Журнал "Системы Безопасности" № 6‘2024

Ц И Ф Р О В А Я Т Р А Н С Ф О Р М А Ц И Я , И И , И Н Т Е Р Н Е Т В Е Щ Е Й 133 доверительной вероятностью 0,99 на выборках в 160 опытов. На выборках в 16 опытов дове- рительная вероятность составляет 0,7, что неприемлемо мало для приложений биомет- рии, биологии, медицины, экономики. Аспиранту-биологу вполне по силам прокор- мить и вырастить 16 кроликов. Интерну-медику собрать статистику в 16 историй болезни по его специализации вполне реально. В связи с этим возникает задача многокритериального стати- стического анализа. Выходные состояния "1" и "0" – это классика для персептронов Розенблатта. То есть для каждого из 21 статистического критерия прошлого века мы можем построить свой эквивалентный пер- септрон. Далее мы можем объединить эти пер- септроны в одну нейросеть [16, 17]. Такая ней- росеть будет выдавать длинный бинарный выходной код с 21-кратной избыточностью. Если все разряды кода нулевые "000…000", то гипотеза нормальности признается с 21-крат- ной избыточностью. Если один нейрон из всех дает состояние "1", то гипотеза нормальности подтверждается с 20-кратной избыточностью. Подсчет единиц в избыточном коде – это про- стейшее правило обнаружения и устранения ошибок (противоречий среди использованных критериев). Объявлять пользователю кратность обнаружен- ной кодовой избыточности при многокритери- альной проверке той или иной статистической гипотезы – это легко вычисляемый показатель качества. Однако этот показатель уступает по своей полноте традиционному объявлению доверительной вероятности к результатам тех или иных статистических исследований. Еще одним достаточно полным показателем является объявление размеров эквивалентной выборки, полученной за счет многокритериаль- ного статистического анализа. Практика много- критериального анализа показала, что совмест- ное использование примерно 10 разных стати- стических критериев дает удвоение выборки реальных данных. То есть аспирант-биолог при защите своей диссертации на соискание ученой степени кандидата биологических наук должен объявить, что выращенные им 16 кроликов по критерию "хи-квадрат" с доверительной веро- ятностью 0,7 дают нормальное распределение исследуемых им параметров. Однако примене- ние им 11 статистических критериев позволяет поднять доверительную вероятность до уровня 0,87 к полученным результатам. Последнее эквивалентно увеличению объема выборки в 16 реальных кроликов до эквивалентного объема выборки в 32 кролика (появилось 16 виртуальных кроликов или их цифровых статистических моделей). Сегодня аспирантам-физикам официально раз- решено пользоваться цифровыми моделями ядерных взрывов. Почему сегодня аспирантам- биологам нельзя пользоваться цифровыми ста- тистическими моделями исследуемых ими кро- ликов? Заключение Современный искусственный интеллект спосо- бен не только переводить тексты, писать стихи и музыку, но и отнимать рабочие места у обыч- ных людей [18]. Эффективность и качество при- ложений ИИ можно оценивать простыми и понятными экономическими метриками: повышение производительности труда, рост прибыли, снижение стоимости продукции. Какие метрики и какие оценки качества ИИ будут наиболее востребованы в ближайшем будущем, мы не знаем. Тем не менее в будущем обязательно должны появиться стандарты, рег- ламентирующие то, как подсчитывать кубиты достигнутого квантового ускорения вычислений или биты эквивалентного ключа нейросетевой защиты информации. В середине прошлого века маркетологи про- двигали ламповые радиоприемники на рынок, объявляя количество ламп внутри них. Когда начали на рынке появляться приемники на транзисторах, то данная маркетинговая тради- ция ими была унаследована. При этом любой покупатель мог самостоятельно открыть корпус радиоприемника и подсчитать лампы или тран- зисторы в нем. С битами нейросетевой защиты данных и кубитами квантового ускорения их перебора так не получается [19]. Уже сейчас необходимо разрабатывать достоверные оцен- ки качества того или иного приложения искус- ственного интеллекта [9]. Список литературы 1. Милантьев В.