Терминология искусственного интеллекта в современном русском языке: образование, структура, функционирование тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Мусаева Анастасия Сергеевна

• Мусаева Анастасия Сергеевна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Мусаева Анастасия Сергеевна

ВВЕДЕНИЕ

ГЛАВА 1. НАУЧНО-ТЕХНИЧЕСКОЕ НАПРАВЛЕНИЕ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ» И МЕТАЯЗЫК ЕГО ОПИСАНИЯ

1.1. Из истории становления теории и практики искусственного интеллекта

1.2. Языковая политика в области терминов и определений искусственного интеллекта

1.3. Актуальное терминологическое поле искусственного интеллекта как результат стандартизации

Выводы по 1 главе

ГЛАВА 2. ЭВОЛЮЦИЯ СЕМАНТИКИ ТЕРМИНОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

2.1. Семантические процессы привлечения терминов

2.1.1. Привлеченные слова

2.1.2. Привлеченные словосочетания

2.2. Когнитивная обработка термина в процессе транстерминологизации

2.3. Собственные термины сферы искусственного интеллекта

Выводы по 2 главе

ГЛАВА 3. ТЕРМИН «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ» В РАЗНЫХ ДИСКУРСАХ

3.1. Научный дискурс

3.2. Научно-популярный дискурс

3.3. Публицистический дискурс

Выводы по 3 главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Терминология искусственного интеллекта в современном русском языке: образование, структура, функционирование»

ВВЕДЕНИЕ

Актуальность исследования. Во всем мире скачкообразно возросло количество научных разработок в сфере искусственного интеллекта (далее - ИИ). По данным ежегодного отчета AI Index Report 2021, в 2020 г. «количество научных работ в области технологий искусственного интеллекта <...> по сравнению с предыдущим годом увеличилось на 34,5% [Количество. 2021] и с тех пор продолжает расти. Пусковым механизмом данного процесса в России стала принятая в 2019 г. «Национальная стратегия развития искусственного интеллекта на период до 2030 года». В «Стратегии.» указывается, что «в случае недостаточного развития и использования конкурентоспособных технологий искусственного интеллекта реализация приоритетных направлений научно-технологического развития страны замедлится, что впоследствии повлечет за собой ее экономическое и технологическое отставание» [Указ. ]. Этим обусловлено внимание к языковой политике в области терминов и определений искусственного интеллекта, к необходимости терминологической деятельности по отбору, нормализации и кодификации метаязыка ИИ, к созданию нормативной базы государственных стандартов, регламентирующих данную терминологию. В частности, 39 пункт данного документа предусматривает создание нормативно-правовой базы ИИ.

Объект исследования - терминология, связанная с научной и практической деятельностью по созданию интеллектуальных систем, способных выполнять творческие функции, которые традиционно считаются прерогативой человека.

Предмет исследования - социолингвистические, лексико-семантические, словообразовательные и дискурсивные особенности терминологии искусственного интеллекта в русском языке.

Цель работы - представить структурно-функциональную модель терминологии искусственного интеллекта как динамично развивающейся системы.

Основные исследовательские задачи определяются поставленной целью:

1. Охарактеризовать социолингвистические факторы и аспекты языковой политики в области терминологии ИИ.

2. Определить актуальное терминологическое поле искусственного интеллекта с опорой на утвержденные государственные стандарты РФ.

3. Описать процессы терминообразования в трех группах специальных лексем: привлеченных, транстерминологизированных и собственных терминов сферы искусственного интеллекта.

4. Квалифицировать терминологию ИИ как междисциплинарную и трансдисциплинарную, определить данную специальную лексику как субтерминологию, доказать зависимость терминологии ИИ от тенденций новейшего времени, обусловленных возрастанием роли междисциплинарного подхода к изучению объекта.

5. Проанализировать функционирования термина искусственный интеллект в научном, научно-популярном и публицистическом дискурсах.

Теоретическую базу составили научные исследования:

в области общей теории термина, терминообразования и частных терминологий такие ученые, как: К.Я. Авербух, Л.М. Алексеева, А.Э. Буженинов, Л.Ю. Буянова, Н.В. Васильева, М.Н. Володина, Е.И. Голованова, Б.Н. Головин, Н.Н. Горбунова, С.В. Гринев, В.П. Даниленко, В.С. Звягинцев, Е.М. Какзанова, Н.В. Козловская, И.Ю. Кухно, В.М. Лейчик, С.Е. Никитина, Н.В. Подольская, В.Н. Прохорова, А.В. Синелева, Ю.В. Сложеникина, А.В. Суперанская, С.Д. Шелов и др.;

в сфере общих вопросов языкознания, лингвокультурологии и социолингвистики - Н.Ф. Алефиренко, Е.М. Верещагин, Ю.Д. Дешериев, Ю.Н. Караулов, Э.В. Кузнецова, В.Г. Костомаров, В.М. Мокиенко, Л.А. Новиков, Л.О. Чернейко и др.;

в области дискурсивного анализа и теории стилей - Е.Е. Анисимова, Л.А. Ахтаева, Е.Ю. Викторова, М.Н. Вольф, В.З. Демьянков, О.В. Дунаевская, Л.А. Киселева, В.Е. Чернявская, Т.В. Шмелева и др.

Теоретическая значимость работы определяется важностью изучения новейшей терминологии искусственного интеллекта, необходимостью исследования актуальных процессов терминообразования в языках для специальных целей, влияния внешних и внутренних лингвистических факторов на становление и функционирование терминологий, закрепления терминов и определений в качестве стандартизированного инструментария, политики гармонизации терминосистем.

Практическое значение предпринятого исследования заключается в следующем: 1) опыт анализа специальной лексики искусственного интеллекта может быть полезен при изучении других новейших терминологий и их стандартизации; 2) материалы исследования послужат для актуализации и разработки курсов по теории лексикографии, теории терминоведения и терминографии, введения в языкознание, современного русского языка, дискурсологии и нек. др. дисциплин; 3) процессы гармонизации терминологий могут оказать влияние на развитие теории и практики переводоведения, в том числе специального; 4) новые данные могут лечь в основу реализации программ повышения квалификации и профессиональной переподготовки специалистов в области стандартизации; 5) материалы исследования могут пригодиться для дальнейших исследований быстро развивающейся теории и практики ИИ.

Методами исследования стали:

- метод сплошной выборки. Он заключается в сборе языкового материала из ГОСТов, утвержденных к настоящему времени;

- метод компонентного анализа. Его целью является представление значения слова в виде дискретной структуры. Для этого дефиниция термина раскладывается на минимальные семантические составляющие. В основе метода лежит предположение о том, что значение любой языковой единицы состоит из минимальных семантических компонентов - сем, которых в языке, в отличие от слов, исчислимое количество;

- метод оппозиций. В работе осуществляется семиотическое противопоставление лексем, предполагающее разложимость единиц языка на общие и различные элементы с выделением дифференциальных признаков;

- сравнительный метод. Он заключается в сопоставлении словосочетаний литературного языка и омонимичных им терминов с выделение специфики последних;

- количественный метод. Он заключается в использовании подсчетов и измерений при изучении терминов;

- метод изучения источников. Источниками исследования являются утвержденные в РФ ГОСТы по искусственному интеллекту. Они разрабатываются в рамках «Перспективной программы стандартизации по приоритетному направлению "Искусственный интеллект" на период 2021-2024 гг.». В программу, в частности, включены стандарты общего назначения, закрепляющие термины и определения в области ИИ. Стандартизация предполагает разработку и утверждение ГОСТов по внедрению ИИ в приоритетных областях человеческой деятельности: промышленности, транспорте, медицине, образовании, строительстве и др.;

- дискурсивный анализ, предполагающий трехаспектную модель анализа идеологии текста, интенций и перцепций автора, семантики языковых единиц.

Материалом исследования явились:

1. Утвержденные ГОСТы: 59276-2020 «Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения»; 59277-2020 «Системы искусственного интеллекта. Классификация систем искусственного интеллекта»; 58776-2019 «Средства мониторинга поведения и прогнозирования намерений людей. Термины и определения»; 59278-2020 «Информационная поддержка жизненного цикла изделий. Интерактивные электронные технические руководства с применением технологий искусственного интеллекта и дополненной реальности. Общие сведения»; 59921.1-2021 «Системы искусственного интеллекта в клинической медицине». Части 1-7; 59920-2021

«Системы искусственного интеллекта. Системы искусственного интеллекта в сельском хозяйстве. Требования к обеспечению характеристик эксплуатационной безопасности систем автоматизированного управления движением сельскохозяйственной техники»; 59899-2021 «Образовательные продукты с алгоритмами искусственного интеллекта для адаптивного обучения в общем образовании. Технические требования»; 59898-2021 «Оценка качества систем искусственного интеллекта. Общие положения» и нек. др.

2. Перспективная программа стандартизации по приоритетному направлению «Искусственный интеллект» на период 2021-2024 годы.

3. Указ Президента РФ от 10 октября 2019 г. N 490 «О развитии искусственного интеллекта в Российской Федерации».

4. Монографии, научные и научно-популярные статьи по проблемам ИИ, а также публикации средств массовой информации по данной тематике.

Научная новизна работы. Впервые предложено понятие субтерминологии. Впервые максимально полно проанализирована терминология искусственного интеллекта общим объемом 449 единиц. Среди них 208 привлеченных терминов, 187 - транстерминологизированных и 54 собственных. Впервые описано терминообразование в сфере ИИ. Впервые функционирование термина искусственный интеллект проанализировано в 3 видах дискурса: научном, научно-популярном и публицистическом.

Научная гипотеза. Современный этап научно-практической деятельности людей характеризуется возрастанием количества междисциплинарных и трансдисциплинарных исследований. Новые прорывные технологии создаются на стыке наук. Терминология искусственного интеллекта обслуживает специальную коммуникацию в разных отраслях науки и практики: промышленности, транспорте, образовании, медицине, сельском хозяйстве и др. Такие профессиональные лексические поля мы предлагаем назвать субтерминологией. В отличие от традиционных терминологий, имеющих собственные объекты описания и оригинальный лексический состав, большую часть лексического состава ИИ составляют привлеченные и транстерминологизированные единицы.

88% исследуемой терминологии сформировано за счет специальных единиц, принадлежащих другим терминологическим полям, и только 12% являются оригинальными терминами данной сферы деятельности.

Положения, выносимые на защиту.

1. Актуальная терминология искусственного интеллекта формируется под воздействием языковой политики государства. Основополагающим документом является разработанная в 2019 г. «Национальная стратегия развития искусственного интеллекта на период до 2030 года». В «Стратегии...» были даны определения 12 ключевых понятий сферы ИИ. Основные аспекты языковой политики в области ИИ сводятся к разработке и утверждению государственных стандартов. Для этого в 2020 г. была утверждена «Перспективная программа стандартизации по приоритетному направлению "Искусственный интеллект" на период 2021-2024 гг.». Согласно данной программе, в течение четырех лет необходимо разработать и утвердить 217 стандартов в области ИИ.

2. Терминология ИИ формируется 3 основными путями: привлечение -заимствование терминов и словосочетаний из литературного языка; транстерминологизация - заимствование терминов из одного терминологического поля в другое; синтаксическое словообразование - создание собственных терминов-словосочетаний.

3. В терминологии ИИ (449 единиц) собственные термины составляют только 12% лексического фонда (привлеченные - 208 единиц, 46%, транстерминологизированные - 187 единиц, 42%). Данное соотношение позволяет квалифицировать специальную лексику ИИ как субтерминологию, имеющую меж- и трансдисциплинарный характер. Собственными считаем термины, имеющие дифференциальный признак «искусственный интеллект» как 1) часть плана выражения или 2) часть плана содержания.

4. Адаптация привлеченных слов к функции термина осуществляется следующими путями: перераспределение сем, метафоризация, спецификация дифференциальных признаков, сужение значения за счет введения слов-ограничителей, отсечение семантики общеупотребительного слова.

