заданные  входные  воздействия  оно  реагировало  так  же,  как  человеческий  мозг

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
13
 
 
В 1963 - 1970 годы к решению задач стали подключать методы математической логики. 
На  основе  метода  резолюций,  позволившего  автоматически  доказывать  теоремы  при 
наличии набора исходных аксиом, в 1973 году создается язык Пролог. 
Существенный  прорыв  в  практических  приложениях  ИИ  произошел  в  середине  70-х 
годов,  когда  на  смену  поискам  универсального  алгоритма  мышления  пришла  идея 
моделировать  конкретные  знания  специалистов-экспертов.  В  США  появились  первые 
коммерческие  системы,  основанные  на  знаниях,  или  экспертные  системы.  Пришел 
новый подход к решению задач ИИ – представление знаний. Созданы MYCIN и DENDRAL – 
ставшие  уже  классическими  экспертные  системы  для  медицины  и  химии.  Объявлено 
несколько  глобальных  программ  развития  интеллектуальных  технологий  -  ESPRIT 
(Европейский  Союз),  DARPA  (министерство  обороны  США),  японский  проект  машин  V 
поколения. Спрос на экспертные системы остается на достаточно высоком уровне.  
До  1985  года  системы  классического  ИИ    были  направлены  на  решение  логически 
сложных  задач  в  простой  внешней  среде  и  имели  монолитную  централизованную 
архитектуру. Поиск  решения  задачи  был  направлен  на  нахождение  правильной 
последовательности  изначально  доступных  операций.  С  1985  года  на  основе  практики 
робототехники  начал  развиваться  поведенческий  подход  (behavior-based  systems).  Эти 
системы  уже  были  направлены  на  решение  логически  простых  задач  в  реальной 
сложной  физической  среде.  Такие  системы  многослойны,  а  каждый  слой  является 
относительно  автономным  и  представляет  собой  «поведение»;  все  слои    работают 
параллельно,  но  более  высокие  слои  имеют  больший  приоритет.  Акцент  делается  на 
проведении экспериментов в реальной физической среде, а не в абстрактной умозрительной, 
как  это  было  в  классических  системах  ИИ  (например, игра в шахматы). Например,  системе 
ИИ «SHRDLU» можно было беседовать о геометрических фигурах. 
Сегодня  наибольшее  внимание  привлечено  к  системам  принятия  решений  в 
реальном 
масштабе 
времени 
средствам 
хранения, 
извлечения, 
анализа 
и 
моделирования  знаний,  системам  динамического  планирования.  Элементы  ИИ 
используются  во  множестве  областей,  от  бытовой  техники  до  управления  атомными 
станциями  и  искусственными  спутниками.  Развитие  ИИ  идёт  параллельно  с  ускорением 
компьютеров  и  прогрессом  в  области  когнитивной  науки.  Ожидается,  что  через  несколько 
десятков лет ИИ достигнет уровня человека, а затем и превзойдёт его.  
2. Анализ современного состояния проблемы 
Проблема  развития  и  внедрения  средств  ИИ  характеризуется  двумя  аспектами: 
научным и практическим. 
Научный аспект базируется на философски-математическом представлении задач ИИ, 
выражающемся в формализации процесса мышления. Среди ярких, основополагающих работ 
в  этом  направлении  отметим  работы  Д.А.  Поспелова  и  Н.М.  Амосова  с  учениками, 
обосновавшим и систематизировавшим подход к созданию средств ИИ. Этот подход заклю-
чается в следующем. 
В  основе  стратегий  ИИ  лежит  понятие  парадигмы  —  взгляда  (концептуального 
представления)  на  суть  проблемы  или  задачи  и  подхода  к  ее  решению.  Рассматривают  две 
парадигмы ИИ. 
Парадигма эксперта - предполагает следующие объекты, а также этапы разработки и 
функционирования системы ИИ. 
1.  Формализация  знаний  -  преобразование  экспертом  проблемного  знания  в  форму, 
предписанную выбранной моделью представления знаний. 
2.  Формирование  базы  знаний  (БЗ)  -  вложение  формализованных  знаний  в 
программную систему. 
3. 
Дедукция - решение задачи логического вывода на основе БЗ. 
Эта  парадигма  лежит  в  основе  применения  экспертных  систем,  систем  логического 
вывода и программирования. 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
14
 
