ПНСТ 553-2021 Информационные технологии. Искусственный интеллект. Термины и определения

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ТЕХНИЧЕСКОМУ РЕГУЛИРОВАНИЮ И МЕТРОЛОГИИ

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

Информационные технологии ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Термины и определения

(ISO/IEC DIS 22989, NEQ)

Издание официальное

Москва Российский институт стандартизации 2021

Предисловие

• 1 РАЗРАБОТАН Федеральным государственным автономным образовательным учреждением высшего образования «Национальный исследовательский университет «Высшая школа экономики» (НИУ ВШЭ)

• 2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 «Искусственный интеллект»

• 3 УТВЕРЖДЕН и ВВЕДЕН в ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 26 ноября 2021 г. № 46-пнст

• 4 Настоящий стандарт разработан с учетом основных нормативных положений проекта международного стандарта ИСО/МЭК 22989 «Информационные технологии. Искусственный интеллект. Понятия и терминология искусственного интеллекта» (ISO/IEC DIS 22989 «Information technology — Artificial intelligence — Artificial intelligence concepts and terminology», NEQ)

Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТР 1.16—2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: [email protected] и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

© Оформление. ФГБУ «РСТ», 2021

Настоящий стандарт не может быть полностью или частично воспроизведен, тиражирован и распространен в качестве официального издания без разрешения Федерального агентства по техническому регулированию и метрологии

Содержание

• 1 Область применения

• 2 Термины и определения

Алфавитный указатель терминов на русском языке

Алфавитный указатель эквивалентов терминов на английском языке

Библиография

Введение

Установленные в настоящем стандарте термины расположены в систематизированном порядке, отражающем систему понятий данной области знаний.

Для каждого понятия установлен один стандартизованный термин.

Заключенная в круглые скобки часть термина может быть опущена при использовании термина в документах по стандартизации.

Наличие квадратных скобок в терминологической статье означает, что в нее включены два (три, четыре и т. п.) термина, имеющих общие терминоэлементы.

В алфавитном указателе данные термины приведены отдельно с указанием номера статьи.

В стандарте приведены иноязычные эквиваленты стандартизованных терминов на английском языке.

Стандартизованные термины набраны полужирным шрифтом, их краткие формы, представленные аббревиатурой, — светлым.

ПНСТ 553—2021

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

Информационные технологии ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ Термины и определения

Information technology. Artificial intelligence. Terms and definitions

Срок действия — с 2022—03—01 до 2023—03—01

• 1 Область применения

Настоящий стандарт устанавливает основные термины и определения в области искусственного интеллекта, в том числе в области машинного обучения и нейронных сетей, включая термины и определения, относящиеся к отдельным свойствам и задачам систем искусственного интеллекта.

Термины, установленные настоящим стандартом, рекомендуется использовать в нормативных документах, правовой, технической и организационно-распорядительной документации, научной, учебной и справочной литературе.

• 2 Термины и определения

Термины, относящиеся к искусственному интеллекту

• 1 агент (agent): Автоматический субъект, способный воспринимать среду своего функционирования и предпринимать действия для достижения своих целей.

Примечание — Агент искусственного интеллекта — это агент, который максимизирует свое вознаграждение или свои возможности успешного достижения своих целей.

• 2 искусственный интеллект; ИИ (artificial intelligence, Al):

• 1) Способность приобретать, обрабатывать, создавать и применять знания, определенные в форме модели, для выполнения одной или нескольких поставленных задач;

• 2) Дисциплина о создании и изучении искусственного интеллекта;

• 3)

Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе то, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений.

• [ 1]_________________________________________________________________________________________________________________________________________

• 3 система искусственного интеллекта; система ИИ (artificial intelligence system, Al system): Техническая система обработки информации, обладающая искусственным интеллектом.

• 4 знания (knowledge): Информация об объектах, событиях, понятиях и правилах, их отношениях и свойствах, упорядоченная для целевого систематического использования.

Примечания

• 1 Сведения могут быть представлены в числовой или символьной форме.