5. Процесс транстерминологизации в сфере ИИ обусловлен экстралингвистическими факторами. Определяющей является государственная политика в области приоритетных направлений внедрения ИИ. С точки зрения языкового субстрата в исследуемом материале выделяются терминологические системы-доноры: термины сферы безопасности, транспорта, медицины, сельского хозяйства, образования, лингвистики и нек. др. Транстерминологизированные единицы ИИ группируются по 3 основным категориям: термины-обозначения специальных денотатов; специальных действий, процессов; специальных признаков. В основе новых ГОСТов по искусственному интеллекту лежат, как правило, более ранние ГОСТы, ставшие донорами для процесса транстерминологизации. Механизмы транстерминологизации сводятся к изменению уровня классификации слова, упрощению дефиниции, изменению плана выражения или плана содержания термина.

6. Формирование дискурса ИИ находится на начальном этапе. Термин искусственный интеллект является элементом научного, научно-популярного и публицистического дискурсов. Данные дискурс различаются параметрами: характеристика адресанта / адресата, интенция, тематика, функции, используемые вербальные средства.

Достоверность результатов исследования обусловлена тем, что в нем:

- терминология рассматривается как лингвистический аспект языковой политики, осуществляемой уполномоченной организацией - Техническим комитетом по стандартизации № 164 «Искусственный интеллект» (ТК 164).

- выводы в исследовании опираются на материалы около 40 нормативных документов и более 150 научных исследований в области терминологии и искусственного интеллекта.

- в работе к анализу языкового материала применены научные лингвистические методы: сплошной выборки, компонентного анализа, оппозиций, сравнительный, количественный, изучения источников, дискурсивного анализа.

- проанализировано около 500 терминов и 300 контекстов их употребления.

Структура диссертации. Работа состоит из введения, трех глав, заключения, библиографического списка, включающего 188 наименований, и приложения - словника терминов ИИ, состоящего из 449 единиц.

Апробация работы. Отдельные положения исследования были представлены на международных, всероссийских и внутривузовских конференциях: XXII (15-19 марта 2021 г., Самара) и XXIII (14-18 марта 2022 г., Самара) студенческой научной конференции молодых ученых Самарского филиала Московского городского педагогического университета «Дни науки СФ МГПУ»; XII Всероссийской научно-практической конференции молодых ученых «Майские чтения» («Язык и репрезентация культурных кодов», Самара, Самарский университет, 17 мая 2022 г.); Международной научно-практической конференции «Профессиональные коммуникации: от термина к дискурсу» (Москва, МИРЭА - Российский технологический университет, 17-21 мая 2022 г.); Международной научно-практической конференции «Русский язык и русская литература в цифровую эпоху», (Москва, МГЛУ, 25-26 мая 2023 г.); Международной научно-практической конференции «Профессиональные коммуникации: от термина к дискурсу» (Москва, МИРЭА - Российский технологический университет, 17-22 мая 2023 г.). Международный научный конгресс «Роль бизнеса в трансформации общества - 2024» (Москва, Университет "Синергия", 8-12 апреля 2024 г.).

Основные положения и результаты исследования изложены в 7 публикациях, входящих в текущий перечень ВАК:

1. Мусаева А.С. Языковая политика в области терминов и определений искусственного интеллекта // Мир лингвистики и коммуникации: электронный научный журнал. 2022. № 67. С. 134-144. Регистрационное свидетельство Эл № ФС 77-50391 от 29 июня 2012 года, зарегистрирован Роскомнадзором (№ 1718 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 0,9 п.л. (авторский вклад 0,9 п.л.).

2. Мусаева А.С. Терминообразование в сфере искусственного интеллекта // Верхневолжский филологический вестник. 2022. № 2 (29). С. 166-

173. (№ 349 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 0,7 п.л. (авторский вклад 0,7 п.л.).

3. Мусаева А.С. Общеязыковой субстрат терминологии искусственного интеллекта (на примере терминов-словосочетаний) // Актуальные вопросы современной филологии и журналистики. 2022. № 3(46). С. 12-19. (№ 205 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 0,8 п.л. (авторский вклад 0,8 п.л.).

4. Мусаева, А.С., Сложеникина Ю.В., Козловская Н.В. Научный дискурс с ключевым термином «искусственный интеллект» // Мир русского слова. 2023. -№ 3. - С. 91-101. (№ 1727 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 1,1 п.л. (авт. вклад - 0,8 п.л.).

5. Мусаева А.С., Козловская Н.В., Сложеникина Ю.В. Транстерминологизация в сфере искусственного интеллекта: к постановке вопроса о субтерминологии // Art Logos (Искусство слова). 2023. № 3 (24). С. 98118. (№ 12 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 0,8 п.л. (авторский вклад 0,5 п.л.).

6. Мусаева, А.С., Сложеникина Ю.В. Языковая репрезентация феномена искусственного интеллекта в научно-популярном дискурсе // Верхневолжский филологический вестник. 2024. - № 4 (39). - С. 106-117. (№ 349 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 0,9 п.л., (авт. вклад - 0,6 п.л.).

7. Мусаева, А. С., Сложеникина Ю.В. Когнитивная обработка термина в процессе транстерминологизации (на примере терминов искусственного интеллекта) // Вестник Череповецкого государственного университета. - 2024 - № 6 (123). - С. 103-113. (№ 851 перечень российских рецензируемых научных журналов ВАК по состоянию на 10.06.2024). 0,9 п.л., (авт. вклад - 0,7 п.л.).

ГЛАВА 1. НАУЧНО-ТЕХНИЧЕСКОЕ НАПРАВЛЕНИЕ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ» И МЕТАЯЗЫК ЕГО ОПИСАНИЯ

1.1. Из истории становления теории и практики искусственного интеллекта

В постиндустриальном обществе искусственный интеллект является основным драйвером научно-технического и экономического развития. В настоящее время ИИ стал одной из быстро развивающихся сфер науки. М.В. Лычагин и А.М. Лычагин приводят такие данные: «Первый документ со словосочетанием Artificial Intelligence (искусственный интеллект, или AI) в названии зафиксирован в системе цитирования Scopus в 1960 году. На конец 2000 гг. таких документов стало 127; 2010 гг. - 723; 2020 гг. - 5583, а по состоянию на 20 октября 2021 г. их оказалось 29852» [Лычагин, 2021: 118].

При этом ИИ рассматривается не только в качестве объекта или предмета исследования нескольких научных дисциплин, но и как ключевая технология настоящего и ближайшего будущего человечества. Данная технология призвана решить проблемы в трудно формализуемых областях деятельности человека. Именно методы и подходы ИИ делают решаемыми сложные для человека технические задания, связанные с многозадачностью, большим объемом информации и т. п. Считается, что ИИ «обладает большим числом степеней свободы с числом вариантов поиска решений, которые приближаются к бесконечности» [Степаненко, 2006: 27].

ИИ - это «наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ, свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека. Искусственный интеллект основан на нейросетях - математической модели человеческого нейрона» [Голайдо, 2019: 38]. Технологии ИИ уже сегодня продуктивно используются во многих отраслях человеческой деятельности: в медицине, промышленности и сельском хозяйстве; в бытовой сфере человека (технология «Умный дом»), в гуманитарной сфере: журналистике,

интеллектуальном машинном переводе, образовании; в социально-правовой сфере: в биржевой торговле, юриспруденции, налогообложении и т. п. [Бирюков, 2019; Буренок, 2021; Ельникова, 2020; Епрынцева, 2018; Казакова, 2020; Кан, 2021].

Однако внедрение ИИ в различные сферы общественной личной жизни человека ставит перед ним ряд вопросов: ИИ закономерен для человеческого развития или невозможен по разным причинам? Это путь к процветанию или к краху? ИИ - выдающееся современное научное открытие или очередная химера? Что-то наподобие вечного двигателя [Голайдо, 2019; Грязнов, 2021]? Опасения современных философов, связанные с развитием ИИ, основаны не только на боязни нового и неизведанного, но и на древнем архетипе - недоверии к сущностям гибридного происхождения.

ИИ, как и мифологическая химера, также имеет гибридный генезис. Изначально именно развитие интеллекта выделило человека из животного мира. Другими словами, само понятие интеллект имеет четкую атрибуцию, связанную с человеком и человеческой цивилизацией в целом. В первом основном значении искусственный - это сделанный наподобие настоящего, природного. Поэтому даже на уровне основного термина ИИ - оксюморон, образное сочетание противоречащих друг другу понятий, парадокс.

Е.В. Яковлева отмечает, что парадигмы «осмысления искусственного интеллекта берут свое начало еще в эпоху, когда, как таковое, формирование машинного разума было принципиально невозможно ввиду невысокого уровня технологического развития» [Яковлева, 2020: 55]. В Новое время в Европе, когда ученые искали пути «безупречного, отлаженного, лишенного субъективных отклонений механизма познания», были предприняты попытки создания формализованных языков, а в науке восторжествовал путь механистичного познания [Там же].

Парадоксальным оказалось зарождение понятия ИИ в России. У данной научной проблемы есть своя история, связанная с именем неординарного человека, ученого и изобретателя Сергея Николаевича Корсакова (1787-1853).

Пионер отечественного ИИ родился в 1787 г. в г. Херсоне в семье известного военного инженера Н.И. Корсакова. В первой половине XIX в. С.Н. Корсаков выдвинул концепцию усиления разума посредством разработки научных методов и специальных устройств. В 1832 г. представил серию из пяти «интеллектуальных машин» - механических прообразов современных поисковых и экспертных систем, в конструкции которых им впервые в истории информатики были применены перфорированные карты [Михайлов, 2016: 5].

Корсаков предложил оригинальную для своего времени концепцию человека, очень близкую к современным научным представлениям. В монографии «Начертание нового способа исследования при помощи машин, сравнивающих идеи», написанной и изданной на французском языке, ученый рассуждает о двойственной природе самого человека: «Человеческие идеи, концепции фиксируются, передаются и сохраняются во времени, благодаря слову и письму, которые являются ни чем иным, как механическими операциями разума <...> Получить знание о происходящем в природе, о ее тайнах можно только с помощью инструментов, путем приложения разума к материи, это и не может быть по-другому, поскольку человек не является простым существом, а обладает одновременно и телесной, и духовной составляющей» [Корсаков, 2009: 6].

Обращаясь к материальной стороне проблемного вопроса, Корсаков ставит научную проблему, формулируя ее несколько пространно: «.письмо, так же, как и любые другие графические средства, обращается к нашему разуму только через глаза, оно недоступно воздействию механических средств. Если же, напротив, мы выразим те же самые идеи посредством знаков, которые будут обладать реальной материальной основой, длиной, шириной и толщиной, то такие знаки будут не только восприниматься многими из наших чувств, но, что имеет гораздо большее значение, дадут нам возможность использовать специфические физические свойства каждого отдельного знака и сделать так, чтобы эти знаки служили для разрешения чисто интеллектуальных задач» [Корсаков, 2009: 7]. Другими словами, двойственная природа человека и знаковая природа естественного языка

дает возможность создать искусственный язык. Вернее, нечто подобное ИИ, который поможет человеку обрабатывать огромные массивы информации.

Корсаков изобрел и сконструировал ряд действующих механических устройств, функционирующих на основе перфорированных таблиц и предназначенных для задач информационного поиска и классификации: прямолинейный гомеоскоп с неподвижными частями (франц. Homéoscope rectiligne à pièces fixes); прямолинейный гомеоскоп с подвижными частями (франц. Homéoscope rectiligne à pièces mobiles); плоский гомеоскоп (франц. Homéoscope plane); идеоскоп (франц. Idéoscope); простой компаратор (франц. Comparateur simple).

Корсаков предпринял два шага к продвижению своих изобретений. В 1832 г. им была издана брошюра «Начертание нового способа исследования при помощи машин, сравнивающих идеи». В том же году конструктор предпринимает попытку представить свои изобретения на суд Императорской Академии наук в Санкт-Петербурге. Однако коллежскому советнику Корсакову не повезло. Изобретения его не были в должной мере оценены современниками. Комиссия в составе академиков А.Я. Купфера, Е.И. Паррота, Ф.Ф. Брандта под председательством М.В. Остроградского не нашла практической пользы от представленных изобретений и не сумела оценить будущую перспективу развития метода. Заключение комиссии содержало ироническое замечание: «Г-н Корсаков потратил слишком много разума на то, чтобы научить других обходиться без разума» [Михайлов, 2009: 27-30].

