Журнал "Системы Безопасности" № 1‘2019

A L L - O V E R - I P 55 ся, какие взаимосвязи между этими объекта- ми и т.д. Точно такой же способ анализа изображений необходим для обеспечения зрения роботам и навигаторам беспилотных автомобилей, которым нужно "видеть" мир, с которым они взаимодействуют. Евгений Веснин, "Малленом Системс" Нейронные сети находят применение практи- чески во всех областях деятельности челове- ка, от автоматизации технологических опера- ций на производстве до автопилотов автомо- билей и искусства. Во многих областях они уже превзошли человека: распознавание текста для узких задач, классификация изоб- ражений (конкурс ImageNet); программа AlphaGo, использующая нейронные сети, в 2016 г. выиграла матч у одного из сильней- ших игроков в истории го. Можно выделить следующие популярные области применения нейронных сетей: анализ изображений и текста, распознавание речи, рекомендатель- ные и поисковые системы. Денис Кравченко, Ivideon Порой нейросети находят применение в самых неожиданных областях. Необычный свежий пример – анализ корректности юри- дических документов. Не так давно даже прошло соревнование нейросети с американ- скими юристами, в котором нейросеть одер- жала победу. Однако, на мой взгляд, целесо- образнее всего применять нейросети и искус- ственный интеллект там, где требуется моно- тонное повторение одних и тех же операций, рутинный труд. Если говорить о видеонаблю- дении, которым занимается Ivideon, огром- ный потенциал нейросетей используется для анализа видео. Просмотр многочасовых видеозаписей – утомительное занятие, поэтому человеческий фактор здесь может играть решающую, даже критическую, роль. Нейросети эффективно решают эту проблему. Алексей Ястребов, Macroscop Нейросети переживают настоящий бум. Исследователи занимаются искусственными нейронными сетями достаточно долго, не менее 70 лет, но огромный шаг вперед в раз- витии архитектуры искусственных нейросетей был сделан примерно в 2012–2015 гг. Ней- росети стали значительно экономичнее в использовании своих параметров, возникла волшебная модель под названием "сверточ- ная нейросеть" (кто о ней не слышал?). Такие нейросети обладают замечательной способ- ностью самостоятельно находить в данных те признаки, с помощью которых можно наи- лучшим образом решить поставленную перед ними задачу, например отличить один объект на изображении от другого. Другой популяр- ный термин – "глубокое обучение" – говорит нам о том, что современные нейросети имеют большое (иногда очень большое – более сотни) число слоев, что позволяет им нахо- дить решения для более сложных данных. Почти все современные нейросетевые моде- ли – это глубокие сверточные нейросети. Все это привело к такому значительному рас- ширению диапазона задач, которые можно успешно решать с помощью нейросетей, что и сам термин "искусственный интеллект" заиграл новыми красками. В первую очередь штурму подверглись раз- нообразные задачи обработки изображений и анализа видеоданных: детектирование раз- личных объектов на изображении и их клас- сификация (эти задачи тесно связаны). Сюда относятся задачи обнаружения и распознава- ния лиц и автомобильных номеров, поиск и определение местоположения людей и дру- гих объектов в кадре, обнаружение огня, дыма, воды там, где их не должно быть, и т.д. www.secuteck.ru февраль – март 2019 Игорь Фаломкин Директор департамента разработки ПО компании ITV | AxxonSoft Никита Живаго Старший менеджер по развитию бизнеса компании NVIDIA Евгений Веснин Технический директор ООО "Малленом Системс" Денис Кравченко Разработчик отдела видеоаналитики компании Ivideon Алексей Ястребов Ведущий разработчик компании Macroscop Дмитрий Антонов Руководитель направления Департамента развития продуктов компании ISS