 
Парадигма  ученика  -  включает  в  себя  следующие  положения  и  последовательность 
действий. 
1.  Обработка  наблюдений,  изучение  опыта  частных  примеров  —  формирование  базы 
данных (БД) системы ИИ. 
2.  Индуктивное  обучение  -  превращение  БД  в  БЗ  на  основе  обобщения  знаний, 
накопленных в БД, и обоснование процедуры извлечения знаний из БЗ. Это означает, что на 
основе  данных  мы  делаем вывод об общности  той  зависимости  между  объектами,  которую 
мы  наблюдаем.  Основное  внимание  здесь  уделяется  изучению  аппроксимирующих, 
вероятностных  и  логических  механизмов  получения  общих  выводов  из  частных 
утверждений. Затем мы можем обосновать, например, достаточность процедуры обобщенной 
интерполяции  (экстраполяции) или  процедуры  ассоциативного поиска,  с  помощью  которой 
будем удовлетворять запросы к БЗ. 
3.  Дедукция  -  по  обоснованной  или  предполагаемой  процедуре  мы  выбираем 
информацию  из  БЗ  по  запросу  (например,  оптимальную  стратегию  управления  но  запросу, 
характеризующему сложившуюся ситуацию). 
Считается,  что  исследования  и  разработка  в  рамках  этой  парадигмы  проведены  пока 
слабо, хотя она лежит в основе построения самообучающихся систем управления 
Чем  база  знаний  -  общий  и  обязательный  элемент  системы  ИИ  -  отличается  от  базы 
данных? Возможностью логического вывода! 
Теперь обратимся к «естественному» интеллекту. Природа не создала ничего лучшего, 
чем  человеческий  мозг.  Значит,  мозг  является  и  носителем  базы  знаний,  и  средством 
логического  вывода  на  ее  основе.  И  это  независимо  от  того,  по  какой  парадигме  мы 
организовали свое мышление, то есть каким способом мы заполняем базу знаний - учимся! 
Основные  парадигмы  ИИ,  позволяют  создать  схему  модели  мышления  и  методы 
мышления,  придерживаясь  которых  можно  создавать  конкретные  системы  логического 
вывода и управления. В частности, Д.А. Поспелов исследует теорию Аристотеля (384-322 до 
н.э.)  —  силлогистику  —  и  предлагает  принципы  ее  моделирования.  Развивая  теорию 
моделирования  мышления,  он  указывает  на  важность  формализации  механизма  мышления. 
Этим механизмом уже давно, со времен Аристотеля, затем Лейбница (1646-1716) и далее — 
до  появления  алгебры  (булевой  алгебры)  Джорджа  Буля  (1815-1864)  и  до  наших  дней, 
является  математическая  логика,  сегодня  отображенная  во  многих  работах  выдающихся 
математиков. 
Математическая  логика,  ее  важный  раздел  «Алгебра  высказываний»,  действительно 
соединили  принципы  мышления  и  их  автоматизированное  воплощение.  Отметим,  что 
«Исчисление  предикатов»  не  менее  (возможно  —  более)  важный  раздел  математической 
логики,  действующий  на  высоком  уровне  моделирования  мышления,  выше,  чем  уровень, 
достаточный для создания несложных систем принятия решений. 
Однако  для  реализации  мышления  природа  не  создала  ничего  лучшего,  чем 
человеческий мозг. Мозг состоит из нейронов. Общее количество нейронных связей в мозге 
примерно  составляет  1015,  а  длина  связей  более  1  метра.  Таким  образом,  мозг  является 
гигантской нейронной сетью, фиксирующей причинно-следственные связи, создающей базу 
знаний и владеющей процедурами логического вывода. 
Каждый  нейрон  имеет  тело  -  сома,  множество  входных  связей  –  дендриты, 
единственную выходящую связь - аксон, которая на конце также разветвляется, и контакты – 
синапсы  для  образования  связей  аксонов  с  дендритами  других  нейронов.    Нейроны, 
связанные между собой образуют нейронную сеть.  
Функционально работа естественного нейрона можно описать так: принятые от аксонов 
других нейронов входные сигналы проходят через синапсы и изменяются пропорционально 
весам  синапсов;  поступившие  к  соме  одновременно  по  нескольким  дендритам  измененные 
входные  сигналы  суммируются;  если  суммарный  импульс  превышает  некоторый  порог,  то 
нейрон возбуждается и формирует выходной сигнал, который отводится аксоном из сомы и 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
15
 
