Индустрия 4. Курсовая. Индустрия Перспективы развития программирования.
 Скачать 1.85 Mb.
|
2.2Нейросети как новый этап развития программированияИстория искусственных нейронных сетей (ANN) началась с Уоррена Маккаллоха и Уолтера Питтса[1] (1943), которые создали вычислительную модель для нейронных сетей, основанную на алгоритмах, называемых пороговой логикой. Эта модель проложила путь для разделения исследований на два подхода. Один подход был сосредоточен на биологических процессах, в то время как другой был сосредоточен на применении нейронных сетей к искусственному интеллекту. Эта работа привела к работе над нейронными сетями и их связью с конечными автоматами. Хеббианское обучение В начале 1940-х годов Д. О. Хебб создал гипотезу обучения, основанную на механизме нейронной пластичности, которая стала известна как хеббианское обучение. Хеббианское обучение - это обучение без учителя. Это превратилось в модели для долгосрочного потенцирования. Исследователи начали применять эти идеи к вычислительным моделям в 1948 году с помощью машин B-типа Тьюринга. Фарли и Кларк (1954) впервые использовали вычислительные машины, тогда называемые "калькуляторами", для моделирования сети Хебба. Другие вычислительные машины с нейронными сетями были созданы Рочестером, Холландом, Хабитом и Дудой (1956). Розенблатт (1958) создал персептрон, алгоритм распознавания образов. Используя математические обозначения, Розенблатт описал схемы, отсутствующие в базовом персептроне, такие как схема исключающего или, которая в то время не могла быть обработана нейронными сетями. В 1959 году биологическая модель, предложенная нобелевскими лауреатами Хьюбелом и Визелем, была основана на их открытии двух типов клеток в первичной зрительной коре: простых клеток и сложных клеток. Первые функциональные сети со многими слоями были опубликованы Ивахненко и Лапой в 1965 году как групповой метод обработки данных. Исследования застопорились после исследования машинного обучения Мински и Паперта (1969), которые обнаружили две ключевые проблемы с вычислительными машинами, обрабатывающими нейронные сети. Во-первых, базовые персептроны были неспособны обрабатывать схему исключающего или. Во-вторых, компьютеры не обладали достаточной вычислительной мощностью для эффективного выполнения работы, требуемой большими нейронными сетями. Исследования нейронных сетей замедлились, пока компьютеры не достигли гораздо большей вычислительной мощности. Большая часть искусственного интеллекта была сосредоточена на высокоуровневых (символьных) моделях, обрабатываемых с помощью явных алгоритмов, характеризующихся, например, экспертными системами со знаниями, воплощенными в правилах if-then, пока в конце 1980-х годов исследования не расширились до низкоуровневого (субсимволического) машинного обучения, характеризующегося знаниями, воплощенными впараметры когнитивной модели. Обратное распространение Ключевым стимулом для возобновления интереса к нейронным сетям и обучению стал алгоритм обратного распространения Вербоса (1975), который позволил проводить практическое обучение многослойным сетям. Обратное распространение распределило член ошибки обратно по слоям, изменив веса в каждом узле. В середине 1980-х годов параллельная распределенная обработка данных стала популярной под названием коннекционизм. Румелхарт и Макклелланд (1986) описали использование коннекционизма для моделирования нейронных процессов. Машины опорных векторов и более простые методы, такие как линейные классификаторы, постепенно вытеснили нейронные сети. Однако нейронные сети трансформировали такие области, как предсказание белковых структур. В 1992 году было введено максимальное объединение, чтобы обеспечить наименьшую инвариантность сдвига и устойчивость к деформации для облегчения распознавания 3D-объектов. В 2010 году обучение обратному распространению с помощью максимального объединения было ускорено графическими процессорами и показало, что оно работает лучше, чем другие варианты объединения. Проблема исчезающего градиента затрагивает многослойные сети прямой связи, которые использовали обратное распространение, а также рекуррентные нейронные сети (RNN). Поскольку ошибки распространяются от слоя к слою, они экспоненциально уменьшаются с увеличением количества слоев, препятствуя настройке весов нейронов, основанной на этих ошибках, особенно затрагивая глубокие сети. Чтобы преодолеть эту проблему, Шмидхубер принял многоуровневую иерархию сетей (1992), предварительно обучаемых по одному уровню за раз путем неконтролируемого обучения и дорабатываемых путем обратного распространения. Бенке (2003) полагался только на знак градиента (Rprop) в таких задачах, как реконструкция изображения и локализация лица. Хинтон и др. (2006) предложили изучать высокоуровневое представление с использованием последовательных слоев двоичных или вещественных скрытых переменных с ограниченной машиной Больцмана для моделирования каждого слоя. После изучения достаточного количества уровней глубинную архитектуру можно использовать в качестве генеративной модели путем воспроизведения данных при выборке модели ("наследственный проход") из активаций функций верхнего уровня. В 2012 году Нг и Дин создали сеть, которая научилась распознавать понятия более высокого уровня, такие как кошки, только при просмотре немаркированных изображений, взятых из видеороликов YouTube. Более ранние проблемы в обучении глубоких нейронных сетей были успешно решены с помощью таких методов, как неконтролируемое предварительное обучение, в то время как доступная вычислительная мощность увеличилась за счет использования графических процессоров и распределенных вычислений. Нейронные сети использовались в больших масштабах, особенно в задачах распознавания изображений и визуального распознавания. Это стало известно как "глубокое обучение". Аппаратные конструкции Развитие очень крупномасштабной интеграции металл–оксид–полупроводник (MOS) (VLSI) в форме дополнительной технологии MOS (CMOS) позволило разработать практические искусственные нейронные сети в 1980-х годах. Вычислительные устройства были созданы в CMOS, как для биофизического моделирования, так и для нейроморфных вычислений. Наноустройства для анализа и свертки основных компонентов очень большого масштаба могут создать новый класс нейронных вычислений, потому что они в основном аналоговые, а не цифровые (хотя в первых реализациях могут использоваться цифровые устройства).