В 1980-х гг. публикации М.И. Радовского, посвященные изучению архивных дел Академии наук, привлекли внимание профессора кафедры кибернетики МИФИ Геллия Николаевича Поварова (1928-2004). Именно ему отечественная кибернетика обязана осознанием значимости и повторным открытием изобретений Корсакова.

Г.Н. Поваров заметил, что, по существу, Корсаков в своих работах излагает современную концепцию искусственного разума как усилителя естественного, что его машины производят информационный поиск и могут быть названы

классифицирующими машинами. Поваров же указал на то, что Корсакову принадлежит честь первым использовать перфорированные карты в информатике. Опубликование работ Корсакова на французском языке, который являлся общепризнанным международным языком того времени, закрепляет приоритет за русским изобретателем. До этого перфорированные карты широко применялись для управления ткацкими станками, использовались в музыкальных шкатулках. Оценка трудов Корсакова впервые была изложена Поваровом в 1982 г. в Москве на семинаре по искусственному интеллекту [Поваров, 2005].

Список литературы диссертационного исследования кандидат наук Мусаева Анастасия Сергеевна, 2025 год

Библиографический список

35. Авербух, К.Я. Общая теория термина / К.Я. Авербух. - Москва: МГОУ, 2006. - 252 с.

36. Азина, Д.Б. Речевое взаимодействие между человеком и искусственным интеллектом посредством чат-ботов и умных устройств / Д.Б. Азина, П.А. Пьянкова, М.О. Козицына, Д.А. Потапов, В.В. Иванова, Е.В. Кулагина, А.С. Кузнецова // Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 6: Языкознание. Реферативный журнал. 2022. -№ 1. - С. 54-65.

37. Айвазян, Н.Б. Теоретико-методологические основы прагма-аксиологического моделирования лексической системы дискурса информационных технологий / Н.Б. Айвазян // Актуальные проблемы теоретической и прикладной лингвистик: Сборник статей VII Всероссийской научно-практической конференции. - Пенза, 2021. - С. 3-7.

38. Алексеева, Л.М. Проблемы термина и терминообразования / Л.М. Алексеева. - Пермь: Пермский государственный университет, 1998. - 119 с.

39. Алефиренко, Н.Ф. Современные проблемы науки о языке / Н.В. Алефиренко. - Москва: Флинта; Наука, 2005. - 412 с.

40. Алефиренко, Н.Ф. Фразеология и паремиология / Н.Ф. Алефиренко, Н.Н. Семененко. - Москва: Флинта: Наука, 2009. - 344 с.

41. Андрианова, В.В. Искусственный интеллект - опасности для лиц с ограниченными возможностями здоровья / В.В. Андрианова // Инвалид в обществе XXI века. Сборник трудов II Всероссийской научно-практической конференции. - Москва, 2021. - С. 16-19.

42. Анисимова, Е.Е. Лингвопрагматический аспект публицистического дискурса о здоровом образе жизни (на примере немецкоязычных журналов «Women's Health» и «Stern. Gesundleben») / Е.Е.Анисимова, Т.Е. Финк // Вестник Московского университета. Серия 19: Лингвистика и межкультурная коммуникация. 2020. - № 4. - С. 87-98.

43. Ахтаева, Л.А. Научный дискурс как специфическая разновидность дискурсивной деятельности / Л.А. Ахтаева // Молодой ученый. 2010. - № 7. - С. 144-150.

44. Балонкина, О.В. Функционирование фразеологизмов с компонентом воздух в разных типах дискурса / О.В. Балонкина // Вестник Томского государственного университета. 2019. - № 440. - С. 5-17.

45. Бегишев, И.Р. Цифровая терминология: подходы к определению понятия «робот» и «робототехника» / И.Р. Бегишев // Информационное общество. 2021. - № 2. - С. 53-66.

46. Белов, С.А. Разработка концепции и нормативно-правовое обеспечение государственной языковой политики Российской Федерации / С.А. Белов, Н.М. Кропачев, А.А. Соловьев // Вестник Санкт-Петербургского университета. Право. 2017. - Т. 8. № 1. - С. 42-61.

47. Бирюков, В.А. Искусственный интеллект: перспективный подход к созданию медиаконтента / В.А. Бирюков, П.Н. Шаронин // Медиаэкономика 21 века. 2019. - № 1. - С. 31-37.

48. Богоявленская, Ю.В. Взаимодействие парцелляции и метафоры как средств аттенциального фокусирования в художественном и публицистическом дискурсах / Ю.В. Богоявленская, А.П. Чудинов // Язык и культура. 2018. - № 41. -С. 24-39.

49. Брайтон, Г. Искусственный интеллект в комиксах / Г. Брайтон, Г. Селина. - Москва: Бомбора: Эксмо, 2018. - 173 с.

50. Бугорская, Н.В. Проблема термина и терминологические проблемы / Н.В. Бугорская. - Барнаул: Изд-во Алтайского государственного университета, 2007. - 388 с.

51. Буженинов, А.Э. Транстерминологизация как тип терминологической номинации (на материале подъязыка гомеопатии) / А.Э. Буженинов // В мире науки и искусства: вопросы филологии, искусствоведения и культурологии. 2014. - № 37. - С. 56-63.

52. Буженинов, Э.А. Типология транстерминологизированных терминов (на материале подъязыка гомеопатии) / Э.А. Буженинов // Актуальные проблемы германистики, романистики и русистики. 2015. - № 3. - С. 13-19.

53. Буренок, В.М. Искусственный интеллект в военном противостоянии будущего / В. М. Буренок // Военная мысль. 2021. - № 4. - С. 106-112.

54. Буянова, Л.Ю. Терминологическая деривация в языке науки: когнитивность, семиотичность, функциональность / Л.Ю. Буянова. - 2-е изд., стереотип. - Москва: Флинта, 2011. - 390 с.

55. Быльева, Д.С. Искусство и искусственный интеллект / Д.С. Быльева // Философия и культура информационного общества. Тезисы докладов Девятой международной научно-практической конференции. - Санкт-Петербург, 2021. -С. 187-189.

56. Верещагин, Е.М. Лингвострановедческая теория слова / Е.М. Верещагин, В.Г. Костомаров. - Москва: Русский язык, 1980. - 320 с.

57. Викторова, Е.Ю. Дискурсивно-прагматическая специфика жанра лекции ted talk (сквозь призму функционирования в ней дискурсивов) / Е.Ю. Викторова // Жанры речи. 2019. - № 4 (24). - С. 254-266.

58. Володина, М.Н. Когнитивно-информационная природа термина: (На материале терминологии средств массовой информации) / М.Н. Володина. -Москва: Изд-во Московского университета, 2000. - 127 с.

59. Вольф, М.Н. Риторическая аргументация в научно-популярном дискурсе: особенности и перспективы / М.Н. Вольф // Вестник Санкт-Петербургского университета. Философия и конфликтология. 2020. - Т. 36. - № 3. - с. 426-440.

60. Галимова, О.Н. Некоторые особенности гипонимических связей (на примере зоологической терминологии татарского языка) / О.Н. Галимова // Филологические науки. Вопросы теории и практики. 2018. - № 9-1 (87). - С. 6973.

61. Герасимова, С.А. Деятельность просветителя-энциклопедиста как отражение интеллектуальной культуры ХУШ века / С.А. Герасимова // Научный диалог. 2021. - № 4. - С. 28-41.

62. Глинская, Н.П. Транстерминологизация как проблема когнитивного терминоведения / Н.П. Глинская // Когнитивные исследования языка. 2015. -№ 22. С. 695-697.

63. Голайдо, А.М. Искусственный интеллект: невозможность или неизбежность? / А.М. Голайдо // Образование и наука без границ: социально-гуманитарные науки. 2019. - № 12. - С. 38-43.

64. Голенков, С.И. К возможности морали искусственного интеллекта / С.И. Голенков // Философия сегодня: ценности, перспективы, смыслы. Сборник материалов конференции. - Екатеринбург: УФУ им. первого Президента России Б. Н. Ельцина, 2021. - С. 228-233.

65. Голикова, Т.А. Введение в языкознание / Т.А. Голикова. - Москва: Берлин: Директ-Медиа, 2015. - 369 с.

66. Голованов, Н.М. Правовые проблемы обеспечения безопасности использования искусственного интеллекта / Н.М. Голованов // Гуманитарный научный вестник. 2022. - № 1. - С. 112-119.

67. Голованова, Е.И. Введение в когнитивное терминоведение / Е.И. Голованова. - Москва: Флинта: Наука, 2011. - 221 с.

68. Голованова, Е.И. Категориальный подход к изучению термина // Научно-техническая терминология: Науч.-технич. реф. сб.: Материалы 10-й

Междунар. науч. конф. по терминологии. - Москва: ВНИИКИ, 2004. - Вып. 1. -С. 17-20.

69. Головин, Б.Н. Лингвистические основы учения о терминах / Б.Н. Головин, Р.Ю. Кобрин. - Москва: Высшая школа, 1987. - 104 с.

70. Голубев, А.В. Методологическая эффективность трансдисциплинарной методологии в естествознании (на примере химии) / А.В. Голубев, М.В. Евстегнеева, А.А. Шестаков // Вестник Тверского государственного университета. Серия: Философия. 2019. - № 2 (48). - С. 41-47.

71. Горбунова, Н.Н. Метафоризация как основа для транстерминологизации в сфере предметных терминономинаций / Н.Н. Горбунова, Р.А. Арчаков, Л.А. Ахтаева // Актуальные проблемы филологии и педагогической лингвистики. 2020. - № 3. - С. 92-109.

72. Горбунова, Н.Н. Транстерминологизация, полисемия, омонимия и трансдисциплинарность терминологических единиц: аспекты корреляции и разграничения / Н.Н. Горбунова // Вестник Пятигорского государственного университета. 2017. - № 4. - С. 183-189.

73. Григорян, А.А. Способы образования терминов группы «документоведение» / А.А. Григорян // Вестник Российского университета дружбы народов. Серия: Русский и иностранные языки и методика их преподавания. 2009. - № 4. - С. 33-38.

74. Гринев, С.В. Введение в терминоведение / С.В. Гринев. - Москва: Московский лицей, 1993. - 280 с.

75. Гринев-Гриневич, С.В. Терминоведение / С.В. Гринев-Гриневич. -Москва: Издательский центр «Академия», 2008. - 304 с.

76. Громенко, Е.С. К проблеме отбора терминов в неологический словарь (на материале современной научно-популярной периодики) / Е. С. Громенко // Вопросы лексикографии. - 2020. - № 17. - С. 5-25.

77. Громенко, Е. С. О некоторых тенденциях терминологических заимствований в русском языке начала XXI века / Е. С. Громенко // Активные процессы в современном русском языке: национальное и интернациональное: сб.

науч. ст. Нижний Новгород, 30 октября 2020 года. - Нижний Новгород: ООО ФЛИНТА, 2021. - С. 184-194.

78. Грязнов, С.А. Искусственный интеллект: этический аспект / С.А. Грязнов // Modern Science. 2021. - № 2-1. - С. 365-367.

79. Даниленко, В.П. Русская терминология. Опыт лингвистического описания / В.П. Даниленко. - Москва: Наука, 1977. - 246 с.

80. Дедова О.В. Актуальные направления современной интернет-лингвистики: «язык в интернете» vs «интернет в языке» // Русское языковое пространство в синхронии и диахронии: коллективная монография. - Москва, 2023. - С. 4-19.

81. Демьянков, В.З. Интерпретация политического дискурса в СМИ / В.З. Демьянков // Язык СМИ как объект междисциплинарного исследования: учеб. пособие / отв. ред. М.Н. Володина. - Москва: Изд-во МГУ им. М.В. Ломоносова, 2003. - С. 116-133.

