Статья: ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБОРОННО-ПРОМЫШЛЕННОМ КОМПЛЕКСЕ (2025)

Развитие сервисов Единой централизованной платформы (ЕЦП) в социальной сфере России двигается в направлении увеличения участия пенсионеров и самозанятых в управлении своими накоплениями, как это делается в ряде зарубежных стран. В статье рассматриваются возможности и условия создания сообщества участников пенсионного фонда на базе ЕЦП для коллективного инвестирования с целью оптимизации дополнительного дохода и уменьшения риска. Опираясь на опыт зарубежных стран, предлагается на базе ЕЦП, главным оператором которой является Пенсионный фонд, создать ряд сервисов, позволяющих пенсионерам и самозанятым использовать свои накопления с целью их инвестирования и получения дополнительного дохода. Предлагаемые в статье методы основываются на видах использования пенсионных накоплений, состоянии и возможностях ЕЦП с последующим формированием математической модели. Обоснование предлагаемого подхода - возможность предоставления налоговых льгот для граждан, делающих накопления на пенсию. Например, взносы в пенсионный фонд могут быть частично или полностью освобождены от налогообложения, а доходы от инвестиций - облагаться по сниженной ставке. Это делает пенсионные накопления более выгодными по сравнению с банковскими вкладами. Чтобы граждане, желающие инвестировать в различные фонды и проекты, получили дополнительные возможности, предлагается создать обучающие сервисы, позволяющие ознакомиться с рынком и оценивать возможные риски. Пенсионные фонды через ЕЦП могут способствовать созданию инвестиционных сообществ, где граждане с общими интересами или целями могут объединять свои средства для формирования общего портфеля. Коллективный подход позволит диверсифицировать риски и увеличить доходность. Предлагается алгоритм создания объединенного инвестиционного портфеля из портфелей Марковица участников (пенсионеров или самозанятых) для снижения рисков инвестирования и оптимизации доходов.

Статья посвящена изучению особенностей и перспектив развития искусственного интеллекта (ИИ) в современном мире. Проведен анализ основных тенденций, выявлены ключевые вызовы и предложены меры по управлению воздействием ИИ на экономику, общество и государственную политику. Рассматриваются вопросы образования, безопасности, экологии и регуляторной политики, необходимые для полноценного освоения и безопасного использования ИИ-технологий. Особое внимание уделено вопросам подготовки кадров, энергетической эффективности, безопасности данных и этичным стандартам использования технологий. Сделан вывод о необходимости формирования комплексной междисциплинарной стратегии, интегрирующей интересы бизнеса, науки и общества, для эффективного освоения потенциала ИИ и минимизации сопутствующих рисков.

В статье исследуются современные методы организации кибератак с применением искусственного интеллекта (ИИ) в контексте растущей геополитической напряженности. Основное внимание уделяется анализу использования ИИ злоумышленниками и разработке соответствующих систем защиты. Методология исследования базируется на анализе моделей MITRE и Lockheed Martin, а также изучении реальных сценариев цифровой агрессии. Это позволяет выявить ключевые группы угроз и техники применения ИИ в кибератаках. Авторы выделяют пять основных групп субъектов угрозы, различающихся по уровню технической оснащенности и целям. Актуальность исследования обусловлена асимметричностью затрат на проведение кибератак и обеспечение информационной безопасности, а также значительным ущербом от успешных атак. В работе обосновывается необходимость создания самообучающихся систем безопасности для противодействия «боевому искусственному интеллекту». Результаты исследования могут быть использованы для разработки эффективных систем защиты в условиях современных киберугроз.

В рамках настоящего исследования представлен специализированный датасет Lacmus, разработанный для решения задачи детекции пропавших людей на аэрофотоснимках, полученных с беспилотных летательных аппаратов. Набор данных включает 1552 изображения с более чем 5 тыс. размеченных ограничивающих рамок, зафиксированных в пяти различных локациях, характеризующихся травянистым покровом и редколесьем, в различные сезоны года. Основной целью исследования являлась оптимизация соотношения точности и производительности моделей семейства YOLO v8 на основе представленного датасета. В ходе экспериментальных исследований установлено, что наилучшие показатели достигаются при использовании модели среднего размера с увеличенным входным разрешением изображений без их предварительной обработки и нарезки на снимки меньшего разрешения. Разработанный датасет и полученные результаты исследования предназначены для практического применения в деятельности поисково-спасательных отрядов, что потенциально может способствовать повышению эффективности спасательных операций и спасению человеческих жизней.