П. История возникновения квантовой механики и развитие представлений об атоме. М.: Книжный дом Либерком. 2014. 248 с. 2. Иванов А.И. Микропотребление нейроморф- ных вычислителей: почему это возможно и тех- нически целесообразно? // Системы безопас- ности. 2023. № 6. С. 126–130. 3. Саймон Хайкин. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с. 4. McCulloch, Warren S.; Pitts, Walter (1943). "A logical calculus of the ideas immanent in nervous activity". Bulletin of Mathematical Biophysics. 5 (4): 115–133. 5. Хренников А.Ю. Моделирование процессов мышления в p-адических системах координат. М.: ФИЗМАТЛИТ, 2004. 296 с. 6. Иванов А. И., Савин К.Н., Еременко Р.В. Эффект перехода от применения бинарных искусственных нейронов к троичным нейронам при совместном использовании пяти классиче- ских статистических критериев проверки гипо- тез нормальности или равномерности распре- делений малых выборок // Вестник Пермского университета. Математика. Механика. Инфор- матика. 2022. Вып. 3 (58). С. 59–67. 7. Волчихин В.И., Иванов А.И., Иванов А.П., Ерёменко Р.В., Савинов К.Н. Номограммы для сравнения корректирующих способностей бинарных и троичных нейронов, используемых при многокритериальной проверке гипотезы независимости данных малых выборок. // Известия вузов. Поволжский регион. Техниче- ские науки. 2022. № 4. С. 5–16. 8. Иванов А.И., Иванов А.П., Макарычев П.П., Безяев А.В., Савинов К.Н. Рост корректирующей способности нейросетевых конструкций с избы- точностью за счет замены в них бинарных ней- ронов на троичные нейроны // Известия вузов. Поволжский регион. Технические науки. 2022. № 3. С. 27–36. 9. Иванов А.И., Лекарь Л.А. О необходимости отечественного стандарта на тестирование каче- ства нейросетевого распознавания лиц людей // Системы безопасности. 2023. № 5. С. 18–23. 10. ГОСТ Р 52633.0–2006 "Защита информа- ции. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации". 11. ГОСТ Р 52633.3–2011 "Защита информа- ции. Техника защиты информации. Тестирова- ние стойкости средств высоконадежной био- метрической защиты к атакам подбора". 12. ГОСТ Р 52633.5–2011 "Защита информа- ции. Техника защиты информации. Автомати- ческое обучение нейросетевых преобразовате- лей биометрия-код доступа". 13. Нильсон М., Чанг И. Квантовые вычисления и квантовая информация. М.: Мир, 2006. 821 с. 14. Ермаков А.И. Квантовая механика и кванто- вая химия. Учебник и практикум. М.: Юрайт, 2017. Ч. 1. 183 с. 15. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работни- ков. М.: ФИЗМАТЛИТ, 2006. 816 с. 16. Альбом статистических критериев, ориен- тированных на совместное использование при проверке гипотезы нормального или равномер- ного распределения данных малых выборок: препринт / А.П. Иванов, А.И. Иванов, А.В. Без- яев, Е.Н. Куприянов, А.Г. Банных, К.А. Перфи- лов, В.С. Лукин, К.Н. Савинов, С.А. Полковни- кова, Ю.И. Серикова. Февраль 2022. 22 с. 17. Иванов А.И. Нейросетевой многокритери- альный статистический анализ малых выборок. Справочник: Пенза: Издательство Пензенского государственного университета, 2022. 160 с. 18. Иванов А.И. Экономика промышленного интеллекта: получение сверхприбыли и сокра- щение рабочих мест. //Системы безопасности. 2024. № 1. с. 140–142. 19. Иванов А.И. Нейродинамика: гиперускоре- ние направленных переборов, или повышение достоверности статистических оценок на малых выборках. Пенза: Издательство Пензенского государственного университета, 2021. 106 с. n Иллюстрации предоставлены автором. www.secuteck.ru декабрь 2024 – январь 2025 Ваше мнение и вопросы по статье направляйте на ss @groteck.ru Э ффективность и качество приложений ИИ можно оценивать про- стыми и понятными экономическими метриками: повышение про- изводительности труда, рост прибыли, снижение стоимости продук- ции. В будущем обязательно должны появиться стандарты, регла- ментирующие то, как подсчитывать кубиты достигнутого квантового ускорения вычислений или биты эквивалентного ключа нейросете- вой защиты информации.