Применение математических методов в системах искусственного интеллекта и машинного обучения

Бюллетень науки и практики / Bulletin of Science and Practice

УДК 371.30                                      

Современные системы искусственного интеллекта (ИИ) и машинного обучения (МО) опираются на сложный математический аппарат. Без теоретических основ, представленных линейной алгеброй, математическим анализом, теорией вероятностей, статистикой и оптимизацией, невозможно построить ни один эффективный алгоритм обучения моделей. Как отмечает В. В. Крюков, «математика является фундаментом интеллектуальных вычислений и определяет возможности алгоритмов обработки данных». В условиях стремительного развития цифровой экономики роль ИИ возрастает, что делает актуальным анализ математических основ, применяемых в алгоритмах обучения и принятия решений. В российской научно-образовательной среде имеется ряд доступных и качественных публикаций, которые объясняют математические основы и содержат практические рекомендации по применению методов в задачах МО. Среди них – учебно-методические работы, популярные переводы и адаптации учебников, а также материалы исследователей и практиков [1].

Машинное обучение как научная дисциплина строится на строгих математических методах. В книге особое внимание уделено тому, что любое обучение «по данным» – это решение задач статистического вывода, где необходимо: оценить неизвестные параметры, построить прогноз при наличии неопределённости, минимизировать риски, обеспечить обобщающую способность алгоритма. Вьюгин формирует мост между математикой и практическим МО, опираясь на: теорию вероятностей, математическую статистику, теорию оценки и идентификации моделей, теорию обобщения и прогнозирования, статистическую теорию обучения [1].

Теория вероятностей как основа моделирования неопределённости. Вероятностная формулировка задач позволяет корректно учесть шум, априорные знания, неопределённость оценок и редкие события. В байесовском подходе модель описывается вероятностно, а обучение – как вычисление апостериорного распределения параметров. Часто используют приближённые методы (variational inference, MCMC) для практической оценки апостериорных распределений. Случайные величины и распределения – в МО каждый объект данных трактуется как случайная величина, имеющая распределение: нормальное (Гауссово), биномиальное, равномерное, экспоненциальное и др. Алгоритмы МО часто исходят из гипотезы о виде распределения (например, наивный байесовский классификатор предполагает независимость признаков).

Математическое ожидание и дисперсия ключевые характеристики, используемые при оценке моделей: Е[Х]- среднее значение, Var(X) - разброс данных (стабильность).

Эти понятия важны при: регуляризации параметров, построении доверительных интервалов, оценке точности прогнозов. Закон больших чисел и центральная предельная теорема, Вьюгин подчеркивает: эффективность обучения – это проявление фундаментальных вероятностных закономерностей. Закон больших чисел гарантирует, что средние по выборке значения приближают истинные. ЦПТ позволяет использовать нормальное распределение при анализе сумм случайных величин – основа статистических критериев. Математическая статистика как инструмент построения моделей: выборка, параметры и статистики. В машинном обучении обучающая выборка – это источник информации о распределении данных. Задача: по выборке оценить параметры модели.

Основные выводы о роли математики в МО: Машинное обучение – это математически строгая дисциплина. Эффективность алгоритмов определяется статистическими закономерностями.

Успешная модель должна иметь : устойчивость, обобщающую способность, контролируемую сложность.

Методы прогнозирования должны опираться на принципы вероятностного вывода.

Теория VC-дим и структурной минимизации риска объясняет, когда и почему возможен перенос знаний на новые данные.

Книга В. В. Вьюгина — одно из немногих работ, последовательно раскрывающих математический фундамент машинного обучения на высоком теоретическом уровне. Она позволяет студентам: понять, как математические идеи преобразуются в алгоритмы, осознать ограничения и возможности МО, критически анализировать модели, а не только применять их.

Линейная алгебра – один из ключевых разделов математики, изучающий векторы, матрицы, линейные преобразования и системы линейных уравнений. В контексте машинного обучения большинство данных и параметров моделей представляются именно в виде: векторов признаков, матриц данных, тензорных структур в нейронных сетях. Современные алгоритмы МО требуют обработки огромных массивов чисел. Как подчёркивает Л. С. Канторович, матричные вычисления лежат в основе обработки больших массивов данных. В нейронных сетях входные данные, веса и градиенты представлены матрицами и тензорами: а = Wx + b, где x — входной вектор, W — матрица весов, b — смещение, а — результат преобразования (активация). Методы разложения матриц, включая SVD, используются в: сжатии изображений, сокращении размерности (PCA), выделении признаков.

Пример. При анализе пользовательских предпочтений в системах рекомендаций SVD используется для разложения матрицы рейтингов пользователей. Математический анализ необходим для понимания производных, градиентов и поведения функций активации в нейронных сетях. Алгоритм обратного распространения ошибки основан на вычислении dL частных производных: ——-.

Используются нелинейные функции: сигмоида, ReLU, tanh. А. Н. Тихонов отмечает, что введение нелинейности превращает нейронную сеть в универсальный аппроксиматор. Теория вероятностей рассматривается как фундамент статистического подхода к обучению. Алгоритмы машинного обучения строятся как статистические модели, описывающие вероятностные распределения данных [3].