82. Дешериев, Ю.Д. Языковая политика // Лингвистический энциклопедический словарь / под. ред. В.Н. Ярцевой. - Москва: Сов. энциклопедия, 1990. - С. 616.

83. Дунаевская, О.В. О стилях русского языка / О.В. Дунаевская. - Изд. 3-е. - Москва: ЛИБРОКОМ, 2012. - 122 с.

84. Ельникова, С.И. Искусственный интеллект в системе обучения РКИ и оценке уровня владения русским языком как иностранным / С. И. Ельникова // Русский язык за рубежом. 2020. - № 2(279). - С. 20-26.

85. Епрынцева, Н.А. Искусственный интеллект в сфере недвижимости / Н.А. Епрынцева, А.В. Соколова, А.А. Руднева // Информационные технологии в строительных, социальных и экономических системах. 2018. - № 4(14). - С. 47-50.

86. Зайцева, А.С. Аспекты языковой политики в терминологии (на примере специальной лексики чрезвычайных ситуаций) / А.С. Зайцева, Ю.В. Сложеникина, А.В. Растягаев // Мир лингвистики и коммуникации: электронный научный журнал. 2018. - № 54. - С. 210-230.

87. Зайцева, А.С. Семантика отраслевого термина (на примере терминологии чрезвычайных ситуаций) / А.С. Зайцева, Ю. В. Сложеникина // Терминология: становление, развитие, функционирование: коллективная монография. - Астрахань, 2019. - С. 158-186.

88. Зайцева, А.С. Современный профессиональный язык робототехники (на примере терминологического гнезда «робот») / А.С. Зайцева // Научный диалог. 2021. - № 5. - С. 96-114.

89. Ивина, Л.В. Лингво-когнитивные основы анализа отраслевых терминосистем (на примере англоязычной терминологии венчурного финансирования) / Л.В. Ивина. - Москва: Академический Проект, 2003. - 304 с.

90. Иоселиани, А.Д. «Искусственный интеллект» vs человеческий разум / А.Д. Иоселиани // Манускрипт. 2019. - Т. 12. - № 4. - С. 102-107.

91. Казакова, М. П. Искусственный интеллект в налоговом праве: актуальная проблема 21 века / М. П. Казакова // Вопросы российской юстиции. 2020. - № 9. - С. 608-613.

92. Какзанова, Е.М. Философские аспекты терминологии математики [Электронный ресурс] / Е.М. Какзанова. - Москва: Флинта: Наука, 2017. - 355 с.

93. Каляев, И. А. Искусственный интеллект: камо грядеши? / И. А. Каляев // Экономические стратегии. 2019. - Т. 21. - № 5(163). - С. 6-15.

94. Кан, С.В. Искусственный интеллект в медицине / С.В. Кан, Ж.И. Титова, А. Сергазыкызы // Актуальные вопросы науки. 2021. - № 78. - С. 34-38.

95. Караулов, Ю.Н. Лингвистическое конструирование и тезаурус литературного языка / Ю.Н. Караулов. - Москва: Наука, 1981. - 366 с.

96. Киселева, Л.А. Вопросы теории речевого воздействия / Л.А. Киселева. -Ленинград: Изд-во ЛГУ, 1978. - 160 с.

97. Козловская, Н.В. (а) Научные термины в философии Н.Ф. Федорова: привлечение и транстерминологизация / Н.В. Козловская // Слово. Словарь. Словесность: динамические процессы в языке, речи и словаре: Мат-лы всерос. науч. конф. (к 50-летию издания академического «Словаря современного русского

литературного языка»). Санкт-Петербург: РГПУ им. А.И. Герцена. 2016. - С. 227231.

98. Козловская, Н.В. (а) Русская философская терминология конца XIX -начала XX вв. / Н.В. Козловская. - СПб.: Сага, 2017. - 186 с.

99. Козловская, Н.В. (б) Терминологизация общеупотребительного слова в философии К.Н. Леонтьева / Н.В. Козловская // И.А. Бодуэн де Куртенэ и мировая лингвистика: Тр. и мат-лы. Межд. конф. В 2 т. / Под общ. ред. К.Р. Галиуллина, Е.А. Горобец, Д.А. Мартьянова, Г.А. Николаева. 2017. - С. 158160.

100. Козловская, Н.В. (б) Типы авторских терминов в русской философии (на материале произведений Н.Ф. Федорова и Н.А. Бердяева) / Н.В. Козловская // Сибирский филологический журнал. 2016. - № 1. - С. 185-192.

101. Козловская, Н.В. ИИ-композиты как объект неологии и неографии XXI века / Н.В. Козловская, С. Янурик // Филологические науки. Научные доклады высшей школы. 2021. - № 2. - С. 23-30.

102. Козловская, Н.В. Явление транстерминологизации в «философии общего дела» Н.Ф. Федорова / Н.В. Козловская // Печать и слово Санкт-Петербурга (Петербургские чтения - 2014). Сб. науч. тр. 2015. - С. 236-242.

103. Козловский, П.В. Организация и проведение междисциплинарных научных исследований // П.В. Козловский // Стратегическое развитие системы МВД России: состояние, тенденции, перспективы: Сборник научных статей по материалам Международной научно-практической конференции. - Москва, 2021. - С. 204-206.

104. Количество связанных с ИИ научных статей в 2020 году увеличилось на треть // ТАСС. Наука. 04.03.2021 [Электронный ресурс]. URL: https://nauka.tass.ru/nauka/10835703 (дата обращения 06.04.2022).

105. Комплексный учебный словарь: Лексическая основа русского языка / сост. В.В. Морковкин, Н.О. Беме, И.А. Дорогонова, Т.Ф. Иванова, И.Д. Успенская. - Москва: «Издательство Астрель», 2004. - 872 с.

106. Кордюков, А.В. Искусственный интеллект в технологии машиностроения / А.В. Кордюков, А.Н. Рябов // Вестник Рыбинской государственной авиационной технологической академии им. П. А. Соловьева. 2017. - № 4(43). - С. 147-151.

107. Кормилицына, М.А. Саратовская лингвистическая школа «Изучение функционирования русского языка» / М.А. Кормилицына, О.Б. Сиротинина // Медиалингвистика. 2016. - № 4 (14). - С. 7-14.

108. Корсаков С.Н. Начертание нового способа исследования при помощи машин, сравнивающих идеи / пер. с франц. / под ред. А.С. Михайлова / Корсаков С.Н. - Москва: МИФИ, 2009. - 44 с.

109. Корчажкина, О.М. Отражение «философии техники» в понятийной системе искусственного интеллекта / О.М. Корчажкина // Язык науки и техники в современном мире. Материалы X Международной научно-практической конференции. Редколлегия: С.В. Буренкова (отв. ред.). - Омск, 2021. - С. 21-29.

110. Котцова, Е.Е. Гипонимия в лексической системе русского языка (на материале глагола): дис. ... д-ра. филол. наук / Е.Е. Котцова. - Архангельск, 2010. - 362 с.

111. Кудрявцева, И.Г. Сопоставительный анализ терминов-метафор английской и русской терминологий строительства / И.Г. Кудрявцева, И.И. Юдина // Балтийский гуманитарный журнал. 2021. - Т. 10. - № 1 (34). - С. 359361.

112. Кузнецов, О.П. О вкладе Т.А. Таран в развитие искусственного интеллекта / О. П. Кузнецов // Искусственный интеллект и принятие решений. 2008. - № 2. - С. 46-66.

113. Кузнецова, Э.В. Лексикология русского языка: учебное пособие. - 2-е изд., испр. и доп. - Москва: Высшая школа, 1989. - 215 с.

114. Курдюмов, В.А. Предикационная концепция как возможная лингвистическая парадигма / В.А. Курдюмов // Язык в парадигмах гуманитарного знания: XXI век. Сборник научных статей под общ. ред. В.Е. Чернявской и С.Т. Золяна. - Санкт-Петербург: Изд-во СПбГУЭФ; Лингва», 2009. - С. 74-91.

115. Кухно, И.Ю. Авторский термин и авторская терминология пассионарной теории этногенеза / И.Ю. Кухно, Ю.В. Сложеникина, А.В. Растягаев // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2018. № 10. С. 36-41.

116. Левина, М.А. Принципы организации вторичных терминосистем права / М.А. Левина // Известия высших учебных заведений. Поволжский регион. Гуманитарные науки. 2013. - № 1 (25). - С. 126-131.

117. Лейчик, В. М. Интеграция наук и унификация научно-технических терминов / В.М. Лейчик // Вестник АН СССР. 1980. - № 8. - С. 39-46.

118. Лейчик, В.М. Терминоведение: предмет, методы, структура / В.М. Лейчик. - 2-е изд. - Москва: УРСС, 2006. - 261 с.

119. Лингвистический форум 2020: Язык и искусственный интеллект: международная конференция 12-14 ноября 2020 г., Институт языкознания РАН, Москва: Тезисы докладов / Под ред. А.А. Кибрика, В.Ю. Гусева, Д.А. Залманова. - Москва: Институт языкознания РАН, 2020. - 164 с.

120. Литвинцева, Л.В. Искусственный интеллект: беседы со школьниками / Л. Литвинцева. - Санкт-Петербург БХВ-Петербург, 2019. - 312 с.

121. Лотте, Д.С. Основы построения научно-технической терминологии / Д.С. Лотте. - Москва: Изд-во АН СССР, 1961. - 158 с.

122. Лукина, О.И. Гипонимия терминов фонетики во французском языке / О.И. Лукина // Мир науки, культуры, образования. 2019. - № 1 (74). - С. 382-384.

123. Лычагин, М.В. Искусственный интеллект в научных публикациях по бизнесу и экономике с позиции многомерного библиометрического анализа / М.В. Лычагин, А.М. Лычагин // Экосистемы в цифровой экономике: драйверы устойчивого развития. - Санкт-Петербург, 2021. - С. 116-137.

124. Макарова, А.С. Амбивалентность функционального потенциала крылатого выражения Я - Шарли / А.С. Макарова // Вопросы теории и практики журналистики. 2017. - Т. 6. - № 4. - С. 566-577.

125. Малинецкий, Г.Г. О развитии прикладной математики, искусственного интеллекта и компьютерных вычислений // Г.Г. Малинецкий, В.С. Смолин // Препринты ИПМ им. М.В. Келдыша. 2021. - № 69. - С. 1-49.

126. Мальцева, Е.И. Семантические процессы при трансфере verba dicendi в язык искусства / Е.И. Мальцева // Вестник Московского государственного лингвистического университета. Гуманитарные науки. 2021. - № 9 (851). - С. 148161.

127. Матвеева, Л.А. Терминоведение / Л.А. Матвеева. - Омск: Изд-во Омского государственного университета, 2013. - 163 с.

128. Мельников, Г.П. Основы терминоведения / Г.П. Мельников. - Москва: Изд-во РУДН, 1991. - 115 с.

129. Милуд, М.Р. Продуктивные модели формирования метафор в нанокомпьютерной терминологии / М.Р. Милуд // Русистика без границ. 2020. - Т. 4. - № 1. - С. 30-39.

130. Михайлов, А.С. Изобретения С.Н. Корсакова / А. С. Михайлов // Корсаков С.Н. Начертание нового способа исследования при помощи машин, сравнивающих идеи / Пер. с франц. / под ред. А.С. Михайлова / Корсаков С.Н. -Москва: МИФИ, 2009. - С. 4-5.

131. Михайлов, А.С. Усиление возможностей разума - изобретения С.Н. Корсакова / А. С. Михайлов // Искусственный интеллект и принятие решений. 2016. - № 2. - С. 5-15.

132. Мокиенко, В.М. Функции фразем в современных СМИ / В.М. Мокиенко // Медиалингвистика. 2016. - № 3 (13). - С. 7-18.

133. Молодцов, Т.Р. Искусственный интеллект и этика: оправдывает ли цель средства? / Т. Р. Молодцов // Проблемы экономики и юридической практики. 2021. - Т. 17. - № 5. - С. 110-114.