 
разветвляется;    ветви  выходного  сигнала  передаются  через  синапсы  к  дендритам  других 
нейронов.  При  этом  веса  синапсов  могут  изменяться  со  временем,  т.е.,  могут  меняться  и 
поведение нейрона.  
Искусственный  нейрон  работает  на  принципах,  схожих  с  работой  естественного 
нейрона  и  представляет  собой  простую  абстрактную  вычислительную  машину,  которая 
состоит  из  трех  блоков  (умножителей,  сумматора,  функционального  преобразователя)  и 
предназначена для переработки входных сигналов на выходные сигналы с учетом значений 
начального  состояния,  соответствующих  весов  и  активационной  функции,  и  действует  по 
заданному алгоритму.  
Соединяя  искусственные  нейроны  между  собой  можно  получить  искусственную 
нейронную  сеть  (далее  –  НС),  которая  реально  является  основой  формализации  средств 
мышления. 
Первые  НС  были  созданы  в  конце  50-х  годов  Г.  Розенблаттом  и  П.  Мак-Каллоком 
(США).  Это  были  попытки  создать  системы,  моделирующие  человеческий  глаз  и  его 
взаимодействие с мозгом. Устройство, созданное ими, назывался «Перцептрон». Персептрон 
умел различать буквы алфавита, но было чувствительно к их написанию, например, буквы: 
А,  А,  А  для  этого  устройства  были  тремя  разными  знаками.  Постепенно  в  70-80  годы 
количество  работ  по  этому  направлению  искусственного  интеллекта  стало  снижаться. 
Слишком  неутешительны  оказались  первые  результаты.  Авторы  объясняли  неудачи  малой 
памятью и низким быстродействием существующих в то время компьютеров.  
Однако в середине 80-х годов в Японии в рамках программы разработки компьютера V 
поколения,  основанного  на  знаниях.  К  этому  времени  ограничения  по  памяти  и 
быстродействию  были  практически  сняты.  Появились  транспьютеры  –  параллельные 
компьютеры  с  большим  количеством  процессоров.  От  транспьютеров  был  один  шаг  до 
нейрокомпьютеров,  моделирующих  структуру  мозга  человека.  Нейрокомпьютер  является 
компьютером  VI  поколения.  Основной  областью  применения  нейрокомпьютеров  является 
распознавание образов.  
В настоящее время по НС накоплен огромный материал. С помощью таких нейронных 
сетей  решаются  большое  количество  задач  ИИ.  Например,  НС  Хопфилда  может  решать 
задачу  коммивояжера,  НС  Хемминга  успешно  реализует  ассоциативную  память,  а  НС 
Кохонена  эффективно  используют  принцип  кластеризации  и  широко  применяются  в 
экономике,  финансах  и  бизнесе  и  т.д.  НС  эффективно  применяются  для  аппроксимации 
функций  многих  переменных  в  виде  рекурсивного  разложения  в  базисе  передаточной 
функции,  для  параллельной  обработки  информации  и  др.  Однако,  оперирования  с  числами 
не  позволяет  решать  задачи  ИИ,  где  требуются  умозаключения,  получаемые  на  основе 
цепочек логических рассуждений, и принимаемое решение порой основывается на неполной, 
противоречивой, 
«зашумленной», 
недостоверной 
информации. 
Это 
обусловило 
необходимость вернуться к истокам, вскрыть простые механизмы мышления, на абстрактном 
уровне  сосредоточенные  и  математической  логике,  в  ее  важном  разделе  -  алгебре 
высказываний.  Вследствие  чего  появились,  так  называемые,  логические  нейроны,  и 
логические нейронные сети (ЛНС). 
ЛНС  строятся  на  основе  математической  логики  событий,  позволяющей  на  базе 
элементов  алгебры  высказываний  и  теории  вероятности  производить  обоснованное 
построение  причинно-следственных  связей  для  выбора  стратегии  поведения.  Можно 
построить  ЛНС  для  автоматического  выбора  решения  по  нечетким  исходным  данным    на 
основе    логического  описания  системы  принятия  решений  или  обучить  всему  сразу  или 
динамически, по мере появления новых, ранее не исследованных ситуаций. Появились ЛНС, 
основанные  на  нечеткой  логике.  У  нечетких  ЛНС  очень  широкие  возможности  и 
практически они применяются во всех  предметных областях. 
Исследования в области НС, позволяющих получить хорошие  результаты при решении 
сложных задач управления, часто финансирует военное научное агентство DARPA. Пример - 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
16
 
