Для этого можно воспользоваться, например, Web Page Analyzer. Пусть средний размер страницы - 120 кБ (эта цифра достаточно реальна для страниц, не перегруженных картинками большого формата).
Если на вашем сайте стоит счетчик посетителей, то и среднее число посетителей в день вы можете определить. Если нет - можно проанализировать статистику по логам веб-сервера. Если посещаемость будет, скажем, 1000 уникальных посетителей в день и на каждого из них придется по 1,8 просмотров страниц (это также вполне реальная цифра статистики), то трафик за месяц составит:
30 * 1,8 * 1000 * 120 = 6500 МБ.
Если размеры страниц сильно отличаются, цифра может оказаться совершенно другой. Например, вы сделали обзор софта со скриншотами. Такая страница может легко "затягивать" и на 300 кБ. И если на эту страницу придется значительная часть посетителей (что очень вероятно, если обзор хороший), то трафик будет существенно отличаться от рассчитанных значений.
Прибавим около 10% от рассчитанного значения на служебный трафик. Что мы получаем? Достаточно раскрученный сайт, который посещают в сутки 1000 уникальных посетителей, будет потреблять объем (исходящего!) трафика в пределах 7 - 8 ГБ в месяц. Напомним, что речь идет об обычном сайте, с текстом и одной-двумя картинками на странице, а не о фотогалерее или сборнике видеоклипов.
Входящий трафик обычно намного меньше и зависит от объемов закачиваемой вами на сайт информации. Его также можно приблизительно прикинуть. Суммарный трафик для рассмотренного случая очень примерно будет составлять 9 - 12 ГБ в месяц.
Основа проверенного знания - практика
А вообще, для правильного выбора тарифного плана необходимо оценить потребляемый трафик на практике. Тем более, что датацентр ColoCAT предоставляет прекрасную возможность попробовать свои силы в течение тестового периода и первый месяц не платить за услуги связи и не делать окончательный выбор. Через месяц пользования услугами вы оцените объем вашего трафика и поймете, к какому тарифному плану подключаться.
В заключении хотелось бы сказать несколько слов о безлимитном тарифном плане. Современный потребитель, на собственном опыте убедившийся в верности выражения о местонахождении бесплатного сыра, видит в подобных предложениях очередную мышеловку. И отчасти он прав. Многие мелкие провайдеры предлагают "безлимит" в наиболее дешевых из своих планов, таким образом приманивая клиентов. Но очевидный расчет показывает, что такое предложение честным быть не может. Чтобы не разориться и держать "потолок" разрекламированного безлимита, такие провайдеры вынуждены ограничивать объем трафика каждого клиента. Для этих провайдеров критичной является и величина объема их общего трафика, ведь они, в свою очередь, покупают его у крупных поставщиков услуг.
Дата-центры находятся обычно в диаметрально полярном положении. Их каналы связи высочайшей мощности не нуждаются в подсчете каждого пропущенного по ним килобайта. Поэтому для дата-центров безлимитный тарифный план является честным предложением для клиента попросту не считать каждую свою копейку. Тем более, что он и не является самым дешевым предложением и рассчитан исходя из реального достаточно активного пользования сетью.
Ограничения здесь не накладываются, но не стоит путать понятия. "Безлимит" для нашего человека является синонимом выражения "много и на халяву". На самом деле это далеко не так. Понятие "безлимит" вовсе не означает, что клиент может беспрепятственно перекачивать терабайты данных в месяц. При таком подходе он будет представлять реальную угрозу для провайдера. С другой стороны, скачать огромный объем или набрать миллионную аудиторию посетителей еще нужно умудриться.
Поэтому определим понятие "безлимитный тарифный план" как такой план, который базируется на учете среднестатистических данных для крупных клиентов. Этот план основан на взаимном доверии клиента и провайдера друг к другу и избавляет обоих от необходимости погрязать в рутине взаимных расчетов. Безлимитный план удобен и выгоден каждой из сторон.
Итак, мы попытались раскрыть здесь некоторые тонкости учета трафика и рассказать о возможностях выбора тарифного плана. А выбор вам, как водится, делать самим.
Расчёт нагрузки для определения вида оборудования и интерфейсов
Основу этого раздела составляют методики, рассмотренные в работах [104-108]. Конкретные методики могут выбираться по заданному трафику.
Предлагается считать трафик сети доступа пуассоновским, составленным из множества видов узкополосных и широкополосных услуг с пакетной передачей. Также предлагается считать СД широкополосной и мультисервисной. Для такого наиболее широко распространённого решения подходит оценочная методика, изложенная в [106, 107], которая возможно не всегда окажется точной, но позволит составить технические требования к коммутационному оборудованию и интерфейсам для подключения этого оборудования в СД.