• 2 Сведения — это данные, определенные в конкретном контексте и поэтому являющиеся интерпретируемыми. Данные создаются путем моделирования или измерений объектов реального мира.

Издание официальное

• 5

модель (model): Физическое, математическое или иное адекватное представление системы, объекта, эффекта, процесса или данных.

[[2], пункт 3.1.11]

• 6 задача (task): Набор действий, выполняемых для достижения конкретной цели.

Примечания

• 1 Эти действия могут быть результатом физической, перцепционной и/или когнитивной деятельности.

• 2 В отличие от целей, которые не зависят от способов, используемых для их достижения, задачи описывают конкретные способы достижения целей.

• 3 Примеры задач: классификация, регрессия, ранжирование, кластеризация, уменьшение размерности.

• 7 автономность [автономный] (autonomy, autonomous): Характеристика системы, определяющая возможность системы функционировать без внешнего управления или воздействия.

• 8 гетерономность [гетерономный] (heteronomy, heteronomous): Характеристика системы, определяющая возможность системы функционировать в условиях ограничений, связанных с внешним управлением или воздействием.

• 9

интегральная схема специального назначения; ASIC (application specific integrated circuit, ASIC): Интегральная схема, специализированная под конкретное применение.

[[3], пункт 3.193]

• 10 автоматический процесс (automatic process): Процесс, осуществляемый без участия человека.

• 11 автоматизированный процесс (automated process): Процесс, осуществляемый при совместном участии человека и средств автоматизации.

• 12 Байесовская сеть (Bayesian network): Вероятностная модель, которая использует байесовский вывод на направленном ациклическом графе для вычисления вероятности.

• 13

интеллектуальный анализ данных (data mining): Вычислительный процесс извлечения повторяющихся признаков и структур на основе результатов анализа количественных данных в разных проекциях и измерениях, категоризации данных и обобщения их возможных взаимосвязей и зависимостей.

[[4], пункт 3.13]

• 14 когнитивные вычисления (cognitive computing): Класс технологий искусственного интеллекта, предназначенных для обеспечения более естественного взаимодействия людей с машинами.

Примечание — Технологии когнитивных вычислений включают в себя машинное обучение, обработку речи, обработку естественного языка, обработку изображений и человеко-машинный интерфейс.

• 15 непрерывное обучение [постоянное обучение, обучение на протяжении всей жизни] (continuous learning, continual learning, lifelong learning): Последовательное обучение системы искусственного интеллекта, которое происходит на постоянной основе на всем этапе эксплуатации жизненного цикла системы искусственного интеллекта.

• 16

компьютерное зрение (computer vision, artificial vision): Способность функционального блока принимать, обрабатывать и интерпретировать визуальные данные. Допустимый синоним: Искусственное зрение.

Примечания

• 1 Компьютерное зрение включает применение зрительных чувствительных элементов для создания электронного или цифрового изображения зрительной сцены.

• 2 Не надо путать с машинным зрением.

[ГОСТ 33707—2016, пункт 4.540]

• 17 управляемость, управляемый (controllability, controllable): Свойство системы искусственного интеллекта, определяющее возможность внешней стороны вмешиваться в работу системы.

Примечание — Такая система гетерономна.

• 18 деревья решений (decision trees): Модель, вывод для которой кодируется путями от корня к листовой вершине в древовидной структуре.

• 19 экспертная система (expert system): Система искусственного интеллекта, которая накапливает актуальные знания человека-эксперта и позволяет неспециалистам использовать эти знания для решения задач.

• 20 общий искусственный интеллект; общий ИИ (general artificial intelligence, general Al): Искусственный интеллект, который выполняет широкий круг задач с приемлемым уровнем результативности.

• 21 генетический алгоритм (genetic algorithm): Алгоритм решения оптимизационных задач, имитирующий естественный отбор путем создания и развития популяций особей (решения).

• 22 интернет вещей; loT (internet of things, loT): Инфраструктура, включающая объекты, людей, системы и информационные ресурсы, и сервисы, которые обрабатывают и реагируют на информацию, поступающую из материального и виртуального миров.