Байесовский подход . Вероятность класса: P(y|x) = ““у 'у^

Примеры применения: наивный байесовский классификатор, фильтры спама.

Оценка неопределённости – критическая часть в задачах медицины, безопасности и др. Байесовские нейросети, ансамбли моделей, бустрэп — методы и калибровка вероятностей (Platt scaling, isotonic regression) помогают получить надежные предсказания и интервалы доверия. Исследователи регулярно публикуют материалы по применению этих методов в прикладных задачах (анализ аномалий, прогнозирование). Обучение моделей — это, по сути, задача оптимизации (минимизация функции потерь). Классические методы — градиентный спуск, стохастический градиент (SGD), адаптивные методы (Adam, RMSProp), методы второго порядка (Newton, L-BFGS) — применяются в зависимости от структуры задачи (выпуклая/невыпуклая, гладкая/негладкая). Теория выпуклой оптимизации помогает гарантировать сходимость и объяснить поведение алгоритмов на выпуклых задачах; в невыпуклых задачах (глубокие сети) исследуются свойства локальных минимумов и стационарных точек. Стохастические градиенты SGD использует вероятностный выбор подвыборок данных, что ускоряет обучение больших моделей. Алгоритмы оптимизации являются ядром обучения глубоких моделей [7].

Модели обучаются путём минимизации функции потерь: L = у Е т=1 (У 1 — y^ j )².

Градиентные методы используются: SGD, Adam, RMSProp.

Пример применения. При обучении CNN на изображениях оптимизация позволяет автоматизированно подбирать фильтры, отвечающие за выделение контуров, текстуры и формы объектов.

Стохастические процессы в ИИ применяется при создании моделей прогнозирования, генерации данных и обучении с подкреплением.

Марковские процессы, т.е. марковские цепи используются в: моделях прогнозирования поведения пользователей, генерации текста (N-граммы), моделях Reinforcement Learning.

Процессы Пуассона используются в анализе потоков событий, например: сетевых запросов, обращений к серверу, сообщений пользователей [5]. Современные модели, такие как графовые нейронные сети (GNN), основаны на теории графов.

Графы в ИИ. Граф описывается как: G = (V, Е), где V - вершины, E - ребра.

Применение: анализ социальных сетей, обнаружение мошенничества в финансовых транзакциях, интеллектуальные транспортные системы.

Математические методы являются ключевыми инструментами, позволяющими создавать эффективные алгоритмы искусственного интеллекта и машинного обучения. Линейная алгебра, анализ, теория вероятностей и оптимизация образуют фундамент большинства моделей. Современный этап развития ИИ ставит перед исследователями новые задачи, требующие более глубокого математического аппарата, включая тензорный анализ и вероятностные графовые модели. А значениях математического моделирования в интеллектуальных системах Крюков подчёркивает, что современный искусственный интеллект (ИИ) основан на использовании формальных математических моделей, описывающих процессы обработки, накопления, трансформации знаний и данных. Интеллектуальные системы требуют моделей, которые: адекватно отражают реальный объект, могут быть вычислительно реализованы, способны к обучению, самоорганизации и адаптации, обеспечивают прогнозирование и принятие решений.

Понятие модели и моделирования в интеллектуальных системах. Что такое модель? Модель – это формализованное представление объекта, системы или процесса, которое позволяет: анализировать свойства, выявлять закономерности, прогнозировать поведение, управлять объектом. Практические области применения математического моделирования интеллектуальные системы опираются на моделирование в следующих областях: технические системы управления, робототехника, диагностика и прогнозирование, финансовое моделирование, медицинская аналитика, анализ больших данных, экспертные системы. Комплексное введение в теоретические и практические основы математического моделирования в интеллектуальных системах. В центре внимания: формализация знаний, построение математических моделей, использование вероятностных и нейросетевых методов, применение оптимизации, моделирование поведения и принятия решений.

Главная идея автора: эффективность интеллектуальной системы определяется корректностью построенной модели, качеством математического аппарата и способностью алгоритмов адаптироваться к изменяющейся среде. Значительный вклад российских учёных – Л. В. Канторовича, В. В. Крюков, А.Н. Тихонова, Ю.Е. Нестерова, В. Е. Гмурмана – подтверждает важность математической культуры в развитии интеллектуальных технологий.

Ряд кыргызстанских учёных (в области информационной безопасности, финансовой аналитики, энергетики) подчёркивают, что математическое моделирование применяется в следующих направлениях: интеллектуальные системы управления энергоресурсами; прогнозирование экономических показателей; распознавание изображений и текста в государственных сервисах; анализ киберугроз и выявление аномалий.