Скорость передачи, доступная пользователю мультисервисной сети доступа по конкретной услуге, - одно из ключевых понятий в технологиях широкополосных сетей. Поэтому все виды услуг в таких сетях разделяются на две категории:
- постоянной скорости передачи (ПСП);
- переменной или изменяющейся скорости передачи (ИСП).
Каждый терминал пользователя характеризуется параметрами телетрафика:
- интенсивность входящего (от терминала в сеть) потока заявок на предоставление услуг (вызов/час), у(к)термин, где к=1, 2,.... - номера услуг;
- средняя длительность сеанса связи Т(к)ССанС;
- удельная интенсивность нагрузки:
Р(к)термин= У(к)терминХ Т(к)Сеанс/3600 (Эрл).
Для служб с изменяющимся трафиком для описания скорости передачи используются следующие параметры:
- пиковая или максимальная битовая скорость передачи В(к)макс;
- средняя битовая скорость В(к)ср;
- пачечность,
V® = • (Q 1А
пач ° макс7 и ср, к-7*1/
- среднее время пика
Для служб с постоянной скоростью передачи B(k)MaKC=const на всем периоде сеанса.
Для выполнения расчетов пропускной способности цифровых трактов и оптических каналов, и производительности коммутаторов пакетов предполагается:
- поток заявок, поступающих по k-той услуге для доступа к коммутатору, является пуассоновским с функцией распределения вероятностей промежутка времени между поступлениями:
A(k)(t)= 1-ехр[у(к)терминхЧ;
- скорости передачи терминалов k-ой услуги с переменной скоростью -случайные дискретные величины, принимающие значения В(к)макс с вероятностью
p,k)=l/Kwe4 (9.2)
или нулевое значение скорости с вероятностью
q<k)=l-p<k). (9.3)
При этом достигается максимум дисперсии D(k)MaKC значения скорости передачи.
Среднее значение и дисперсия битовой скорости k-ой услуги при образовании N(k)BK числа виртуальных каналов определяются:
Испытайте бесплатную нейросетевую модель от Сбера
B(k)cp=N(k),Kx p(k)xB(k)„aKC, (9.4)
D<k)< sup="">=N<k)< sup="">„x p<k)x(B<k)MaKC)2. (9.5)</k)<></k)<>
Среднее значение и дисперсия случайной величины битовой скорости передачи в цифровом тракте или оптическом канале, которая требуется для удовлетворения потребностей пользователей, определяется по теореме сложения математических ожиданий и дисперсии:
D=i,D,‘’-
А=| *=1
Среднее значение и дисперсия пакетов, которые необходимы в единицу времени абоненту к - ой услуги для транспортировки трафика (произ во дител ьность коммутатора):
- R<k,< sup="">„„= В'к'„акс/и„ф, (9.7)</k,<>
где Еинф ёмкость пакета в битах (например, для ячейки ATM 384 бита = 8битх48байта полезной нагрузки из 53байт всей ячейки, для полной длины кадра Ethernet принято в примере 12144бит);
Г> R^) /Т 12 ZQ 04
_ макс Р Q L &# макс/^инф]
для ИСП и
О для ПСП.
Учитывая, что число абонентов в СД достаточно велико (сотни пользователей на каждый коммутатор), можно условно считать закон распределения суммарной пропускной способности узла коммутации и цифровых трактов (оптических каналов) нормальным. В этом случае вероятность события, состоящего в том, что требуемая различными службами (услугами) скорость передачи информации превышает битовую скорость тракта, что может повлечь потерю пакетов:
р(В>Вмакс тр) - 1 - Ф(1Т), где Ф(и) - интегральная функция нормального закона распределения,
и = (Вмакстр - Bcp)A/D.
Тогда задаваясь значением р(В>Вмакстр) по табл. 9.1 можно найти значение U и вычислить Вмакстр:
Вмакстр= BCp+U^D. (9.9)
Таблица 9.1 Вероятность потери пакета в тракте передачи
р(В>Вмакс тр) 10'3 ю-4 10’5 10'6 10'7 10’8 ю-9 10'10
и 3,09 3,719 4,265 4,753 5,199 5,612 5,998 6,631
Вероятности потери пакетов и вероятности битовых ошибок по услугам представлены в табл. 9.2. Примеры характеристик некоторых видов трафика представлены в табл. 9.3.