• 23 устройство интернета вещей (internet of things device): Объект системы интернета вещей, который взаимодействует с материальным миром посредством применения сенсоров и исполнительных устройств.

Примечание — Интернет вещей может быть сенсором или исполнительным устройством.

• 24

жизненный цикл (life cycle): Развитие системы, продукции, услуги, проекта или другого созданного человеком объекта от замысла до списания.

[ГОСТ Р 57193—2016, пункт 4.1.19]

• 25 прикладной [специальный] искусственный интеллект (narrow artificial intelligence): искусственный интеллект, который решает определенные задачи, связанные с конкретной проблемой.

• 26 оптическое распознавание символов (optical character recognition): Преобразование изображений машинописного, печатного или рукописного текста в машиночитаемый текст.

Примечание — Данная задача также включает задачу идентификации текстовой структуры, например заголовков, рисунков, таблиц и т. д.

• 27 показатель (performance): Измеримый результат.

Примечания

• 1 Показатели могут относиться к количественным или качественным результатам.

• 2 Показатели могут относиться к управлению деятельностью, процессами, продуктами (включая услуги), системами или организациями.

• 28 планирование (planning): Вычислительные процессы, которые формируют рабочий процесс из набора действий, направленных на достижение определенной цели.

• 29 мягкие вычисления (soft computing): Обработка, допускающая и учитывающая неточности, неопределенности, частичную истинность и приближения во входных данных, обеспечивающая полезные результаты наряду с интерпретируемостью, робастностью и низкой стоимостью решения.

Примечание — Мягкие вычисления — это комплекс исследований в области эволюционных алгоритмов, генетического программирования, роевого интеллекта, нейронаук, нейросетевых систем, теории нечетких множеств, нечетких систем, вероятностной логики, теории хаоса, хаотических систем (см. [5]).

• 30 символьный искусственный интеллект (symbolic artificial intelligence): Система искусственного интеллекта, которая кодирует знания с использованием символов и структур.

• 31 подсимвольный искусственный интеллект (subsymbolic artificial intelligence): Система искусственного интеллекта, основанная на парадигме коннекционизма.

Примечание — Определение подсимвольного искусственного интеллекта сравнивают с определением символьного искусственного интеллекта.

• 32 коннекционистская модель [коннекционистский подход, коннекционизм] (connectionist model, connectionist approach, connectionism): Вид когнитивного моделирования, при котором используется сеть взаимосвязанных единиц, обычно являющихся простыми вычислительными единицами.

• 33

робот (robot): Автоматическая система с исполнительными механизмами, которая выполняет поставленные задачи в материальном мире посредством измерения окружающей среды и программной системы управления.

Примечания

• 1 Робот может включать систему управления и интерфейс системы управления.

• 2 Робот классифицируется на промышленного или сервисного робота в соответствии сего предназначением.

• 3 Чтобы правильно выполнять свои задачи, робот использует различные типы сенсоров для подтверждения своего текущего состояния и для того чтобы воспринимать элементы, определяющие его среду функционирования.

[Адаптировано из [6], пункт 3.1]

• 34

робототехника (robotics): Наука и практика проектирования, производства и применения роботов. [ГОСТ Р 60.0.0.4—2019/ИСО 8373:2012, статья 2.16]

Термины, относящиеся к машинному обучению

• 35 аннотирование [разметка] данных (data annotation): Процесс маркирования данных, выполняемый для того, чтобы сделать данные пригодными для машинного обучения.

• 36 проверка качества данных (data quality checking): Процесс определения того, какие дефекты входящих идентификационных записей могут быть исправлены системой и какие не могут быть исправлены, но при этом будут обработаны.

• 37 аугментация данных (data augmentation): Процесс создания новых экземпляров данных путем совершения действий с исходными данными.

• 38 выборка данных (data sampling): Метод статистического анализа, используемый для выбора, обработки и анализа представительного подмножества данных для выявления повторяющихся признаков и зависимостей в более крупном наборе данных, который исследуется.