В статье рассматривается актуальная проблема автоматической диагностики сердечно-сосудистых заболеваний на основе анализа электрокардиографических (ЭКГ) сигналов. Основной целью исследования является повышение эффективности диагностического процесса с применением современных методов машинного обучения. В ходе работы проведен комплексный анализ существующих научных исследований в данной области. Особое внимание уделено систематизации наиболее эффективных методов и подходов к обработке ЭКГ и ЭЭГ-сигналов. В результате исследования выявлены перспективные направления применения капсульных нейронных сетей, генеративно-состязательных сетей и вейвлет-преобразования для решения задач диагностики. Отдельное внимание уделено диагностике вибраций оборудования, искажающих сигнал ЭКГ. Практическая значимость работы заключается в представлении современных методов автоматического выявления сердечно-сосудистых заболеваний на основе данных ЭКГ. На основе проведенного анализа сформулированы рекомендации по применению различных методов машинного обучения и определены перспективные направления дальнейших исследований.

В статье представлено исследование, посвященное изучению возможностей и преимуществ GigaCode - ИИ-ассистента для разработчиков, созданного командой SberTech с целью оптимизации процессов разработки программного обеспечения. Проведен всесторонний анализ функциональных возможностей GigaCode, включая сравнение с аналогичными решениями, такими как GitHub Copilot и Amazon CodeWhisperer. Ключевые аспекты исследования включают: оценку влияния GigaCode на скорость разработки и качество кода; анализ возможностей интеграции с популярными IDE (VS Code, JetBrains, Android Studio) и облачными платформами; практические рекомендации по внедрению, включая предварительный аудит, пилотное тестирование и обучение персонала; оценку уникальных функций GigaCode, таких как поддержка множества языков, генерация кода по описанию, рефакторинг и автоматическое документирование. Результаты исследования подтверждают, что GigaCode способствует сокращению времени разработки, уменьшению количества ошибок и улучшению командного взаимодействия. Особое внимание уделено применению инструмента в образовательной сфере и бизнес-проектах. В работе подчеркивается потенциал GigaCode для дальнейшего развития и интеграции в корпоративные IT-экосистемы, а также отмечается необходимость его адаптации для решения нестандартных задач.

Мультимодальные чат-боты на платформе Telegram, управляемые оркестратором на базе большой языковой модели (LLM - Large Language Model), объединяют обработку текста, изображений и речи, расширяя привычные сценарии цифрового общения и закрывая дефицит естественного многоканального взаимодействия. Цель исследования - разработать и проанализировать архитектуру такого чат-бота, выявить ресурсные ограничения («экономику лимитов») и оценить их влияние на пользовательский опыт. Методы исследования. Проведен аналитический обзор решений 2023-2025 гг.; создан прототип бота (Python + Telegram Bot API) с LLM-оркестратором GPT-4-класса, модулями компьютерного зрения, ASR/TTS и Retrieval-Augmented Generation. Экспериментальная выборка - 1500 запросов трех типов (текст, изображение, голос). Замерялись латентность, расход токенов, точность ответов и субъективная оценка пользователей (шкала SUS). Результаты. Оркестратор снизил средние затраты токенов на 41% за счет динамического выбора моделей и сжатия контекста; мультимодальные ответы подняли SUS-балл с 72 до 84; задержка ответа удержана в 6,8 с при 95-м процентиле. Гибридное хранилище знаний сократило число галлюцинаций на 36%. Выводы. Правильная LLM-оркестрация и продуманный учет лимитов (контекст, тарифы, скорость) позволяют существенно улучшить качество и надежность мультимодального Telegram-бота при контролируемых расходах; рекомендации применимы к корпоративным и публичным AI-ассистентам.