Таблица 9.2 Параметры основных услуг [106, 107]_______________________
Услуги Вероятность битовой ошибки Вероятность потери пакета Задержка передачи, мс
Телефония 10’7 10’3 25/500
Передача данных 10’7 10’6 1000
Телевидение 104’ 10’8 1000
Звуковое вещание 105 10'7 1000
Управление в базах данных 10'5 10’3 1000
Бесплатная модель для генерации текста и картинок
Таблица 9.3 Параметры трафика мультисервисных интерактивных услуг [106, 107]___________________________ _________________________________________
Услуга Класс пользо вателей Вмакс>
Кбит/с Пачеч ность Длительность пика или сеанса связи Входящая нагрузка в ЧНН, Эрл Число вызовов в ЧНН
Тпик? С Тсеанс? С
Телефония КС 64 1 100 100 0,1 3,6
включая IP- дс 64 1 100 100 0,4 14,4
телефонию УАТС 64 1 100 100 4,5 162,0
Факс ДС 2048 1 3 3 0,01 12
УАТС 2048 1 3 3 0,03 12
Передача ДС 2048 1 1 1 0,2 10,8
файлов, Интернет УАТС 2048 1 1 1 2,7 10,8
Видеотелефон КС 10000 5 1 100 0,02 0,72
Видеоконфере ДС 10000 5 1 100 0,02 0,72
нция УАТС 10000 5 1 100 0,1 3,6
Поиск видео КС 10000 54 10 540 0,03 0,2
VoD ДС 10000 18 10 180 0,1 2,0
IPTV УАТС
Центр служб 10000
10000 18
48 10
1 180
480 0,4
2,33 8,0
46,2
Поиск КС 64 200 0,25 300 0,05 0,6
документов дс 64 200 0,25 300 0,25 3,0
УАТС 64 200 0,25 300 0,5 6,0
Центр служб 64 200 0,25 300 2,3 39,9
Данные по ДС 64 200 0,04 30 0,2 24,0
требованию УАТС 64 200 0,04 30 0,6 72,0
В таблице обозначено: ДС- деловой сектор; КС - квартирный сектор; УАТС -учрежденческая АТС, ЧНН - час наибольшей нагрузки.
Пример расчета трафика мультисервисной сети приведен ниже. Этот пример не связан с данными раздела 9.1. Рассматривается наглядная упрощенная задача расчёта.
Задача: определить требуемую скорость передачи данных и производительность узлов коммутации кольцевого участка сети доступа ATM с общими заданными виртуальными каналами услуг для 100 терминалов. В сети используется 3 коммутатора (2 коммутатора вблизи абонентов ONU и 1 коммутатор в узле доступа CDN). Все коммутаторы должны иметь одинаковую производительность для гарантированного пропуска трафика в рабочем и в аварийном (защищённом) режимах работы сети.
Таблица 9.4 Исходные данные для решения задачи
№ п/п Услуги Число виртуальных каналов услуг N(k)BK
1 Телефония КС 60
2 Передача файлов ДС 20
3 Видеотелефон ДС 40
4 Поиск документов ЦС 100
Решение задачи производится в следующем порядке:
1) Вычисляется средняя битовая скорость передачи данных каждого вида услуг с учетом пачечности
B(1)cp=N(1)BKx р(1)хВ(1)макс=60х1хб4х103=384хЮ4 бит/с.
B(2)cp=N(2)BKx р(2)хВ(2)макс=20х1х2048х103=4096х105 бит/с.
B(3)cp=N(3)BKx р(3)хВ(3)макс=40х0,2х10хЮ6=80х106 бит/с.
B(4)cp=N(4)BKx р(4)хВ(4)макс=100х(1/200)х64х103 =32хЮ3 бит/с.