134. Морковкин, В.В. Идеографические словари / В.В. Морковкин. -Москва: Моск. гос. ун-т им. Ломоносова, 1970. - 69 с.

135. Морозова, Л.А. Терминознание: Основы и методы / Л.А. Морозова. -Москва: ГНО «Прометей» МПГУ, 2004. - 143 с.

136. Мюллер, Д.П. Искусственный интеллект для чайников / Д. П. Мюллер и Л. Массарон / пер. с англ. В.А. Коваленко. - Москва; Санкт-Петербург: Диалектика, 2019. - 375 с.

137. Мякшин, К.А. Транстерминологизация и ее роль в формировании фонетической терминологии английского языка / К.А. Мякшин // European social science journal. 2014. - № 8-2 (47). - С. 221-223.

138. Никитина, С.Е. Семантический анализ языка науки: на материале лингвистики / С.Е. Никитина / Отв. ред. Н. А. Слюсарева. - Изд. 2-е, испр. и доп. -Москва: URSS: ЛИБРОКОМ, 2010. - 141 с.

139. Новиков, А.С. Структурный анализ науки: проблемы, поиски, открытия / А.С. Новиков. - Изд. 2-е, перераб. и доп. - Москва: URSS, 2015. - 474 с.

140. Новиков, Л.А. Гипонимия // Лингвистический энциклопедический словарь / под. ред. В.Н. Ярцевой. - Москва: Сов. энциклопедия, 1990. - С. 104.

141. Орешкина, М.В. Языковое законодательство российской федерации: тенденции и проблемы М.В. Орешкина // Вопросы филологии. 2020. -№ 1 (69). -С. 134-138.

142. Палютина, З.Р. Цивилизационный подход к терминологии / З.Р. Палютина. - Уфа: РИО БашГУ, 2002. - 171 с.

143. Петрова, А.А. Обучение дискурсивному анализу на уроках французского языка / А.А. Петрова, Н.Г. Гордеева // Лингводидактика и методика преподавания иностранных языков: актуальные вопросы и перспективы исследования: Сборник научных статей по материалам XXXI Международной научно-практической конференции. - Чебоксары, 2021. - С. 251-255.

144. Пиковер, К. Искусственный интеллект: иллюстрированная история: от автоматов до нейросетей / К. Пиковер / пер. с англ. А. Ефимовой. - Москва: Синдбад, 2021. - 220 с.

145. Поваров, Г.Н. Истоки российской кибернетики / Г.Н. Поваров. Москва: МИФИ, 2005. - 20 с.

146. Поздеева, Е.Г. Отношение к искусственному интеллекту: вызовы и реальность / Е.Г. Поздеева // Коммуникативные стратегии информационного общества. Труды XIII Международной научно-теоретической конференции. -Санкт-Петербург, 2021. - С. 10-15.

147. Попов, В.Л. Цифровизация в судебной экспертизе / В.Л. Попов // Искусственный интеллект и тренды цифровизации: техногенный прорыв как вызов праву. Материалы Третьего Международного транспортно-правового форума. - Москва, 2021. - С. 211-218.

148. Потемкина, О.Ю. Лучше, чем люди? политика ЕС в области искусственного интеллекта / О.Ю. Потемкина // Научно-аналитический вестник Института Европы РАН. 2019. - № 5. - С. 16-22.

149. Потопахин, В.В. Романтика искусственного интеллекта / В.В. Потопахин. - Москва: ДМК Пресс, 2017. - 168 с.

150. Пройдаков, Э.М. Англо-русский толковый словарь по искусственному интеллекту и робототехнике / Э. Пройдаков, Л. Теплицкий. - Москва, Берлин: Директ-Медиа, 2019. - 261 с.

151. Прохорова, В.Н. Русская терминология / В.Н. Прохорова. - Репр. изд. - Москва: Книга по требованию, 2013. - 125 с.

152. Путилова, Э.О. Понятийные характеристики концепта «искусственный интеллект» в английском и русском языках / Э.О. Путилова // Информация - Коммуникация - Общество (ИКО - 2019): Труды XVI Всероссийской научной конференции. Санкт-Петербург, 24-25 января 2019 г. -Санкт-Петербург: СПбГЭТУ, 2019. - С. 280-286.

153. Размыслов, П.В. Технологии искусственного интеллекта / П.В. Размыслов, А.О. Гварамия // Наука и образование: актуальные вопросы, достижения и инновации: сборник статей Международной научно-практической конференции. - Пенза, 2022. - С. 48-51.

154. Русский язык и советское общество: Социолого-лингвистическое исследование: В 4 кн. / под ред. М.В. Панова. - Москва: Наука, 1968. - 4 т. Кн. 1:

Лексика современного русского литературного языка / Авт. И.П. Мучник, М.В. Панов, Д.Н. Шмелев и др. 1968. - 184 с.

155. Сазонова, Т.Ю. Моделирование процессов идентификации слова человеком: психолингвистический подход / Т.Ю. Сазонова. - Тверь: Тверской государственный университет. 2000. - 134 с.

156. Серова, Т.С. Терминология в выражении структуры и функций дефиниций ключевых понятий в подъязыке сферы информационной безопасности / Т.С. Серова, Д.А. Филимонцев // Вестник Пермского национального исследовательского политехнического университета. Проблемы языкознания и педагогики. 2021. - № 3. - С. 8-23.

157. Сидорова, Е.А. Платформа для исследования аргументации в научно-популярном дискурсе / ЕА. Сидорова, И.Р. Ахмадеева, Ю.А. Загорулько, А.С. Серый, В.К. Шестаков // Онтология проектирования. 2020. - Т. 10. - № 4 (38). - С. 489-502.

158. Синелева, А.В. Фреймовый метод анализа структуры и содержания одноименных терминов (на материале терминов логики и философии) / А.В. Синелева. - Н. Новгород: НГТУ им. Р. Е. Алексеева, 2014. - 196 с.

159. Синелева, А. В. Языки для специальных целей в практике преподавания русского языка как иностранного / А. В. Синелева // Новые возможности в обучении русскому языку как иностранному и преподавании на русском языке: Сб.к ст. / Под редакцией И.Ю. Абрамовой. - Сербия-Россия: НИНГУ им. Н.И. Лобачевского, 2020. - С. 123-129.

160. Скурко, Е.В. Рецензия на книгу: Машинное право, этика и мораль в эпоху искусственного интеллекта / Под ред. С. Дж. Томпсона / Е.В. Скурко // Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 4: Государство и право. Реферативный журнал. 2022. - № 1. - С. 175-184.

161. Сложеникина, Ю.В. Терминология в лексической системе: функциональное варьирование: автореферат дис. ... д-ра филол. наук / Ю.В. Сложеникина. - Москва, 2006. - 36 с.

162. Сложеникина, Ю.В.(а) Нормализация и кодификация терминологии в условиях вариантности / Ю.В. Сложеникина, В.С. Звягинцев. - Самара: СФ МГПУ, 2018. - 112 с.

163. Сложеникина, Ю.В.(б) Основы терминологии: Лингвистические аспекты теории термина / Ю.В. Сложеникина. - Москва: Либроком, 2018. - 120 с.

164. Сложеникина, Ю.В.(в) Терминологическая вариативность: семантика, форма, функция / Ю.В. Сложеникина. - изд. стереотипное. - Москва: ЛКИ, 2018.

- 288 с.

165. Сложеникина, Ю.В. Терминологическая лексика в общеязыковой системе / Ю.В. Сложеникина. - Самара: СамГПУ, 2003. - 173 с.

166. Сорокина, Э.А. Основы теории языка для специальных целей / Э.А. Сорокина, Е.С. Закирова. - Москва: Дашков и К, 2014. - 150 с.

167. Степаненко, А.С. Искусственный интеллект в контексте философии техники / А.С. Степаненко // Известия высших учебных заведений. СевероКавказский регион. Общественные науки. 2006. - № S10. - С. 27-35.

168. Столяров, Ю.Н. Искусственный интеллект и книжная библиотечная отрасль: направления разработки проблемы / Ю.Н. Столяров // Научные и технические библиотеки. 2022. - № 1. - С. 17-34.

169. Суперанская, А.В. Общая терминология: Вопросы теории /

A.В. Суперанская, Н.В. Подольская, Н.В. Васильева. - 6-е изд. - Москва: УРСС, 2012. - 243 с.

170. Суперанская, А.В. Общая терминология: терминологическая деятельность / А.В. Суперанская, Н.В. Подольская, Н.В. Васильева. - Изд. 4-е. -Москва: Изд-во ЛКИ, 2013. - 288 с.

171. Табанакова, В.Д. Авторский термин: знаю, интерпретирую, перевожу /

B.Д. Табанакова. - Тюмень: Изд-во ТюмГУ, 2013. - 208 с.

172. Талапина, Э.В. Использование искусственного интеллекта в государственном управлении / Э.В. Талапина // Информационное общество. 2021.

- № 3. - С. 16-22.

173. Таран Т.А. Искусственный интеллект. Теория и приложения / Т.А. Таран, Д.А. Зубов. - Луганск: [б. и.], 2006. - 239 с.

174. Татаринов, В.А. Общее терминоведение: энциклопедический словарь /

B.А. Татаринов. - Москва: Московский Лицей, 2006. - 526 с.

175. Толковый словарь по искусственному интеллекту / авт.-сост. А.Н. Аверкин и др. - Москва: Радио и связь, 1992. - 254 с. [Электронный ресурс]. URL: http://raai.org/library/tolk/aivoc.html (дата обращения 20.01.2022).

176. Тупикова, С.Е. О когнитивных механизмах формирования тревожной тональности англо- и франкоязычного публицистического дискурса / С.Е. Тупикова, Е.А. Семухина // Научный результат. Серия: Вопросы теоретической и прикладной лингвистики. 2016. - Т. 2. - № 1 (7). - С. 39-43.

177. Успенский, В.М. Искусственный интеллект в диагностике заболеваний внутренних органов человека / В.М. Успенский // Информационные и телекоммуникационные технологии. 2021. - № 50. - С. 15-21.

178. Фещенко, В.В. Лингвокреативность в художественном и научном дискурсах / В.В. Фещенко // Лингвокреативность в дискурсах разных типов: Пределы и возможности: коллективная монография. - Москва, 2021. - С. 190-257.

179. Филиппова, И.А. Правовое регулирование искусственного интеллекта: учебное пособие / И.А. Филиппова. - Нижний Новгород: ННГУ, 2022. - 277 с.

180. Финк, Ж. О фразеосхемах в заглавиях хорватского публицистического дискурса / Ж. Финк // Медиалингвистика. 2016. - № 3 (13). - С. 83-91.

181. Хижняк, С.П. Когнитивная проблематика в общей теории термина /

C.П. Хижняк. - Саратов: Изд-во СГЮА, 2016. - 172 с.

182. Чернейко, Л. О. Лингво-философский анализ абстрактного имени / Л.О. Чернейко. - Москва, 1997. - 319 с.

183. Чернышова, Л.А. Отраслевая терминология в свете антропоцетрической парадигмы / Л.А. Чернышова. - Москва: Изд-во МГОУ, 2010. - 206 с.

184. Чернявская, В.Е. Научный дискурс: выдвижение результата как коммуникативная и языковая проблема / В.Е. Чернявская. - Москва: ЛЕНАНД, cop. 2017. - 139 с.

185. Что мы думаем о машинах, которые думают: ведущие мировые ученые об искусственном интеллекте / под ред. Д. Брокмана / пер. с англ. М. Исакова. - Москва: Альпина нон-фикшн, 2017. - 548 с.

186. Чухарев, Е.М. Когнитивная лингвистика и искусственный интеллект: результаты и тенденции взаимодействия / Е.М. Чухарев, А.А. Худяков // Вопросы когнитивной лингвистики. 2004. - № 2-3. - С. 93-105.

187. Шваб, К. Четвертая промышленная революция / К. Шваб / пер. с англ. ООО «Переведем.ру». - Москва: Издательство «Э», 2017. - 208 с.