• 39 глубокое обучение (нейронной сети) (deep learning): Подход к созданию обширных иерархических представлений посредством обучения нейронных сетей с большим количеством скрытых слоев.

• 40 взрывающийся градиент (exploding gradient): Эффект обучения нейронных сетей методом обратного распространения ошибки, при котором накапливаются большие градиенты ошибок, что приводит к очень большим изменениям весов, делая модель нестабильной.

• 41 человеко-машинное объединение (human-machine teaming): Эффективное взаимодействие человека и искусственного интеллекта.

Примечание — В отличие от автоматизации, где машина заменяет человеческий труд, в некоторых случаях машина может дополнить человека. Это может произойти как побочный эффект разработки искусственного интеллекта, или система может быть разработана специально с целью создания команды человек — машина. Системы, дополняющие человеческие когнитивные возможности, иногда определяют как дополняющие интеллект.

• 42 долгая краткосрочная память (long short-term memory): Тип рекуррентной нейронной сети, которая обрабатывает последовательные данные, такие как временные данные, для одновременно длинных и коротких временных зависимостей.

• 43 машинное обучение (machine learning): Процесс, реализующий вычислительные методы, которые предоставляют системам возможность обучаться на данных или на основе опыта.

• 44 алгоритм машинного обучения (machine learning algorithm): Алгоритм для определения в соответствии с заданными критериями параметров модели машинного обучения по данным.

Пример — Одномерная линейная модель зависимости у(х): y = w_Q + w^(x),

где у — выход или результат;

х — вход;

и/₀ — смещение;

w₁ — вес.

В машинном обучении процесс определения смещения и весов для линейной модели известен как восстановление линейной регрессии.

• 45 модель машинного обучения (machine learning model): Математическая модель, которая генерирует вывод, или предсказание на основе входных данных.

Примечание — Модель машинного обучения является результатом обучения алгоритма машинного обучения.

Пример — Если для одномерной линейной модели зависимости [см. формулу (1)] была восстановлена линейная регрессия, то результирующая зависимость может быть следующей:

у = 3 + 7х. (2)

• 46 обучение с подкреплением (reinforcement learning): Машинное обучение, при котором используется функция вознаграждения для оптимизации функции поведения или функции общего подкрепления путем последовательного взаимодействия агента со средой.

Примечания

• 1 Функция поведения или функция общего подкрепления отражает стратегию, которая была выучена в среде.

• 2 Средой может быть любая модель с отслеживанием состояния.

• 47 повторное обучение (retraining): Обновление обученной модели путем обучения на новых обучающих данных.

• 48 полуконтролируемое машинное обучение (semi-supervised machine learning): Машинное обучение, при котором во время обучения используются как размеченные, так и неразмеченные данные.

Примечание — Обучающие данные для задачи полуконтролируемого машинного обучения могут в большинстве быть неразмеченными.

• 49 обучение с учителем (supervised machine learning): Машинное обучение, при котором во время обучения используются размеченные данные.

• 50 обучение без учителя (unsupervised machine learning): Машинное обучение, при котором во время обучения используются неразмеченные данные.

• 51 машины опорных векторов (support vector machines): Модель машинного обучения, которая максимизирует расстояние между границами решения.

Примечания

• 1 Опорные векторы — это экземпляры данных, которые определяют положение границ решения (гиперплоскости).

• 2 Машины опорных векторов допускается использовать для решения задач классификации и регрессии.

• 52 обученная модель (trained model): Результат обучения модели.

• 53 обучение (модели) (training, model training): Процесс определения или улучшения параметров модели машинного обучения на основе алгоритма машинного обучения с использованием обучающих данных.

• 54 обучающие данные (training data): Подмножество образцов входных данных, используемых для настройки модели машинного обучения.

• 55 набор обучающих данных (training data set): Целевое множество обучающих данных.

• 56 исчезающий градиент (vanishing gradient): Эффект при обучении нейронных сетей, при котором значение функции ошибок перестает уменьшаться с дополнительными итерациями процесса обучения.