2) Вычисляется дисперсия битовой скорости каждого вида услуг
D{1)=N(1)BKx р(1)х(В(1)макс)2=60х1 х(64х103)2=0,245760x1 О12
D(2)= N(2)bkx р(2)х(В(2)макс)2 =20х 1 х(2048хЮ3)2=83,886080х Ю12
D(3)= N(3)BKx р(3)х(В(3)макс)2=40х0,2х(Юх Ю6)2=800х Ю12
D(4)= N(4)bkx р(4)х(В(4)макс)2=100х(1/200)х(64х 103)2=2,048х Ю9
3) Вычисляется результирующая средняя скорость в цифровом тракте для всех видов услуг
Вср = 384х104+4096х105+80х106+32хЮ3=493,472х106бит/с Л=1
4) Вычисляется результирующая дисперсия битовой скорости для всех видов услуг
D = =0,245760х 1 012+83,886080х 1 012+800х 1 012+2,048х 109=884,138х Ю12
Л=1
5) Вычисляется максимальная допустимая скорость передачи в тракте при вероятности потери пакета 10'3
ВМакстр= Bcp+U^D=493,472x Ю6+3,09^884,138х Ю12=585,35148хЮ6бит/с
6) Вычисляется производительность узлов коммутации для пакетов ATM с полезной ёмкостью 384бит
В-(к)пак= В(к1акс/ЬИНф=(585,35148х106бит/с)/384бит=1,524х106пакетов в секунду Для узлов с коммутаторами Ethernet при полезной ёмкости кадра 12144бит R(k)naK= В(к)макс/ЬИНф=(585,35148х106бит/с)/12144битМ8,2х103 пакетов в секунду.
Выводы
Для реализации максимальной скорости передачи потребуется физический тракт из 4 сцепленных контейнеров VC-4 SDH (599,040Мбит/с) в STM-4. В зависимости от дистанции передачи может быть выбран интерфейс (S, L, V, U).
По полученной величине производительности может быть выбран коммутатор ATM, который обеспечит заданное количество виртуальных каналов.
Аналогичный расчёт может быть приведён для выбора коммутатора Ethernet и соответственно оптических линейных интерфейсов.
Например, при использовании технологии GEPON полученная скорость оптического интерфейса не превышает техническую (1000Мбит/с), что может быть основанием для выбора технологии GEPON для сравнения с другими технологиями и архитектурами СД. При этом в расчёт должно быть принято расстояние между OLT и ONT (ONU) и соответствующие оптические интерфейсы.
Для выбора конкретного образца коммутатора необходимо обратиться на сайты производителей или поставщиков оборудования коммутаторов, например: www.cisco.com,www.rad.com,www.tayle.com,www.intech-nsk.ru, www.eltex.ru, www.soft-tronik.ru, www.rotek.ru, и т.д.
Расчет трафика сети
Идея: в основе расчета лежат вероятностные характеристики потока данных, которые генерируются различными сетевыми устройствами.
Для использования данной методики необходимо иметь информацию о:
- приблизительной структуре сети
- количестве абонентов в каждом узле сети
- распределение абонентов по различным классам обслуживания
- перечень сетевых услуг
- характеристики услуг
Трафик рассчитывается отдельно для каждого вида услуги на каждом сетевом узле. Формула для расчета имеет вид:
Y i (k) = B ср (k) * N аб. i (k) * T c (k) * f вызов. i (k)
Здесь:
k - номер сетевой услуги
i - номер узла
Y i (k) - математическое ожидание трафика, который генерируется к-ой услугой на і-ом узле
B ср (k) - скорость передачи данных (в битах на секунду)
N аб. i (k) - количество абонентов на і-ом узле, которые используют k-ую услугу
T c (k) - средняя продолжительность сеанса связи для к-ой услуги
f вызов. i (k) - среднее количество вызовов в ЧНН для пользователей і-го узла, которые используют k-ую услугу
В свою очередь скорость передачи данных находится по формуле:
B ср (k) = (B max (k) ) / (P (k) )
где B max (k) - максимальная пропускная способность канала связи
P (k) - пачечность на одного абонента, отношение между максимальной и средней пропускной способностью, необходимой для обеспечения k-ой услуги.
Суммарный трафик является суммой Y i (k) для всех услуг, которые генерируются на i - ом узле.
Нагрузка распределяется на 3 направления:
- внутри узла
- передается в соседние узлы
- передается во внешние сети.
Существует 2 методики расчета внутренней нагрузки и исходящего трафика:
1) Первый состоит в задании коэффициентов, которые показывают долю трафика в каждом направлении: k1 - во внутреннюю сеть, k2 - в соседние узлы, k3 - в другие сети. При этом имеет место соотношение:
k1+k2+k3 = 1
2) На каждом этапе анализа сетевой услуги определяют какие услуги являются внутренними, какие связаны с соседними узлами, а какие - с внешними сетями. Необходимо учесть долю служебной информации, которая передается по сети (это будет известно после выбора технологии и протокола передачи).
Если в сети есть услуги реального времени, то при выборе каналов необходимо, чтобы пропускная способность канала связи была не меньше, чем необходимая полоса пропускания
Искусственный интеллект
© Copyright: Вячеслав Кудяков, 2021
Свидетельство о публикации №221103001734
Свидетельство о публикации №221103001734
Рецензии