188. Шелов, С.Д. Термин. Терминологичность. Терминологические определения / С.Д. Шелов. - Санкт-Петербург: Фил. фак. СПбГУ, 2003. - 280 с.

189. Шестерина, А.М. Влияние технологий искусственного интеллекта на видеопроизводство в сфере продвижения сетевого контента / А.М. Шестерина // Вестник Южно-Уральского государственного университета. Серия: Социально-гуманитарные науки. 2022. - Т. 22. - № 1. - С. 108-113.

190. Шмелева, Т.В. Модель речевого жанра / Т.В. Шмелева // Жанры речи: сб. науч. статей. - Вып. 1. Саратов: ГосУНЦ «Колледж», 1997. - С. 88-99.

191. Яковлева, Е.В. Актуальность междисциплинарного исследования искусственного интеллекта / Е.В. Яковлева // Современные исследования в гуманитарных и естественнонаучных отраслях: Сборник научных статей / Научный редактор В.И. Спирина. - Москва, 2020. - С. 54-61.

192. Якушина, А.С Терминологизация и транстерминологизация в криминалистическом дискурсе / А.С. Якушина // Сборник научных статей. -Казань, 2020. - С. 131-137.

Интернет-ресурсы

193. Российская ассоциация искусственного интеллекта (РАИИ) [Электронный ресурс]. URL: http://raai.org/ (дата обращения 01.02.2022).

194. Сайт Института языкознания РАН [Электронный ресурс]. URL: https://iling-ran.ru/web/ru/conferences/2020_lingforum (дата обращения 01.02.2022).

ПРИЛОЖЕНИЕ СЛОВНИК ТЕРМИНОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА1

Автоматизированная система - система, состоящая из персонала и комплекса средств автоматизации его деятельности, реализующая информационную технологию выполнения установленных функций.

Автоматизированный процесс - процесс, осуществляемый при совместном участии человека и средств автоматизации.

Автоматическая система - совокупность управляемого объекта и автономной СИИ, функционирующая самостоятельно, без участия человека.

Автоматическая система управления движением; АСУД - аппаратные и программные средства, которые в совокупности способны выполнять всю задачу управления движением в длительном режиме вне зависимости от того, ограничена ли она конкретными условиями эксплуатации.

Автоматический процесс - процесс, осуществляемый без участия человека.

Автоматический режим работы средств мониторинга водителя (СМВ) -

режим работы СМВ по мониторингу поведения, прогнозированию намерений водителей без участия человека (оператора).

Автоматическое распознавание речи (automatic speech recognition, ASR)

- способность системы принимать входную информацию в виде человеческой речи.

Автоматическое реферирование (automatic summarization) - задача сокращения фрагмента естественного языка при сохранении важной семантической информации.

Автономность (autonomy) - характеристика системы ИИ, связанная с ее способностью самостоятельно (без участия человека) выполнять возложенные на

1 Составлен по введенным ГОСТам, регламентирующим понятия и определения в сфере ИИ, и другим нормативным документам (представлены в списке литературы, источники 1-34).

нее функции в течение заданного времени и с заданными показателями качества, надежности, безопасности.

Агент (agent) - физический/программный объект, который оценивает собственное состояние, состояние других объектов и окружающей среды для выполнения своих действий, включая прогнозирование и планирование, которые максимизируют успешность, в том числе при неожиданном изменении оцениваемых состояний, достижения своих целей.

Агрессивное поведение - поведение человека или группы людей, явно указывающее либо на причинение физического и/или психологического вреда (ущерба) людям, имуществу и т. д. здесь и сейчас, либо на вероятность причинения вреда.

Адаптивное обучение - разновидность обучения, при котором для обучающегося формируется индивидуальная траектория обучения, опирающаяся на непрерывный анализ его персональных учебно значимых характеристик.

Адаптивные алгоритмы (adaptive algorithm) - алгоритмы, способные к дальнейшему «самообучению» с использованием потока входных данных в ходе практического применения, результаты работы такого алгоритма во время A (до обновления) и B (после обновления) могут отличаться.

Адаптированная образовательная программа - образовательная программа, адаптированная для обучения лиц с ограниченными возможностями здоровья с учетом особенностей их психофизического развития, индивидуальных возможностей и при необходимости обеспечивающая коррекцию нарушений развития и социальную адаптацию указанных лиц.

Алгоритм (algorithm) - конечное упорядоченное множество точно определенных правил для решения конкретной задачи.

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

Алгоритм обработки данных в СИИАУД - конечное упорядоченное множество точно определенных правил для решения задачи по преобразованию

данных, поступающих от датчиков АТС, в сигналы, передаваемые на механизмы управления АТС.

Анализ риска (risk analysis) - систематическое использование доступной информации для идентификации опасности и определения риска.

Анализ тональности (sentiment analysis) - задача вычислительной идентификации и категоризации мнений, выраженных в фрагменте текста, речи или изображения, для определения чувств и отношения от положительного к нейтральному и отрицательному.

Аналитическая валидация (analytical validation) - подтверждение способности системы искусственного интеллекта точно, воспроизводимо и надежно генерировать предполагаемые технические результаты вычислений из входных данных.

Аннотирование данных, разметка данных (data annotation) - процесс маркирования данных, выполняемый для того, чтобы сделать данные пригодными для машинного обучения.

Аномалия (anomaly) - любое условие или состояние, которое отклоняется от ожиданий, основанных на требованиях спецификаций, проектно-конструкторских документов, стандартов и т.д. или от чьего-то восприятия или опыта.

Аппаратное обеспечение - система взаимосвязанных технических устройств, предназначенных для ввода (вывода), обработки и хранения данных.

Аппаратно-программные средства с применением технологий искусственного интеллекта для колесных транспортных средств; АПС ИИ КТС - технические средства для колесных транспортных средств, функционирующие с применением технологий искусственного интеллекта.

АПС ИИ КТС для мониторинга поведения и прогнозирования намерений водителя (средства мониторинга водителя; СМВ) - аппаратно-программные средства с применением технологий искусственного интеллекта для колесных транспортных средств, обеспечивающие фото- и видеофиксацию области мониторинга, реализующее функции мониторинга поведения и

прогнозирования намерений водителя в автоматическом режиме и в заданных условиях и передачи зафиксированной информации в облачный сервис.

Архитектура вычислительной системы - конфигурация, состав и принципы взаимодействия (включая обмен данными) элементов вычислительной системы.

Архитектура системы искусственного интеллекта (architecture) -

концептуальная структура системы искусственного интеллекта, определяющая порядок обработки информации и включающая методы преобразования информации и принципы взаимодействия элементов (программных модулей, систем) системы искусственного интеллекта.

Аугментация данных (data augmentation) - процесс создания дополнительного набора данных из имеющегося набора данных.

Базовое значение показателя качества (baseline quality score) - значение показателя качества системы искусственного интеллекта, принятое за основу при сравнительной оценке ее качества.

Байесовская сеть (Bayesian network) - вероятностная модель, которая использует байесовский вывод на направленном ациклическом графе для вычисления вероятности.

Безопасная сумка - сумка, не являющаяся опасной.

Безопасное состояние (safe state) - текущее состояние системы автоматизации управления движением с приемлемым уровнем риска для оператора с/х машины или постороннего наблюдателя даже при том условии того, что система автоматизации управления движением не работает полностью или частично.

Безопасность (safety) - свойство системы искусственного интеллекта сохранять состояние, характеризующееся отсутствием недопустимого риска, при использовании ее по назначению в условиях, предусмотренных изготовителем.

Безопасность автоматизированного управления АТС - состояние, характеризуемое совокупностью параметров конструкции, включая функциональные характеристики СИИАУД, и технического состояния

транспортного средства, обеспечивающих недопустимость или минимизацию риска причинения вреда жизни или здоровью граждан, имуществу физических и юридических лиц, государственному или муниципальному имуществу, окружающей среде.

Безопасность информации [данных] - состояние защищенности информации [данных], при котором обеспечены ее [их] конфиденциальность, доступность и целостность.

Безопасность информационной технологии - состояние защищенности информационной технологии, при котором обеспечивается выполнение изделием, реализующим информационную технологию, предписанных функций без нарушений безопасности обрабатываемой информации.

Безопасность медицинских изделий (клиническая безопасность, безопасность) - отсутствие недопустимого риска причинения вреда жизни, здоровью человека и окружающей среде при использовании медицинского изделия по назначению в условиях, предусмотренных изготовителем.

Безопасность системы искусственного интеллекта - функционирование системы искусственного интеллекта в соответствии с тем, как определил изготовитель, при использовании по назначению в условиях, предусмотренных изготовителем, и без нарушений безопасности обрабатываемой информации.

Бесхозный предмет - предмет (объект), оставленный в сцене видеонаблюдения, принадлежность которого определить невозможно.

Библиотека знаний (knowledge library) - набор информационных (знаковых, символьных) моделей, которые выражают знания (также могут включать в себя определение моделей и их требования) о ряде вещей (понятий) и хранятся и воспроизводятся в электронном виде.

Большие данные (big data) - обширные наборы данных, главным образом, по таким характеристикам данных, как объем, разнообразие, скорость генерации и/или изменчивость, которые требуют использования технологии масштабирования для эффективного хранения, обработки, управления и анализа.

Бортовое телематическое оборудование - совокупность аппаратуры спутниковой навигации, а также штатного и дополнительного бортового оборудования, обладающего функциональными возможностями взаимодействия со штатными или дополнительно устанавливаемыми электронными системами ТС и позволяющими определить текущее местоположение ТС, а также направление и скорость его движения (по сигналам не менее двух действующих глобальных навигационных спутниковых систем), а также используемых для приема и передачи информации посредством сетей подвижной радиотелефонной связи, сетей ведомственной связи и (или) систем беспроводной связи ближнего радиуса действия.

Брошюра исследователя - сводное изложение актуальной клинической и неклинической информации об исследуемом медицинском изделии, относящейся к клиническим испытаниям.

Валидационная выборка - набор данных, на котором происходит оптимизация гиперпараметров системы искусственного интеллекта и выбор наилучшего алгоритма.

Валидация (validation) - подтверждение посредством представления объективных свидетельств того, что требования, предназначенные для конкретного использования или применения, выполнены.

Верификационная выборка - набор теневых рентгеновских изображений, передаваемых разработчикам алгоритма для задания требований к условиям работы алгоритма.

Верификация (verification) - подтверждение посредством предоставления объективных доказательств того, что установленные требования были полностью выполнены.

Верификация данных - проверка достоверности и целостности данных, размещаемых в платформе «Автодата» поставщиками данных.

Версия (version) - идентифицируемый отдельный вариант элемента конфигурации.

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.

Вид (view) - множество соответствующих классов (таксономическая единица, объединяющая множество соподчиненных объектов с общими сущностными признаками).

Видеоаналитика; ВА - технология, использующая методы компьютерного зрения для автоматизированного получения данных на основании анализа изображений или последовательностей изображений (видеопотоков).

Видеоаналитический детектор (детектор видеоаналитики) -функциональный модуль системы видеоаналитики, осуществляющий анализ изображений по заданному алгоритму анализа видеоизображений или набору алгоритмов.

Видеокамера - техническое средство, предназначенное для преобразования оптического изображения в видеоданные.

Витрина данных - срез хранилища данных, представляющий собой набор данных, подготовленных для предоставления потребителю в качестве услуги.

Владельцы автомобильных дорог - исполнительные органы государственной власти, местная администрация (исполнительно-распорядительный орган муниципального образования), физические или юридические лица, владеющие автомобильными дорогами на вещном праве в соответствии с законодательством Российской Федерации.

Водитель - лицо, управляющее каким-либо транспортным средством.

Возгорание (открытое пламя) - сценарий, при котором в сцене видеонаблюдения присутствует открытый огонь.

Воспроизводимость - свойство процесса получать одинаковые результаты испытаний в разных средах испытаний.

Встроенная система (embedded system) - специализированная система, в которой СИИ обычно встроена в объект, которым она управляет.