Примечание — Проблема исчезающего градиента может фактически остановить обучение нейронной сети, т. к. она предотвращает изменение и улучшение весов признаков нейронной сети при дополнительных итерациях процесса обучения.

Термины, относящиеся к нейронным сетям

• 57 (глубокие) сверточные нейронные сети (convolutional neural networks, deep convolutional neural networks): Нейронные сети прямого распространения, которые используют свертку по крайней мере в одном из слоев.

• 58 свертка (convolution): Математическая операция, реализующая скользящее скалярное произведение или кросс-корреляцию входных данных.

• 59 нейронная сеть прямого распространения (feed forward neural network): Нейронная сеть, в которой информация передается только в одном направлении от входного слоя к выходному слою.

• 60 (искусственная) нейронная сеть (neural network, neural net, artificial neural network): Сеть из двух или более слоев нейронов, соединенных взвешенными связями с регулируемыми весами, которая принимает входные данные и производит выходные.

Примечания

• 1 В то время как некоторые нейронные сети предназначены для моделирования процессов функционирования нейронов нервной системы, большинство нейронных сетей используются в искусственном интеллекте как реализации коннекционистской модели.

• 2 Выход нейронной сети часто называют предсказанием.

• 61 нейрон (neuron): Элементарный элемент обработки данных, который принимает одно или несколько входных значений и производит выходное значение с использованием функции активации от входных значений.

Примечание — Примерами нелинейных функций являются пороговая функция, сигмоидная функция и полиномиальная функция.

• 62 рекуррентная нейронная сеть (recurrent neural network): Нейронная сеть, в которой выход предыдущего слоя и результат предыдущего шага вычислений подаются на вход текущему слою.

Термины, относящиеся к надежности

• 63 подотчетный (accountable): Обладающий способностью нести ответственность за действия, решения и показатели.

• 64 подотчетность (accountability): Состояние являться подотчетным.

Примечание — Подотчетность относится к распределенной ответственности. Ответственность может быть основана на нормах либо по соглашению, либо через назначение в рамках делегирования.

• 65 точность данных (accuracy of data): Степень, с которой данные обладают признаками, правильно отражающими истинные значения соответствующих признаков понятия или события в определенном контексте.

• 66 точность системы искусственного интеллекта (accuracy of artificial intelligence system): Степень, с которой продукт или система обеспечивает результаты с заданным уровнем погрешности.

• 67 доступность (availability): Свойство быть готовым к использованию по требованию уполномоченного лица.

• 68 смещенность [предвзятость] (bias): Систематическое различие в отношении к определенным объектам, людям или группам по сравнению с другими.

Примечание — Отношение — это любое действие, включая восприятие, наблюдение, представление, предсказание или решение.

• 69

управление (control): Целенаправленное действие с процессом или в процессе для достижения определенных целей.

[[7], пункт 3.2.6]

• 70 объяснимость (explainability):

• 1) Свойство системы искусственного интеллекта отражать важные показатели, влияющие на результаты системы искусственного интеллекта, в виде, понятном для людей.

• 2) Способность приводить обоснования, объясняющие причину совершения своих действий.

Примечание — Данный термин вводится для ответа на вопрос «Почему?» без каких-либо попыток оценить оптимальность совершаемого порядка действий.

• 71 предсказуемость (predictability): Свойство, которое позволяет физическим лицам, владельцам и операторам делать достоверные предположения о результатах работы (выходе) системы искусственного интеллекта.

• 72 конфиденциальность (privacy): Право физических лиц управлять сбором, хранением, обработкой и раскрытием любой информации, которая может быть использована для их идентификации или может быть связана с ними.

• 73 надежность (reliability): Свойство соответствия ожидаемому поведению и результатам.

• 74 отказоустойчивость (resilience): Способность реагировать и адаптироваться к меняющейся среде.

• 75

риск (risk): Следствие влияния неопределенности на достижение поставленных целей.