 
проект  Smart  Sensor  Web,  который  предусматривает  организацию  распределенной  сети 
разнообразных датчиков, синхронно работающих на поле боя. Каждый объект (стоимостью 
не  более  $300)  в  такой  сети  представляет  собой  источник  данных  -  визуальных, 
электромагнитных,  цифровых,  инфракрасных,  химических  и  т.  п.  Ведутся  работы  по 
автоматическому  распознаванию  целей,  анализу  и  предсказанию  сбоев  техники  по 
отклонениям от типовых параметров ее работы. Операция "Буря в пустыне" для США  стала 
стимулом  к  развитию  экспертных  систем  с  продвинутым  ИИ,  применяемым  в  области 
снабжения.  На  разработках,  связанных  с  технологиями  машинного  зрения,  основано  все 
высокоточное оружие. 
 
В  СМИ  нередко  можно  прочитать о грядущих  схватках  самостоятельно  действующих 
армий  самоходных  машин-роботов  и  беспилотных  самолетов.  Однако  существует  ряд 
нерешенных  научных  проблем,  не  позволяющих  в  ближайшие  десятилетия  превратить 
подобные  прогнозы  в  реальность.  Прежде  всего,  это  недостатки  систем  автоматического 
распознавания,  не  способных  правильно  анализировать  видеоинформацию  в  масштабе 
реального  времени.  Не  менее  актуальны  задачи  разрешения  коллизий  в  больших 
сообществах  автономных  устройств,  абсолютно  точного  распознавания  своих  и  чужих, 
выбора подлежащих  уничтожению целей, алгоритмов поведения в незнакомой среде и т. п. 
Поэтому  на  практике  военные  пытаются  достичь  менее  масштабных  целей.  Значительные 
усилия  вкладываются  в  исследования  по  распознаванию  речи,  создаются  экспертные  и 
консультационные  системы,  призванные  автоматизировать  рутинные  работы  и  снизить 
нагрузку  на  пилотов.  Нейронные  сети  достаточно  эффективно  применяются  для  обработки 
сигналов сонаров и отличения подводных камней от мин.  
Генетические алгоритмы используются для эвристического поиска решения уравнений, 
определяющих работу военных устройств (систем ориентации, навигации), а также в задачах 
распознавания  -  для  разделения  искусственных  и  естественных  объектов,  распознавания 
типов военных машин, анализа изображения, получаемого от камеры с низким разрешением 
или инфракрасных датчиков. 
Особую  нишу  в  ИИ  сегодня  занимает  кластерный  анализ  –  поиск  закономерности  и 
анализ  информации  в  информационных  системах  (Data  Mining).    Чтобы  хотя  просто 
прочитать  информацию,  проходящие  через  наши  легальные  информационные  сети  нужны 
миллиарды  человеко-часов.  Все  поисковые  системы  Интернета  (Google,  Bing,  Yahoo!, 
Rambler,  Яндекс  и  другие)  пополняют  свои  базы  с  помощью  электронных  поисковых 
роботов.  Это  специальные  программы  с  ИИ,  работающие  в  сети  с  целью  сбора  данных. 
Предполагаем,  что  вся  основа  антитеррористической  программы  ведущих  зарубежных 
развитых  стран  также  основана  на  контроле  информационных  сетей,  а  военные  действия 
всего  лишь  конечный  этап  этих  исследований.  Вся  информация  по  этому  вопросу  закрыта, 
но ясно одно - это возможно только лишь с использование технологий ИИ. 
Развитие  ИИ  идёт  параллельно  с  ускорением  производительности  компьютеров  и 
прогрессом  в области  компьютерной  лингвистики  теории  алгоритмов.  Можно ожидать,  что 
через  несколько  лет  ИИ  достигнет  уровня  человека,  а  затем  и  превзойдёт  его.  Хотя  по 
многим параметрам оно уже сегодня выше человеческого интеллекта – по объему и скорости 
обработки информации, по скорости принятия решения и др. 
И  уже  очевидно  никогда  человек  не  сможет  выиграть  в  шахматы  у  компьютера…. 
Скоро  это  будут  только  соревнования  компьютеров  –  в  скорости,  в  алгоритмах  и  базах 
знаний.  Также  как  человек  не  будет  бегать  быстрее  машины,  летать  как  ракеты,  не  будет 
сильнее  трактора  и  надо  принять  как  должное  что  скоро  ИИ  машины  будет  выше 
человеческого. Но все технологии создается именно человеком, пока…. 
Проблемы развития ИИ связаны с нехваткой ресурсов двух типов:  
- компьютерных (вычислительной мощности, емкости оперативной и внешней памяти);  

