Основные ссылки

На правах рекламы:

Произвольная ссылка:

Описание

Источник публикации

М.: ФГБУ "РСТ", 2021

Примечание к документу

Документ утратил силу с 01.03.2023 в связи с истечением срока действия, установленного Приказом Росстандарта от 26.11.2021 N 46-пнст.

Документ введен в действие с 01.03.2022 на период до 01.03.2023 (Приказ Росстандарта от 26.11.2021 N 46-пнст).

Название документа

"ПНСТ 553-2021. Предварительный национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Термины и определения"

(утв. и введен в действие Приказом Росстандарта от 26.11.2021 N 46-пнст)

"ПНСТ 553-2021. Предварительный национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Термины и определения"
(утв. и введен в действие Приказом Росстандарта от 26.11.2021 N 46-пнст)

Оглавление

ПНСТ 553-2021. Предварительный национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Термины и определения

Предисловие

Введение

1 Область применения

2 Термины и определения

Алфавитный указатель терминов на русском языке

Алфавитный указатель эквивалентов терминов на английском языке

Библиография

Утвержден и введен в действие

Приказом Федерального агентства

по техническому регулированию

и метрологии

от 26 ноября 2021 г. N 46-пнст

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ

Information technology. Artificial intelligence.

Terms and definitions

(ISO/IEC DIS 22989, NEQ)

ПНСТ 553-2021

ОКС 35.020

Срок действия

с 1 марта 2022 года

до 1 марта 2023 года

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. N 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 ГОСТ Р 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: info@tc164.ru 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)

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.

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, AI):

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;

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, AI 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.

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.

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.

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.

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 AI): 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; IoT (internet of things, IoT): 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.

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.

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 с его 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]

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 y(x):

y = w₀ + w₁(x), (1)

где y - выход или результат;

x - вход;

w₀ - 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:

y = 3 + 7x. (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.

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.

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.

безопасность (safety): Отсутствие недопустимого риска.

[ГОСТ ISO 14971-2011, пункт 2.24]

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.

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]

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

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

[[10], пункт 2.2.2]

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.

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.

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

[Адаптировано из [12], пункт 2120735]

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-обрабатываемой форме.

Алфавитный указатель терминов на русском языке

автономность	7
автономный	7
агент	1
алгоритм генетический	21
алгоритм машинного обучения	44
анализ данных интеллектуальный	13
анализ тональности	94
аннотирование данных	35
аугментация данных	37
безопасность	77
валидация	83
верификация	82
выборка данных	38
вычисления когнитивные	14
вычисления мягкие	29
вычисления семантические	99
генерация естественного языка	92
гетерономность	8
гетерономный	8
градиент взрывающийся	40
градиент исчезающий	56
данные обучающие	54
деревья решений	18
доступность	67
задача	6
задача обработки естественного языка	87
знания	4
зрение компьютерное	16
извлечение взаимосвязей	93
ИИ	2
ИИ общий	20
интеллект искусственный	2
интеллект искусственный общий	20
интеллект искусственный подсимвольный	31
интеллект искусственный прикладной	25
интеллект искусственный символьный	30
интеллект искусственный специальный	25
интернет вещей	22
коннекционизм	32
конфиденциальность	72
лексема	90
лицо заинтересованное	78
маркирование частей речи	89
машины опорных векторов	51
модель	5
модель коннекционистская	32
модель машинного обучения	45
модель обученная	52
набор обучающих данных	55
надежность	73
нейрон	61
обработка естественного языка	86
обучение	53
обучение без учителя	50
обучение глубокое	39
обучение машинное	43
обучение машинное полуконтролируемое	48
обучение модели	53
обучение на протяжении всей жизни	15
обучение нейронной сети глубокое	39
обучение непрерывное	15
обучение повторное	47
обучение постоянное	15
обучение с подкреплением	46
обучение с учителем	49
объединение человеко-машинное	41
объяснимость	70
отказоустойчивость	74
память краткосрочная долгая	42
перевод машинный	84
планирование	28
подотчетность	64
подотчетный	63
подход коннекционистский	32
поиск ответа на вопрос	96
показатель	27
понимание естественного языка	88
понятность	80
предвзятость	68
предсказуемость	71
проверка качества данных	36
прозрачность	79
процесс автоматизированный	11
процесс автоматический	10
разметка данных	35
распознавание именованных сущностей	91
распознавание речи	97
распознавание символов оптическое	26
реферирование автоматическое	95
риск	75
робастность	76
робот	33
робототехника	34
свертка	58
свойство вызывать доверие	81
свойство вызывать надежность	81
сети нейронные сверточные	57
сети нейронные сверточные глубокие	57
сеть Байесовская	12
сеть нейронная	60
сеть нейронная искусственная	60
сеть нейронная рекуррентная	62
сеть прямого распространения нейронная	59
синтез речи	98
система ИИ	3
система искусственного интеллекта	3
система экспертная	19
смещенность	68
схема специального назначения интегральная	9
точность данных	65
точность системы искусственного интеллекта	66
управление	69
управляемость	17
управляемый	17
устройство интернета вещей	23
цикл жизненный	24
язык естественный	85