Примечания

• 1 Под следствием влияния неопределенности необходимо понимать отклонение от ожидаемого результата или события (позитивное и/или негативное).

• 2 Цели могут быть различными по содержанию (в области экономики, здоровья, экологии и т.п.) и назначению (стратегические, общеорганизационные, относящиеся к разработке проекта, конкретной продукции и процессу).

• 3 Риск часто характеризуют путем описания возможного события и его последствий или их сочетания.

• 4 Риск часто представляют в виде последствий возможного события (включая изменения обстоятельств) и соответствующей вероятности.

• 5 Неопределенность — это состояние полного или частичного отсутствия информации, необходимой для понимания события, его последствий и их вероятностей.

[ГОСТ Р ИСО 31000—2019, пункт 3.1]

• 76 робастность (robustness): Способность системы поддерживать определенный уровень показателей при различных обстоятельствах.

77

безопасность (safety): Отсутствие недопустимого риска.

[ГОСТ ISO 14971—2011, пункт 2.24]

78

заинтересованное лицо (stakeholder): Любой человек, группа или организация, которые могут влиять или подвергаться влиянию, или ощущать себя подвергнувшимися влиянию какого-либо решения или действия.

[ГОСТ Р ИСО/МЭК 38500—2017, пункт 2.24]

• 79 прозрачность (transparency): Свойство организации, при котором ее деятельность и решения, влияющие на заинтересованные стороны, являются открытыми, всесторонними, доступными, ясными и понятными.

• 80 понятность (transparency): Свойство системы, определяющее доступность ее функций, компонентов, процедур и измерений для внешней проверки заинтересованными сторонами.

Примечание — Понятность систем искусственного интеллекта предполагает доступность для проверки данных, параметров, моделей, алгоритмов, методов обучения и процессов обеспечения качества.

• 81 свойство вызывать доверие [надежность] (trustworthiness): Способность оправдывать ожидания заинтересованных лиц верифицируемым способом.

Примечания

• 1 В зависимости от контекста или области, а также от конкретного продукта или сервиса, данных и используемых технологий, определены и требуют верификации для целей подтверждения ожиданий заинтересованных лиц различные параметры.

• 2 Свойство вызывать доверие (надежность) включает, например, доступность, отказоустойчивость, безопасность, конфиденциальность, прозрачность, подотчетность, целостность, подлинность, качество, удобство использования.

• 3 Свойство вызывать доверие (надежность) — это показатель, который может применяться по отношению к услугам, продуктам, технологиям, данным и информации, а в контексте управления — к организациям.

82

верификация (verification): Подтверждение посредством предоставления объективных доказательств того, что установленные требования были полностью выполнены.

Примечание — Верификация позволяет убедиться только в том, что продукт соответствует спецификации.

[[8], пункт 3.21]

83

валидация (validation): Подтверждение посредством предоставления объективных свидетельств того, что установленные требования к использованию или применению были полностью выполнены.

[[9], пункт 3.16]

Термины, относящиеся к обработке естественного языка

84

машинный перевод (machine translation): Автоматический перевод текста или речи с одного естественного языка на другой с помощью компьютерной системы.

[[10], пункт 2.2.2]

• 85

естественный язык (natural language): Язык, который активно используется или использовался в обществе, правила которого в основном определяются практикой его использования.

Примечание — Естественный язык — это любой человеческий язык, который может быть выражен в тексте, речи, языке жестов и т. д.

[Адаптировано из [11], пункт 3.82]

• 86 обработка естественного языка; NLP (natural language processing, NLP):

• 1) Обработка информации, основанная на понимании и синтезе естественно-языковых конструкций.

Примечания

• 1 Обработка естественного языка — это область искусственного интеллекта.

• 2 Естественный язык — это любой человеческий язык, например английский, испанский, арабский или японский, который необходимо отличать от формальных языков, таких как Java, Fortran, C++, Логика первого порядка.

• 3 Примерами выражения естественного языка являются текст, речь, жесты и язык жестов.