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
17
 
 
- интеллектуальных 
(наукоемкая 
разработка 
интеллектуального 
ПО 
требует 
привлечения ведущих специалистов из разных областей знания и организации долгосрочных 
исследовательских проектов). 
К сегодняшнему дню ресурсы первого типа вышли на уровень, позволяющий системам 
ИИ  решать  весьма  сложные  для  человека  практические  задачи.  А  вот  с  ресурсами  второго 
типа  в мире пока нехватка и достижения в сфере ИИ связываются в основном с научными 
центрами ИИ при крупнейших университетах дальнего и ближнего зарубежья: 
- Научный Совет Российской Академии Наук по проблеме "Искусственный интеллект";
 
Российская ассоциация искусственного интеллекта (РАИИ);  
- Российская ассоциация нечетких систем и мягких вычислений; 
- Российская ассоциация нейроинформатики;  
- Татарское отделение РАИИ; 
- Украинский НИИ информатики и искусственного интеллекта; 
- Итальянская ассоциация искусственного интеллекта; 
- Французская ассоциация искусственного интеллекта;  
- Японская ассоциация искусственного интеллекта;  
- Болгарская ассоциация искусственного интеллекта;  
- Британская ассоциация искусственного интеллекта;  
- Канадская ассоциация искусственного интеллекта;  
- Тайваньская ассоциация искусственного интеллекта; 
- Израильская ассоциация искусственного интеллекта; 
- Американская ассоциация искусственного интеллекта;   
- Stanford University Knowledge Systems Laboratory  
- Association for Computing Machinery  
- Special Interest Group in Artificial Intelligence  
- International Joint Conferences on Artificial Intelligence, Inc.  
- Artificial Intelligence University of Edinburgh  
- Electrotechnical Laboratory, Tsukuba, Japan  
- Institute for Human and Machine Cognition  
- Jet Propulsion Laboratory Artificial Intelligence Group  
- German Research Center for Artificial Intelligence  
- Massachusetts Institute of Technology  
- Natural Language Processing Group  
- Stanford University Computer Science Department  
- Swiss Federal Institute of Technology  
- The University of Michigan AI and Robotics Laboratory 
 В этих центрах развиваются следующие технологии ИИ: 
- автоматический  анализ  естественных  языков  (лексический,  морфологический, 
терминологический,  выявление  незнакомых  слов,  распознавание  национальных  языков, 
перевод, коррекция ошибок, эффективное использование словарей); 
- высокопроизводительный  OLAP-анализ  и  раскопка  данных,  способы  визуального 
задания запросов; 
- медицинские  системы,  консультирующие  врачей  в  экстренных  ситуациях,  роботы-
манипуляторы для выполнения точных действий в ходе хирургических операций; 
- создание 
полностью 
автоматизированных 
киберзаводов, 
гибкие 
экономные 
производства,  быстрое  прототипирование,  планирование  работ,  синхронизация  цепочек 
снабжения, авторизации финансовых транзакций путем анализа профилей пользователей. 
Профиль  работ  японских  ученых  в  области  ИИ    несколько  отличается  от 
общемирового. На них сосредоточены значительные объемы инвестиций государственных и 
частных  японских  организаций.  Среди  направлений,  более  популярных  в  Японии  в 
сравнении с европейскими и американскими школами ИИ, отметим следующие:  