Алфавитный указатель эквивалентов терминов

на английском языке

accountability	64
accountable	63
accuracy of artificial intelligence system	66
accuracy of data	65
agent	1
AI system	3
application specific integrated circuit	9
artificial intelligence	2
artificial intelligence system	3
artificial neural network	60
artificial vision	16
ASIC	9
automated process	11
automatic process	10
automatic summarization	95
autonomous	7
autonomy	7
availability	67
Bayesian network	12
bias	68
cognitive computing	14
computer vision	16
connectionism	32
connectionist approach	32
connectionist model	32
continual learning	15
continuous learning	15
control	69
controllable	17
controllability	17
convolution	58
convolutional neural networks	57
data annotation	35
data augmentation	37
data quality checking	36
data mining	13
data sampling	38
decision trees	18
deep convolutional neural networks	57
deep learning	39
expert system	19
explainability	70
exploding gradient	40
feed forward neural network	59
general AI	20
general artificial intelligence	20
genetic algorithm	21
heteronomous	8
heteronomy	8
human-machine teaming	41
internet of things	22
internet of things device	23
IoT	22
knowledge	4
lexeme	90
life cycle	24
lifelong learning	15
long short-term memory	42
machine learning	43
machine learning algorithm	44
machine learning model	45
machine translation	84
model	5
model training	53
named entity recognition	91
narrow artificial intelligence	25
natural language	85
natural language comprehension	88
natural language generation	92
natural language processing	86
natural language processing task	87
natural language understanding	88
NER	91
neural net	60
neural network	60
neuron	61
NLG	92
NLP	86
optical character recognition	26
part-of-speech tagging	89
performance	27
planning	28
predictability	71
privacy	72
question answering	96
recurrent neural network	62
reinforcement learning	46
relationship extraction	93
reliability	73
resilience	74
risk	75
retraining	47
robot	33
robotics	34
robustness	76
safety	77
semantic computing	99
semi-supervised machine learning	48
sentiment analysis	94
soft computing	29
speech recognition	97
speech synthesis	98
stakeholder	78
supervised machine learning	49
support vector machines	51
subsymbolic artificial intelligence	31
symbolic artificial intelligence	30
task	6
trained model	52
training	53
training data	54
training data set	55
transparency	79
transparency	80
trustworthiness	81
unsupervised machine learning	50
validation	83
vanishing gradient	56
verification	82

БИБЛИОГРАФИЯ

[1]	Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена Указом Президента Российской Федерации от 10 октября 2019 г. N 490
[2]	ИСО/МЭК 18023-1:2006 (ISO/IEC 18023-1:2006)	Информационные технологии. Языковая привязка SEDRIS. Часть 1. Функциональные технические условия (Information technology - SEDRIS - Part 1: Functional specification)
[3]	ISO/IEC/IEEE 24765:2017	Системная и программная инженерия. Словарь (Systems and software engineering - Vocabulary)
[4]	ИСО 16439:2014 (ISO 16439:2014)	Информатика и документация. Методы и процедуры оценки влияния библиотек (Information and documentation - Methods and procedures for assessing the impact of libraries)
[5]	Л.А. Заде "Мягкие вычисления и нечеткая логика", IEEE Software, 1994, т. 11, выпуск 6
[6]	ИСО 18646-2:2019 (ISO 18646-2:2019)	Робототехника. Рабочие характеристики и соответствующие методы испытаний сервисных роботов. Часть 2. Навигация (Robotics - Performance criteria and related test methods for service robots - Part 2: Navigation)
[7]	МЭК 61800-7-1:2015 (IEC 61800-7-1:2015)	Системы силовых электроприводов с регулируемой скоростью. Часть 7-1. Общий интерфейс и использование профилей для силовых систем электроприводов. Определение интерфейса (Adjustable speed electrical power drive systems - Part 7-1: Generic interface and use of profiles for power drive systems - Interface definition)
[8]	ИСО/МЭК 27042:2015 (ISO/IEC 27042:2015)	Информационная технология. Методы обеспечения защиты. Руководящие указания по анализу и интерпретации электронных данных (Information technology - Security techniques - Guidelines for the analysis and interpretation of digital evidence)
[9]	ИСО/МЭК 27043:2015 (ISO/IEC 27043:2015)	Информационная технология. Методы обеспечения защиты. Принципы и процессы исследования инцидентов (Information technology - Security techniques - Incident investigation principles and processes)
[10]	ИСО 17100:2015 (ISO 17100:2015)	Переводческие услуги. Требования к переводческим услугам (Translation services - Requirements for translation services)
[11]	ИСО/МЭК 15944-8:2012 (ISO 15944-8:2012)	Информационная технология. Представление деловых операций. Часть 8. Идентификация требований защиты конфиденциальности как внешние ограничения на деловые операции (Information technology - Business operational view - Part 8: Identification of privacy protection requirements as external constraints on business transactions)
[12]	ИСО/МЭК 2382:2015 (ISO/IEC 2382:2015)	Информационная технология. Словарь (Information technology - Vocabulary)

УДК 004.8:006.354	ОКС 35.020
Ключевые слова: информационные технологии, искусственный интеллект, понятия, терминология

Вернуться в "Каталог нормативных документов"

Источник информации: https://internet-law.ru/documents/prod/pnst_predvaritelnyj-nacionalnyj-standart/2/pnst_70592.html

На эту страницу сайта можно сделать ссылку:

На правах рекламы:

Разработка сайта
ArtStyle Group

Полное меню

Основные ссылки

Вернуться в "Каталог нормативных документов"