• 2) Область, охватывающая знания и методы, применяемые при обработке лингвистических данных компьютером.

Примечание — Данный термин приведен в контексте инженерной дисциплины.

• 87 задача обработки естественного языка (natural language processing task): Задача, для выполнения которой требуется обработка естественного языка с применением искусственного интеллекта.

• 88

понимание естественного языка (natural language understanding, natural language comprehension): Извлечение информации с помощью функционального блока из текста или речи, которые передаются ему на естественном языке, и описания как заданного текста или речи, так и того, что они представляют. Допустимый синоним: Осмысление естественного языка.

[ГОСТ 33707—2016, пункт 4.995]

• 89 маркирование частей речи (part-of-speech tagging): Задача, которая присваивает лексеме категорию на основе ее грамматических свойств.

Примечание — Категория — это глагол, существительное, прилагательное и т. д.

• 90 лексема (lexeme): Абстрактная единица, обычно связанная с набором словоформ, имеющих общее значение.

• 91 распознавание именованных сущностей; NER (named entity recognition, NER): Задача распознавания и маркирования денотационных имен сущностей и их категорий для последовательности слов в потоке текста или речи.

Примечания

• 1 Сущность относится к конкретному или абстрактному объекту, включая их объединения.

• 2 Именованный объект относится к объекту с обозначением, определяющим конкретное или уникальное значение (смысл).

• 3 Типичные для распознавания и маркирования наименования включают имена людей, местоположения, организации и другие имена собственные в зависимости от области применения или задачи.

• 92 генерация естественного языка; NLG (natural language generation, NLG): Задача преобразования семантики данных в естественный язык.

• 93 извлечение взаимосвязей (relationship extraction): Задача определения отношений между именованными сущностями или другими объектами, упомянутыми в тексте.

• 94 анализ тональности (sentiment analysis): Задача вычислительной идентификации и категоризации мнений, выраженных во фрагменте текста, речи или изображения, для определения чувств и отношения от положительного к нейтральному и отрицательному.

Примечание — Примеры чувств: счастье, печаль, гнев, восторг, одобрение, неодобрение, положительное отношение, отрицательное отношение, согласие и несогласие.

• 95 автоматическое реферирование (automatic summarization): Задача сокращения фрагмента естественного языка при сохранении важной семантической информации.

• 96 поиск ответа на вопрос (question answering): Задача определения наиболее подходящего ответа на вопрос на естественном языке.

Примечания

• 1 Вопрос может быть открытым или иметь конкретный ответ.

• 2 В сочетании с другими прикладными программными интерфейсами и расширенной аналитикой технология ответа на вопрос отличается от обычного поиска (который осуществляется по ключевым словам) тем, что предоставляет более интерактивное обсуждение.

97

распознавание речи (speech recognition): Преобразование функциональной единицы речевого сигнала в некоторое представление содержания речи.

[Адаптировано из [12], пункт 2120735]

98

синтез речи (speech synthesis): Формирование искусственного речевого сигнала.

[Адаптировано из [12], пункт 2120745]

• 99 семантические вычисления (semantic computing): Вычисления, осуществляемые с целью понимания намерений пользователей и значения информации, которые выражаются в машинно-обраба-тываемой форме.