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
18
 
 
- интеграция  компьютерных  сетей  и  всевозможных  датчиков  реального  времени  в 
жилых  домах,  интеллектуальные  интерфейсы,  автоматизация  рутинных  работ  на  основе 
формализации  прикладных  и  системных  понятий  Интернета,  итерационные  технологии 
выделения нужных сведений из больших объемов данных;  
- создание и моделирование работы электронных рынков и электронных аукционов;  
- биоинформатика  (электронные  модели  клеток,  анализ  белковой  информации  на 
параллельных компьютерах, ДНК-вычислители);  
- обработка 
естественных 
языков 
(самообучающиеся 
многоязычные 
системы 
распознавания и понимания смысла текстов);  
- робототехника  (машинное  обучение,  эффективное  взаимодействие  автономных 
устройств,  организация  движения,  навигация,  планирование  действий,  индексация 
информации, описывающей движение);  
- способы  представления  и  обработки  знаний  (повышение  качества  знаний,  методы 
получения  знаний  от  людей-экспертов,  раскопка  и  поиск  данных,  решение  на  этой  основе 
задач реального мира - например, управления документооборотом). 
Обработкой  естественного  языка  в  странах  ближнего  и  дальнего  зарубежья  (Япония, 
США,  Франция,  Германия,  Россия,  Украина  и  др.)  начали  заниматься  более  40  лет  назад. 
Исследования    в  этом  направлении    ведутся  творческими  коллективами,  насчитывающими 
десятки  специалистов,  в  нескольких  научных  центрах  (например,  по  русскому  языку  
занимаются  в  Москве,  С-Петербурге,  Новосибирске  и  др.  городах).  Эти  работы 
финансируются  в  объеме  нескольких  миллионов  долларов  (например,  в  Японии  для  этих 
цели  ежегодно  выделяются  более  50  миллионов  долларов).  Мировыми  лидерами  в  области 
речевых  технологий  являются  крупные  IT-компании,  обладающие  собственными  научно-
исследовательскими  центрами,  такие  как  Microsoft,  IBM,  Lernout&Hauspie,  Philips,  Nuance, 
Asahi  Kasei  и  др.  Их  голосовые  движки ориентированы  на  мировой  рынок и  национальные 
языки технологически развитых стран. Наилучшие результаты достигнуты для английского 
языка.  Активно  развиваются  технологии  распознавания  японского,  китайского,  арабского 
языков и языков европейских стран. Голосовые пользовательские интерфейсы встраиваются 
в  цифровые  платы,  программное  обеспечение  и  популярные  операционные  системы 
(Windows,  Oralux).  Объявленная  точность  распознавания  диктуемого  текста  программами-
лидерами составляет до 99 процентов. Но обязательная поправка “Individual results may vary” 
(результаты  у  разных  пользователей  могут  различаться)  говорит  об  условности  этого 
показателя. Реальный уровень распознавания уступает объявленному, он по-прежнему очень 
сильно  зависит  от  вариабельности  дикторского  голоса  и  зашумленности  помещения. 
Поэтому исследования не прекращаются, а напротив, ведутся широким фронтом во многих 
научных  центрах  и  университетах  мира,  в  поиске  новых  технологий  и новых  эффективных 
алгоритмов.  Разработкой  теоретической  базы  в  области  речевых  технологий  занимаются 
множество исследовательских групп по всему миру. 
Из  стран  СНГ  наибольшее  внимание  обработке  естественных  языков  уделяет  Россия. 
Некоторые  российские  разработки  для  распознавания  русского  языка  уникальны  и 
превосходят достижения западных разработчиков. Например, первая русскоязычная система 
автоматического  распознавания  речи  «Горыныч»  российской  компании  VoiceLock 
показывает  лучшие  результаты,  чем  русскоязычная  адаптация  популярного  (изначально 
ориентированного на английский язык) продукта NaturallySpeaking компании Dragon. Среди 
других  производителей  программного  обеспечения  для  распознавания  русской  речи  можно 
назвать «Сакрамент» (Беларусь), «Стэл - компьютерные системы», «ИстраCофт», «Cognitive 
Technologies»,  «AudiTech  Ltd.»  (Россия).  Однако  лидером  на  российском  рынке  является 
санкт-петербургская  компания  «Центр  речевых  технологий»,  которая  с  момента  создания в 
1990  году  производит  и  поставляет  продукцию  для  органов  исполнительной  и 
законодательной 
власти 
РФ, 
Администрации 
Президента 
и 
Правительства 
РФ, 
подразделений  министерств,  в  службы  экстренной  помощи,  call-центры,  производителям 

жүктеу/скачать 19,29 Mb.

Достарыңызбен бөлісу: