Արհեստական բանականությունը առայժմ ի վիճակի չէ արդյունավետորեն լուծել բոլոր այն խնդիրները, որոնք առաջանում են գիտական տվյալների մշակման ընթացքում։ Ամենաբարդերից մեկը մնում է մասնիկների հետագծերի վերականգնումը իրական ժամանակի ռեժիմում։ Այս մասին պատմել է ՄՄՀԿ ՏՀՏ-ի գիտական ղեկավար Վլադիմիր Կորենկովը՝ ելույթ ունենալով Հայաստանում ՄՄՀԿ օրերի շրջանակում կազմակերպված «ԱԲ-ն գիտության և արդյունաբերության մեջ. մարտահրավերներ և հնարավորություններ» թեմայով կլոր սեղանի ընթացքում։

Խոսքը մի խնդրի մասին է, երբ դետեկտորի կողմից գրանցված ազդանշանների հիման վրա անհրաժեշտ է վերականգնել մասնիկների հետագծերը և որոշել դրանց շարժման պարամետրերը։ Տարրական մասնիկների ֆիզիկայի ժամանակակից փորձերում սա տվյալների մշակման առանցքային ընթացակարգերից մեկն է. թրեքերները գրանցում են բազմաթիվ ազդանշաններ լիցքավորված մասնիկների անցման ժամանակ, որից հետո հաշվարկային ալգորիթմները վերականգնում են համապատասխան հետագծերը։

Իրական ժամանակը մնում է գլխավոր սահմանափակումը

Կորենկովի խոսքով՝ հենց իրական ժամանակում թրեքերի ճանաչման անհրաժեշտությունն էապես բարդացնում է ԱԲ-ի կիրառումը։ Այս խնդիրը լուծելու համար մասնագետները օգտագործում են մեքենայական և խորը ուսուցում, սակայն առայժմ չեն կարողանում ապահովել համակարգի աշխատանքի անհրաժեշտ արագությունը իրական ժամանակի ռեժիմում։

Լուծումներից մեկը, նրա խոսքով, գործընթացը մի քանի փուլերի բաժանելն է։ Առանձին խնդիր է մնում նաև նեյրոնային ցանցերի ուսուցումը. մոդելը գրեթե մշտապես պետք է վերաուսուցանել, քանի որ հենց այն գործընթացը, որի հետ աշխատում են հետազոտողները, Կորենկովը բնութագրում է որպես անբավարար չափով դետերմինացված և կայուն վերարտադրության համար ավելի բարդ։

Այսպիսով, սահմանափակումը կապված չէ մեքենայական ուսուցման մեթոդների բացակայության հետ, այլ դրանց՝ խնդրի փոփոխվող պայմաններին հարմարեցնելու անհրաժեշտության և միաժամանակ մշակման պահանջվող արագությունն ապահովելու հետ։

Խնդիրը սկզբունքային նշանակություն ունի ժամանակակից բարձր էներգիաների ֆիզիկայի համար։ Փորձարարական կայանքներից ստացվող տվյալների ծավալները մշտապես աճում են, իսկ տեղեկատվության մի մասը անհրաժեշտ է մշակել անմիջապես փորձի ընթացքում։

Տվյալների վերլուծությունը մնում է ավելի կանխատեսելի խնդիր

Կորենկովի խոսքով՝ տվյալների վերլուծության ոլորտում իրավիճակը զգալիորեն ավելի պարզ է։ Այնտեղ գործընթացները, նրա գնահատմամբ, ավելի կանխատեսելի են, ուստի կիրառվող արհեստական բանականության մեթոդներն արդեն աշխատում են զգալիորեն ավելի արդյունավետ։

Միևնույն ժամանակ, ՄՄՀԿ ՏՀՏ-ը չի սահմանափակվում որևէ մեկ ալգորիթմի կիրառմամբ։ Կորենկովը նշել է հիբրիդային մոտեցումների կիրառումը, որոնց դեպքում մեկ խնդրի լուծման համար միաժամանակ օգտագործվում են տասնյակ տարբեր մեթոդներ։ Մասնագետները դրանք համադրում են, որպեսզի բացահայտեն յուրաքանչյուր մոտեցման առավել արդյունավետ տարրերը։

Կորենկովը կարծում է, որ արհեստական բանականության կիրառման հնարավորությունները կընդլայնվեն հենց մեթոդների զարգացմանը զուգընթաց։ Սակայն տվյալների մշակման բոլոր խնդիրների համար համընդհանուր լուծում առայժմ չկա։

Նրա խոսքով՝ մասնագետները աստիճանաբար մոտենում են ամենաբարդ խնդիրների լուծմանը՝ ալգորիթմների զարգացման և տարբեր մեթոդների համադրման շնորհիվ։ Միաժամանակ տվյալների ծավալների աճը ինքնին անհաղթահարելի խնդիր չէ հաշվարկային ենթակառուցվածքի համար. հեռանկարում արդեն խոսքը էքսաբայթային մասշտաբների տվյալների հետ աշխատանքի մասին է։

ՄՄՀԿ ՏՀՏ-ի փորձը ցույց է տալիս երկակի իրավիճակ. արհեստական բանականությունը դառնում է գիտական հաշվարկների ավելի ու ավելի կարևոր գործիք, սակայն դրա կիրառումը կախված է կոնկրետ խնդրի բնույթից։ Այնտեղ, որտեղ տվյալներն ու գործընթացները ենթակա են կայուն մոդելավորման, ԱԲ-ն արդեն ցուցադրում է գործնական արդյունավետություն։ Իսկ այն խնդիրներում, որոնք պահանջում են արագ հարմարեցում և տեղեկատվության մշակում իրական ժամանակում, տեխնոլոգիական սահմանափակումները պահպանվում են։