Входные данные о дорожной обстановке - текущие данные о дорожной обстановке вокруг АТС, движение которого управляется системой искусственного интеллекта. Источниками входных данных о дорожной обстановке являются бортовые камеры, радары, лидары, данные из кооперативных интеллектуальных транспортных систем (V2X) и других источников.

Выборка (sample) - набор данных, представляющий собой подмножество генеральной совокупности.

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.

Выброс (outlier) - элемент маломощного подмножества выборки, существенно отличающийся от остальных элементов выборки.

Высокоавтоматизированная сельскохозяйственная машина (highly automated agricultural machine) - сельскохозяйственная машина, оборудованная системой автоматизации управления движением.

Вычислительная система - предназначенные для решения задач и обработки данных (в том числе вычислений) программно-аппаратный комплекс или несколько взаимосвязанных комплексов, образующих единую инфраструктуру.

Вычислительные средства (средства вычислительной техники) -

технические средства, непосредственно осуществляющие обработку данных.

Генеральная совокупность (general sample) - репрезентативное множество всех возможных прецедентов.

Генерация естественного языка (natural language generation, NLG) -задача преобразования семантики данных в естественный язык.

Генетический алгоритм (genetic algorithm) - алгоритм решения оптимизационных задач, имитирующий естественный отбор путем создания и развития популяций особей (решения).

Гетерономность, гетерономный (heteronomy, heteronomous) -

характеристика системы, определяющая возможность системы функционировать в условиях ограничений, связанных с внешним управлением или воздействием.

Гиперпараметр (в машинном обучении) - параметры системы искусственного интеллекта, значения которых задается до начала обучения и не изменяется в процессе обучения.

Главный исследователь (principal investigator) - квалифицированное лицо, ответственное за проведение клинических испытаний в медицинской организации (МО).

Глубокое обучение (deep learning) - подход к созданию обширных иерархических представлений посредством обучения нейронных сетей с большим количеством скрытых слоев.

Голосовые аудиосообщения - аудиосообщения средства мониторинга водителю КТС, созданные путем имитации или записи голоса человека.

Грабеж - открытое хищение чужого имущества.

Данные (data) - поддающееся многократной интерпретации представление информации в формализованном виде, пригодном для передачи, интерпретации, или обработки.

Данные платформы «Автодата» - информация, получаемая в результате выполнения платформой «Автодата» своих функций, в виде документов, сообщений, данных.

Данные реальной клинической практики (real-world data, RWD) -

информация о состоянии здоровья пациентов и/или об оказании медицинской помощи, полученные из различных источников вне рамок предрегистрационных клинических исследований.

Датчик - средство измерений, предназначенное для выработки сигнала измерительной информации в форме, удобной для передачи, дальнейшего преобразования, обработки и (или) хранения, но не поддающейся непосредственному восприятию наблюдателем.

Движение в запрещенной зоне - сценарий, при котором тревожным считается факт движения объекта в определенной эоне.

Девиантное поведение (Нрк. отклоняющееся поведение) - нехарактерное для контекста наблюдаемой среды поведение человека или группы людей, воплощенное в его действиях.

Действие (activity) - множество связанных задач процесса.

Делинквентное поведение (противоправное поведение) - поведение человека или группы людей, воплощенное в действиях, за которые предусмотрена правовая ответственность.

Деревья решений (decision trees) - модель, вывод для которой кодируется путями от корня к листовой вершине в древовидной структуре.

Детекция [детектирование] объекта - функция системы видеоаналитики, заключающаяся в автоматизированном определении положения и границ объекта на изображении в сцене видеонаблюдения.

Динамические данные - данные, получаемые платформой «Автодата» от телематических платформ автопроизводителей, платформ сервис-провайдеров, интеллектуальных транспортных систем, включающие данные о динамике, режиме движения ТС, навигационные данные, данные о текущих условиях использования ТС, данные о безопасности водителя и пассажиров ТС, экологические данные, данные диагностики технического состояния ТС, данные, поступающие от элементов дорожной инфраструктуры и др.

Доверенная система искусственного интеллекта - система искусственного интеллекта, в отношении которой потребитель и, при необходимости, организации, ответственные за регулирование вопросов создания и применения систем искусственного интеллекта, проявляют доверие.

Доверие к системе искусственного интеллекта (Trustworthiness) -уверенность потребителя. и при необходимости, организаций, ответственных за регулирование вопросов создания и применения систем искусственного интеллекта, и иных заинтересованных сторон в том, что система способна выполнять возложенные на нее задачи с требуемым качеством.

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.

Дополнительная информация - информация, размещаемая в платформе «Автодата», в отношении которой законодательством Российской Федерации не установлена обязательность ее предоставления для размещения в платформе «Автодата».

Дорожно-транспортная ситуация - последовательность развивающихся на дороге событий, обусловленных взаимодействием транспортного средства и других участников движения, а также условий внешней среды в определенных пространственно-временных границах.

Достоверность - степень объективного соответствия результатов испытаний действительному изменению в состоянии группы пациентов, для которых система ИИ используется или предполагается к использованию.

Доступность (availability) - свойство быть готовым к использованию по требованию уполномоченного лица.

Дым - сценарий, при котором в сцене видеонаблюдения присутствует дым либо источник дыма.

Естественность синтезированной речи - величина, характеризующая субъективную оценку соответствия звучания синтезированной речи естественному произношению.

Естественный язык (natural language) - язык, который активно используется или использовался в обществе людей, правила которого в основном определяются практикой его использования.

Жизненный цикл (life cycle) - развитие системы, продукции, услуги, проекта или другой создаваемой человеком сущности от замысла до списания.

Жизненный цикл данных (data lifecycle) - последовательность этапов, через которые проходят данные от начального этапа формирования до момента уничтожения.

Заданные условия - особенности конкретной наблюдаемой среды, с учетом которых устанавливаются ограничения использования средств мониторинга поведения и прогнозирования намерений людей.

Задача (task) - набор действий, выполняемых для достижения конкретной

цели.

Задача обработки естественного языка (NLP task) - задача, для выполнения которой требуется обработка естественного языка с применением ИИ.

Задержка обнаружения - интервал времени между возникновением обнаруживаемой ситуации на сцене видеонаблюдения и временем формирования системой информационного сигнала об обнаружении ситуации.

Задымление (туман) - снижение прозрачности воздуха или газовой среды в сцене видеонаблюдения. связанное с повышением концентрации дыма, водяного или иного лара.

Заинтересованное лицо (stakeholder) - любое физическое лицо, группа или организация, которые могут влиять, оказаться под влиянием, либо считать, что на них повлияло определенное решение или действие.

Запрос на изменение (change request) - документированная спецификация изменения, которое будет выполнено в программном обеспечении.

Зарегистрированное событие - ситуация или сценарий в сцене видеонаблюдения, зарегистрированные в результате анализа видеоизображения системой видеоаналитики.

Защищенность (security) - защита информации, данных и программного кода системы искусственного интеллекта от чтения или изменения их посторонними людьми и системами таким образом, чтобы авторизованным лицам и системам доступ к ним запрещен не был.

Заявитель (sponsor) - физическое или юридическое лицо (разработчик, изготовитель (производитель) или уполномоченный представитель изготовителя (производителя), которое для подтверждения соответствия системы ИИ заключает

с выбранной медицинской организацией договор на проведение клинических испытаний.

Знания (knowledge) - информация об объектах, событиях, понятиях и правилах, их отношениях и свойствах, упорядоченная для целевого систематического использования.

Знания (в искусственном интеллекте) (knowledge) - совокупность фактов, событий, убеждений, а также правил, организованных для систематического применения.

Идентификация (распознавание) объекта - функция системы видеоаналитики, заключающаяся в установлении соответствия экземпляра объекта в сцене видеонаблюдения по характерным признакам объекту из предварительно сформированного перечня.

Извлечение взаимосвязей (relationship extraction) - задача определения отношений между именованными сущностями или другими объектами, упомянутыми в тексте.

Извлечение знаний - процесс применения методов и моделей анализа к данным для обнаружения ранее неизвестных, нетривиальных, практически полезных обработанных данных, доступных для интерпретации и применения для принятия решений.

Изготовитель (производитель) (manufacturer) - физическое или юридическое лицо, несущее ответственность за разработку, производство, упаковку и маркировку изделия, прежде чем оно займет место на рынке под собственным наименованием независимо от того, выполняются эти действия данным лицом непосредственно или привлеченным третьим лицом.

Изнасилование - половое сношение с применением насилия или с угрозой его применения к потерпевшей или к другим лицам либо с использованием беспомощного состояния потерпевшей, либо других лиц.

ИК-прожектор СМВ - искусственный источник инфракрасного излучения, встроенный в СМВ.

Имитационная модель - частный случай математической модели процесса, явления, который представляет процесс с определенной точностью.

Индивидуальная траектория обучения - последовательность учебных задач и материалов, которая формируется исходя из анализа персональных характеристик обучающегося и целей обучения.

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

Интеллектуальная транспортная система; ИТС - система управления, интегрирующая современные информационные и телематические технологии и предназначенная для автоматизированного поиска и принятия максимально эффективных сценариев управления транспортно-дорожным комплексом региона, конкретным транспортным средством или группой транспортных средств с целью обеспечения заданной мобильности населения, максимизации показателей использования дорожной сети, повышения безопасности и эффективности транспортного процесса, комфортности для водителей и пользователей транспорта.

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.

Интерактивное электронное техническое руководство - совокупность электронных документов, технических данных и программно-технических средств, предназначенная для информационного обеспечения процессов использования по назначению и технической эксплуатации изделия и (или) его составных частей и предоставляющая пользователям возможность прямой и обратной связи между пользователем и руководством в режиме реального времени с помощью интерфейса электронной системы отображения.

Интерактивное электронное техническое руководство с применением технологий искусственного интеллекта и дополненной реальности -

интерактивное электронное техническое руководство, в котором используются технологии искусственного интеллекта и технологии дополненной реальности.

Интернет вещей (internet of thing) - инфраструктура взаимосвязей сущностей, систем и информационных ресурсов совместно с сервисами, которые снимают с вещей первичные данные, обрабатывают и выдают информацию для физического или виртуального мира.

Интероперабельная система (interoperable system) - система, в которой входящие в нее подсистемы работают по независимым алгоритмам, не имеют единой точки управления, все управление определяется единым набором стандартов - профилем интероперабельности.

Интероперабельность (interoperability) - способность двух или более информационных систем или компонентов к обмену информацией, в том числе на организационном, семантическом и техническом уровнях, и к использованию информации, полученной в результате обмена.

Интонационная разборчивость речи - относительное количество правильно синтезированных фраз по заданному тексту с учетом интонационного оформления.

Интонационное оформление синтезированной речи - реализация в синтезированной речи интонаций высказывания, соответствующей знакам препинания в тексте.

Информационная безопасность (information security) - защита конфиденциальности, целостности и доступности информации; кроме того, сюда могут быть отнесены и другие свойства, например аутентичность, подотчетность, безотказность и надежность.

Информационная система - совокупность содержащейся в базах данных информации и обеспечивающих ее обработку информационных технологий и технических средств.

Информационная технология (information technology) - методы, способы, приемы и процессы обработки (сбора, накопления, ввода-вывода, приема-передачи, хранения, поиска, регистрации, преобразования, анализа и

синтеза, предоставления, отображения, распространения и уничтожения) информации с применением программных и технических средств.

Информационно-образовательная среда (ИОС) - система инструментальных средств и ресурсов, обеспечивающих условия для реализации образовательной деятельности на основе информационно-коммуникационных технологий.

Искусственный интеллект (artificial intelligence) - комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма экспертом (врачом-пользователем), включающего элементы интуиции, и получать при выполнении обработки данных результаты, сопоставимые как минимум с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает методы машинного обучения, процессы и сервисы по обработке данных и поиску решений с использованием информационно-коммуникационной инфраструктуры.

Искусственный интеллект (artificial intelligence, AI) - дисциплина о создании и изучении ИИ.

Источник данных [информации] платформы «Автодата» -информационная система, содержащая данные, которые предназначены для передачи в платформу «Автодата».