Алфавитный указатель терминов на русском языке автономность

автономный

агент

алгоритм генетический

алгоритм машинного обучения

анализ данных интеллектуальный

анализ тональности

аннотирование данных

аугментация данных

безопасность

валидация

верификация

выборка данных

вычисления когнитивные

вычисления мягкие

вычисления семантические

генерация естественного языка

гетерономность

гетерономный

градиент взрывающийся

градиент исчезающий

данные обучающие

деревья решений

доступность

задача

задача обработки естественного языка

знания

зрение компьютерное

извлечение взаимосвязей

ИИ

ИИ общий

интеллект искусственный

интеллект искусственный общий

интеллект искусственный подсимвольный

интеллект искусственный прикладной

интеллект искусственный символьный

интеллект искусственный специальный

интернет вещей

коннекционизм

конфиденциальность

лексема

лицо заинтересованное

маркирование частей речи

машины опорных векторов

модель

модель коннекционистская

модель машинного обучения

модель обученная

набор обучающих данных

надежность

нейрон

обработка естественного языка

обучение

обучение без учителя

обучение глубокое

обучение машинное

обучение машинное полуконтролируемое

обучение модели

обучение на протяжении всей жизни

обучение нейронной сети глубокое

обучение непрерывное

обучение повторное

обучение постоянное

обучение с подкреплением

обучение с учителем

объединение человеко-машинное

объяснимость

отказоустойчивость

память краткосрочная долгая

перевод машинный

планирование

подотчетность

подотчетный

подход коннекционистский

поиск ответа на вопрос

показатель

понимание естественного языка

понятность

предвзятость

предсказуемость

проверка качества данных

прозрачность

процесс автоматизированный

процесс автоматический

разметка данных

распознавание именованных сущностей

распознавание речи

распознавание символов оптическое

реферирование автоматическое

риск

робастность

робот

робототехника

свертка

свойство вызывать доверие

свойство вызывать надежность

сети нейронные сверточные

сети нейронные сверточные глубокие

сеть Байесовская

сеть нейронная

сеть нейронная искусственная

сеть нейронная рекуррентная

сеть прямого распространения нейронная

синтез речи

система ИИ

система искусственного интеллекта

система экспертная

смещенность

схема специального назначения интегральная

точность данных

точность системы искусственного интеллекта

управление

управляемость

управляемый

устройство интернета вещей

цикл жизненный

язык естественный

Алфавитный указатель эквивалентов терминов на английском языке

accountability

accountable

accuracy of artificial intelligence system

accuracy of data

agent

Al system

application specific integrated circuit

artificial intelligence

artificial intelligence system

artificial neural network

artificial vision

ASIC

automated process

automatic process

automatic summarization

autonomous

autonomy

availability

Bayesian network

bias

cognitive computing

computer vision

connectionism

connectionist approach

connectionist model

continual learning

continuous learning

control

controllable

controllability

convolution

convolutional neural networks

data annotation

data augmentation

data quality checking

data mining

data sampling

decision trees

deep convolutional neural networks

deep learning

expert system

explainability

exploding gradient

feed forward neural network

general Al

general artificial intelligence

genetic algorithm

heteronomous

heteronomy

human-machine teaming

internet of things

internet of things device

loT

knowledge

lexeme

life cycle

lifelong learning

long short-term memory

machine learning

machine learning algorithm

machine learning model

machine translation

model

model training

named entity recognition

narrow artificial intelligence

natural language

natural language comprehension

natural language generation

natural language processing

natural language processing task

natural language understanding

NER

neural net

neural network

neuron

NLG

NLP

optical character recognition

part-of-speech tagging

performance

planning

predictability

privacy

question answering

recurrent neural network

reinforcement learning

relationship extraction

reliability

resilience

risk

retraining

robot

robotics

robustness

safety

semantic computing

semi-supervised machine learning

sentiment analysis

soft computing

speech recognition

speech synthesis

stakeholder

supervised machine learning

support vector machines

subsymbolic artificial intelligence

symbolic artificial intelligence

task

trained model

training

training data

training data set

transparency

transparency

trustworthiness

unsupervised machine learning

validation

vanishing gradient

verification

УДК 004.8:006.354

Ключевые слова: информационные технологии, искусственный интеллект, понятия, терминология

Редактор Н.В. Таланова Технический редактор В.Н. Прусакова Корректор О.В. Лазарева Компьютерная верстка А.И. Попова

Сдано в набор 29.11.2021. Подписано в печать 29.12.2021. Формат 60x84%. Гарнитура Ариал. Усл. печ. л. 2,32. Уч.-изд. л. 2,24

Подготовлено на основе электронной версии, предоставленной разработчиком стандарта

Создано в единичном исполнении в ФГБУ «РСТ» , 117418 Москва, Нахимовский пр-т, д. 31, к. 2.