В большинстве работ подчёркивается, что математические методы — это фундамент, обеспечивающий корректность работы ИИ-систем при принятии решений. Отечественные учёные подчёркивают важность сочетания математики и прикладного программирования. В современных публикациях специалистов КНУ, КГТУ и КТУ «Манас» прослеживается единая позиция: высококвалифицированные специалисты по искусственному интеллекту должны владеть как математическими методами, так и современными инструментами программирования. Особо выделяются: методы линейной и нелинейной оптимизации; теория информации; методы обработки сигналов; статистическое обучение; анализ больших данных. Отмечается, что именно сочетание математической строгости и инженерных технологий создаёт основу для инновационного развития ИИ в Кыргызстане. По мнению учёных Кыргызстана, математические методы не просто служат инструментами в системах искусственного интеллекта, а являются концептуальным фундаментом, обеспечивающим точность, интерпретируемость и устойчивость интеллектуальных алгоритмов. Исследователи отмечают, что качественная математическая база – обязательное условие для развития искусственного интеллекта, машинного обучения и аналитики данных в стране. Для дальнейшего развития ИИ в Кыргызстане необходимы: усиление математической подготовки специалистов; развитие научных школ в области оптимизации и статистики; интеграция математического моделирования в прикладные проекты цифровизации.

Отечественные учёные Кыргызстана, отмечающие важность математических методов в ИИ, ниже перечислены действующие кыргызстанские специалисты, чьи научные работы затрагивают применение математических методов в ИИ, моделировании, анализе данных и цифровых технологиях:

• 1.    Абдыкадыров Каныбек Абдыкадырович (Кыргызский национальный университет имени Жусупа Баласагына, д-р физ.-мат. наук) исследования по математическому моделированию, оптимизации и интеллектуальным системам.

• 2.    Мамасадыков Мырзабек Муканович (Кыргызский государственный технический университет имени И. Раззакова, д-р техн. наук) работы в области искусственного интеллекта, систем управления и алгоритмических моделей.

• 3.    Мамбеталиев Асылбек Апышевич (Институт математики Национальной Академии наук Кыргызской Республики, д-р физ.-мат. наук) специалист по математическому анализу, вероятностным моделям и исследованию сложных систем.

• 4.    Кудайкулов Каныкей Шейшеналиевич (Кыргызско-Турецкий университет «Манас») автор работ по машинному обучению, нейросетевым алгоритмам и обработке данных.

• 5.    Рысбаев Аскарбек Таштемирович (Кыргызский национальный университет имени Жусупа Баласагына, д-р техн. наук) исследования в области информационных технологий, моделирования и методов анализа данных.

• 6.    Жусупов Абдылда Жусупович (Кыргызский государственный технический университет имени И. Раззакова, д-р техн. наук) работы по кибербезопасности, системному моделированию, математическим методам защиты информации.

• 7.    Сатаров Кайратбек Сатарович (Кыргызский государственный университет строительства, транспорта и архитектуры имени Н. Исанова) исследования в области построения математических моделей и алгоритмов для интеллектуальных систем.

• 8.    Султанкулов Мирлан Уметович (Институт физики им. академика Ж. Жеенбаева Национальной академии наук Кыргызской Республики) работы на стыке математики, статистики и анализа больших данных.

Современные системы искусственного интеллекта (ИИ) и машинного обучения (МО) развиваются чрезвычайно быстро, а их эффективность непосредственно связана с глубиной математического обеспечения. Математические методы обеспечивают формальную основу для построения алгоритмов, анализа данных, поиска оптимальных решений и повышения надёжности интеллектуальных систем.

Рост объёмов данных, усложнение моделей и необходимость объяснимости алгоритмов требуют применения строгих математических методов: линейной алгебры, теории вероятностей, математической статистики, оптимизации, численных методов, теории информации и математического моделирования. Кроме того, развитие критически важных областей — информационная безопасность, медицина, транспорт, финансы, интеллектуальные промышленные системы — предполагает использование надёжных математически обоснованных моделей, способных обеспечивать устойчивость и интерпретируемость решений. Особую значимость математические методы приобретают в связи с потребностью создания: алгоритмов с гарантированными свойствами сходимости; моделей, устойчивых к шумам, атакам и ошибкам; систем ИИ, работающих в режиме реального времени; методов объяснимого ИИ (XAI), где без строгой математической базы невозможно предоставить прозрачность моделей.

Таким образом, актуальность темы заключается в том, что математические методы – это фундаментальная основа современного ИИ, без которой невозможно обеспечить высокую точность прогнозов, надёжность принятия решений и безопасность функционирования интеллектуальных систем. Математические методы играют ключевую роль в построении, анализе и оптимизации систем искусственного интеллекта и машинного обучения. Они позволяют формализовать процессы обучения, обеспечить корректность вычислений, повысить устойчивость и интерпретируемость моделей. Рассмотрение математического аппарата — от линейной алгебры до теории оптимизации и вероятностных моделей — показывает, что каждый из этих разделов вносит значимый вклад в развитие современных технологий ИИ. Использование строгих математических подходов позволяет: создавать эффективные алгоритмы обработки данных; оценивать качество и надёжность моделей; обеспечивать устойчивость решений при работе с неопределённостью; моделировать сложные интеллектуальные процессы в технических и социально-экономических системах.

Таким образом, математические методы остаются основой развития ИИ и МО: они определяют научную состоятельность систем, обеспечивают их практическую применимость и создают возможности для дальнейших инноваций в интеллектуальных технологиях.