Исчезающий градиент (vanishing gradient) - эффект при обучении нейронных сетей, при котором значение функции ошибок перестает уменьшаться с дополнительными итерациями процесса обучения.

Исчезнувший предмет - предмет (объект), изъятый из сцены видеонаблюдения без возможности определения человека или иного объекта, осуществившего изъятие.

Качество (quality) - совокупность характеристик и свойств системы ИИ, обусловливающих ее способность удовлетворять установленным или предполагаемым требованиям в соответствии с ее назначением.

Качество системы искусственного интеллекта - совокупность свойств и характеристик системы искусственного интеллекта, влияющих на его способность действовать по назначению при условии соответствия требованиям технической и эксплуатационной документации изготовителя (производителя).

Киберфизическая система (cyber-physical system) - информационно-технологическая концепция. подразумевающая интеграцию вычислительных ресурсов в физические процессы. В такой системе датчики, оборудование и информационные системы соединены на протяжении всей цепочки в логику управления для создания стоимости, выходящей за рамки одного предприятия или бизнеса. Эти системы взаимодействуют друг с другом с помощью стандартных интернет-протоколов для прогнозирования. самонастройки и адаптации к изменениям.

Класс (class) - описание множества объектов, для которых имеются одни и те же атрибуты, операции. методы, взаимосвязи и семантики.

Класс ситуаций [сценариев] - характеристика ситуаций [сценариев], классифицирующая принадлежность тех или иных ситуаций [сценариев] по области применения систем ситуационной видеоаналитики по основанию принадлежности к определенной отрасли (например, промышленное производство, здравоохранение, обеспечение безопасности) или сфере человеческой деятельности.

Классификационная схема - классификационная структура, основанная на отношениях подчинения.

Классификация (classification) - способ и результат упорядочения, структуризации некоторого множества объектов, разделения его на определенные подмножества путем артикуляции, выделения некоторого признака объектов исходного множества как основания их структуризации по данному признаку. Такого рода признак называется основанием классификации.

Классификация объекта - функция системы видеоаналитики, заключающаяся в распознавании в сцене видеонаблюдения принадлежности объекта к определенному классу.

Клиническая валидация (dinical validation) - оценка способности системы искусственного интеллекта выдавать клинически значимые выходные данные, связанные с целевым использованием выходных данных системы искусственного интеллекта, заданных в инструкции по применению, эксплуатационной документации.

Клиническая корреляция - клиническая взаимосвязь между выходными данными ПО как медицинского изделия с его предусмотренными условиями использования.

Клиническая оценка (clinical еvaluation) - результат процесса анализа и оценки клинических данных, имеющих отношение к медицинскому изделию, с целью проверки заявленной его изготовителем клинической результативности и клинической безопасности изделия при применении его в соответствии с назначением и в условиях, предусмотренных изготовителем.

Клинические испытания (clinical trial) - разработанные и запланированные испытания, предпринятые в том числе с участием человека в качестве субъекта, проводимые для оценки безопасности, функциональных и технических характеристик медицинского изделия.

Когнитивные вычисления (cognitive computing) - класс технологий ИИ, предназначенных для обеспечения более естественного взаимодействия людей с машинами.

Кодификатор элементов содержания - структурированный в виде иерархического дерева перечень основных элементов содержания учебного курса.

Компьютерное зрение (compter vision) - способность функционального блока получать, обрабатывать и интерпретировать визуальные данные.

Коннекционистская модель, коннекционистский подход, коннекционизм (connectionist model, connectionist approach, connectionism) -вид когнитивного моделирования, при котором используется сеть взаимосвязанных единиц, обычно являющихся простыми вычислительными единицами.

Контрастность изображения - отношение яркостей наиболее светлого и темного участков видеоизображения, сформированного видеокамерой.

Контролируемая зона - зона в сцене видеонаблюдения, внутри границ которой осуществляется обнаружение объектов, ситуаций или сценариев.

Контрольная выборка - набор данных, на котором происходит оценка качества работы системы искусственного интеллекта.

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.

Кооперативные интеллектуальные транспортные системы (V2X) -системы, использующие У2Х-взаимодействие - обмен информацией между автомобилем (V: от англ. vehice - автомобиль, транспортное средство) и любым другим объектом (другими автомобилями, дорожной инфраструктурой, пешеходами и пассажирами и т. д.) посредством технологий беспроводной связи.

Кража - тайное хищение чужого имущества.

Критерий оценки качества (quality assessment criterion) - набор определенных и задокументированных правил и условий, которые используются для решения о приемлемости общего качества конкретной системы искусственного интеллекта.

Критический дефект - дефект, при наличии которого использование продукции по назначению практически невозможно или недопустимо.

Лексема (lexeme) - абстрактная единица, обычно связанная с набором словоформ, имеющих общее значение.

Ложноотрицательный результат (ошибка второго рода) - ошибка, заключающаяся в том, что принимают нулевую гипотезу, в то время как в действительности эта гипотеза неверна.

Ложноположительный результат (ошибка первого рода) - ошибка, заключающаяся в том, что отвергают нулевую гипотезу, в то время как в действительности эта гипотеза верна.

Малозначительный дефект - дефект, который существенно не влияет на использование продукции по назначению и ее долговечность.

Маркирование частей речи (part-of-speech tagging) - задача, которая присваивает лексеме категорию на основе ее грамматических свойств.

Машинное обучение (machine learning) - процесс автоматического обучения и совершенствования поведения системы искусственного интеллекта на основе обработки массива обучающих данных без явного программирования.

Машинный перевод (machine translation) - автоматический перевод текста или речи с одного естественного языка на другой с помощью компьютерной системы.

Машины опорных векторов (support vector machines) - модель машинного обучения, которая максимизирует расстояние между границами решения.

Медицинская организация - юридическое лицо, независимо от организационно-правовой формы осуществляющее в качестве основного (уставного) вида деятельности медицинскую деятельность на основании лицензии, выданной в порядке, установленном законодательством.

Медицинские изделия - изделия, предназначенные изготовителем для профилактики, диагностики, лечения и медицинской реабилитации заболеваний, мониторинга состояния организма человека, проведения медицинских исследований, восстановления, замещения, изменения анатомической структуры или физиологических функций организма, контроля зачатия и развития плода в процессе медицинской деятельности или самостоятельного применения пациентом по рекомендации (назначению) медицинского работника. Функциональное назначение МИ не реализуется путем фармакологического воздействия на организм человека. МИ могут применяться самостоятельно или в сочетании с другими медицинскими и/или немедицинскими изделиями, принадлежностями.

Межкамерный трекинг - реидентификация движущегося в наблюдаемой сцене объекта при перемещении объекта между зонами наблюдения разных видеокамер.

Менеджмент риска (risk management) - систематическое применение политики, процедур и практических методов менеджмента для решения задач анализа, оценивания, управления и мониторинга риска.

Метаданные (metadata) - данные о данных или элементах данных, которые могут включать описание, а также сведения о владельце данных, путях доступа к ним, правах доступа и изменчивости данных.

Метаданные в отрасли видеоаналитики - это данные, получаемые в результате анализа видеоизображений системой видеоаналитики, описывающие сцену видеонаблюдения, ситуации, сценарии, происходящие на сцене видеонаблюдения, а также технические данные о видеоизображении: частота кадров, разрешение видеоизображения, формат компрессии и др.

Методика (метод) измерений - совокупность конкретно описанных операций, выполнение которых обеспечивает получение результатов измерений для системы искусственного интеллекта с установленными показателями точности.

Метрика (metric) - материальная мера некоторых аспектов характеристик качества.

Метрика (в машинном обучении) - функция количественной оценки качества работы алгоритмов искусственного интеллекта на некоторой выборке.

Микросон - смыкание век продолжительностью более 500 миллисекунд.

Минимальный уровень результативности - достижение уровня знаний, умений и навыков по предметной области обучающимся, позволяющего успешно пройти промежуточную и итоговую аттестацию.

Многоагентная система (multyagency system) - система, состоящая из множества взаимодействующих интеллектуальных агентов. Многоагентные системы могут решить проблемы, которые трудны или невозможны для отдельного агента или для единой (монолитной) системы.

Модель (model) - физическое, математическое или иное адекватное представление системы, объекта, эффекта, процесса или данных.

Модель жизненного цикла (life cycle model) - структурная основа процессов и действий, относящихся к жизненному циклу, которая также служит в качестве общего эталона для установления связей и понимания.

Модель знаний (knowledge model) - информационная модель, которая выражает знания в структуре, интерпретируемой компьютером.

Модель машинного обучения (machine learning model) - математическая модель, которая генерирует вывод, или предсказание, на основе входных данных.

Мониторинг (monitoring) - деятельность, связанная с наблюдением за ходом клинических испытаний для проверки того, что данные испытания проводятся и записываются, а отчет формируется в соответствии с программой испытаний, документированными процедурами, настоящим стандартом и применимыми регулирующими требованиями.

Мониторинг поведения - процесс регистрации поведения, в ходе которого происходит анализ поведения людей либо групп людей.

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.

Наблюдаемая среда - совокупность заданных условий, которые попадают в область применения средства мониторинга.

Набор данных (dataset) - совокупность данных, прошедших предварительную подготовку (обработку) в соответствии с требованиями законодательства Российской Федерации об информации, информационных технологиях и о защите информации и необходимых для разработки программного обеспечения на основе искусственного интеллекта.

Набор медицинских данных (набор данных) - совокупность медицинских данных, в том числе соответствующих им метаданных, организованных по определенным правилам и принципам описания.

Набор обучающих данных (training data set) - целевое множество обучающих данных.

Надежность (reliability) - свойство системы искусственного интеллекта сохранять во времени способность выполнять требуемые функции при использовании ее по назначению в условиях, предусмотренных изготовителем.

Намерение (человека, группы людей) - интенция (направленность), включающая в себя программу реализации целенаправленного поведения человека или группы людей и проявляющаяся в поведенческих, психофизиологических и других признаках.

Натурное (сценарное) испытание - испытание, при проведении которого эксплуатационные характеристики системы определяются с помощью прототипа системы технического зрения.

Незаконное (опасное) вложение; опасные предметы - предмет либо вещество, запрещенные к провозу либо проносу на территорию аэропорта.

Нейрон (neuron) - элементарный элемент обработки данных, который принимает одно или несколько входных значений и производит выходное значение с использованием функции активации от входных значений.

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

Нейронная сеть, 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.

Нейротехнологии - технологии, которые используют или помогают понять работу мозга, мыслительные процессы, высшую нервную деятельность, в том числе технологии по усилению, улучшению работы мозга и психической деятельности.

Непреднамеренные последствия (unintended consequence) -

нежелательный и негативный исход события, приводящий к ухудшению одной или более характеристик системы.

Непрерывное обучение, постоянное обучение, обучение на протяжении всей жизни (continuous learning, continual learning, lifelong learning) -

последовательное обучение системы ИИ, которое происходит на постоянной основе на всем этапе эксплуатации жизненного цикла системы ИИ.

Непрерывный периметр - свойство периметра, при котором обеспечивается фактическая непрерывность контролируемых границ физической области, на которой осуществляется видеонаблюдение.

Нетипичное поведение - поведение объектов в сцене видеонаблюдения, статистически значимо отличающееся от поведения, наиболее характерного для наблюдаемой сцены.

Нормализация текста - преобразование встречающихся в тексте чисел, аббревиатур, сокращений, символов, дат, иноязычных слов в соответствии с литературной нормой произнесения.

Нормализованные данные - данные, полученные на основе первичных данных путем их приведения к единому принятому виду, формату, системе измерения, а также политикам платформы «Автодата».

Нормальный темп синтезированной речи - синтез речи по тексту со скоростью около 8-12 звуков в секунду. В целях удобства измерения скорость можно измерять в буквах в секунду. Для русского языка это будет те же 8-12 звуков в секунду. Точность измерения в буквах в секунду достаточна для определения класса темпа речи.

Нормативная документация - документы, регламентирующие требования безопасности, качества, а также предполагаемую эффективность предусмотренного применения и методы контроля соответствия медицинского изделия этим требованиям.