Сиресан и его коллеги (2010) в группе Шмидхубера показали, что, несмотря на проблему исчезающего градиента, графические процессоры делают возможным обратное распространение для многослойных нейронных сетей с прямой связью. Сверточные нейронные сети По состоянию на 2011 год, современное состояние в сетях прямого прямого обучения чередовалось между сверточными слоями и слоями с максимальным объединением, на вершине которых находилось несколько полностью или слабо связанных слоев, за которыми следовал конечный уровень классификации. Обучение обычно осуществляется без предварительной подготовки без учителя. Сверточный слой включает в себя фильтры, которые свернуты с вводом. Каждый фильтр эквивалентен вектору весов, который должен быть обучен. Такие контролируемые методы глубокого обучения были первыми, которые позволили достичь производительности, конкурентоспособной с человеком, в определенных практических приложениях. ANN смогли гарантировать инвариантность сдвига для работы с маленькими и большими природными объектами в больших загроможденных сценах, только когда инвариантность простиралась за пределы сдвига, ко всем понятиям, изученным ANN, таким как местоположение, тип (метка класса объекта), масштаб, освещение и другие. Это было реализовано в сетях развития (DNs), воплощениями которых являются сети Где-Что, WWN-1 (2008) через WWN-7 (2013). Что собой представляют нейронные сети и какие задачи они могут решать Нейронные сети — одно из направлений в разработке систем искусственного интеллекта. Идея заключается в том, чтобы максимально близко смоделировать работу человеческой нервной системы — а именно, её способности к обучению и исправлению ошибок. В этом состоит главная особенность любой нейронной сети — она способна самостоятельно обучаться и действовать на основании предыдущего опыта, с каждым разом делая всё меньше ошибок. Нейросеть имитирует не только деятельность, но и структуру нервной системы человека. Такая сеть состоит из большого числа отдельных вычислительных элементов («нейронов»). В большинстве случаев каждый «нейрон» относится к определённому слою сети. Входные данные последовательно проходят обработку на всех слоях сети. Параметры каждого «нейрона» могут изменяться в зависимости от результатов, полученных на предыдущих наборах входных данных, изменяя таким образом и порядок работы всей системы. Руководитель направления «Поиск Mail.ru» в Mail.Ru Group Андрей Калинин отмечает, что нейронные сети способны решать такие же задачи, как и другие алгоритмы машинного обучения, разница заключается лишь в подходе к обучению. Все задачи, которые могут решать нейронные сети, так или иначе связаны с обучением. Среди основных областей применения нейронных сетей — прогнозирование, принятие решений, распознавание образов, оптимизация, анализ данных. Директор программ технологического сотрудничества Microsoft в России Влад Шершульский замечает, что сейчас нейросети применяются повсеместно: «Например, многие крупные интернет-сайты используют их, чтобы сделать реакцию на поведение пользователей более естественной и полезной своей аудитории. Нейросети лежат в основе большинства современных систем распознавания и синтеза речи, а также распознавания и обработки изображений. Они применяются в некоторых системах навигации, будь то промышленные роботы или беспилотные автомобили. Алгоритмы на основе нейросетей защищают информационные системы от атак злоумышленников и помогают выявлять незаконный контент в сети». В ближайшей перспективе (5-10 лет), полагает Шершульский, нейронные сети будут использоваться ещё шире: Представьте себе сельскохозяйственный комбайн, исполнительные механизмы которого снабжены множеством видеокамер. Он делает пять тысяч снимков в минуту каждого растения в полосе своей траектории и, используя нейросеть, анализирует — не сорняк ли это, не поражено ли оно болезнью или вредителями. И обрабатывает каждое растение индивидуально. Фантастика? Уже не совсем. А через пять лет может стать нормой. — Влад Шершульский, Microsoft Заведующий лабораторией нейронных систем и глубокого обучения Центра живых систем МФТИ Михаил Бурцев приводит предположительную карту развития нейронных сетей на 2016-2018 годы: системы распознавания и классификации объектов на изображениях; голосовые интерфейсы взаимодействия для интернета вещей; системы мониторинга качества обслуживания в колл-центрах; системы выявления неполадок (в том числе, предсказывающие время технического обслуживания), аномалий, кибер-физических угроз; системы интеллектуальной безопасности и мониторинга; замена ботами части функций операторов колл-центров; системы видеоаналитики; самообучающиеся системы, оптимизирующие управление материальными потоками или расположение объектов (на складах, транспорте); интеллектуальные, самообучающиеся системы управления производственными процессами и устройствами (в том числе, робототехнические); появление систем универсального перевода «на лету» для конференций и персонального использования; появление ботов-консультантов технической поддержки или персональных ассистентов, по функциям близким к человеку. Директор по распространению технологий «Яндекса» Григорий Бакунов считает, что основой для распространения нейросетей в ближайшие пять лет станет способность таких систем к принятию различных решений: «Главное, что сейчас делают нейронные сети для человека, — избавляют его от излишнего принятия решений. Так что их можно использовать практически везде, где принимаются не слишком интеллектуальные решения живым человеком. В следующие пять лет будет эксплуатироваться именно этот навык, который заменит принятие решений человеком на простой автомат». Почему нейронные сети стали так популярны именно сейчас Учёные занимаются разработкой искусственных нейронных сетей более 70 лет. Первую попытку формализовать нейронную сеть относят к 1943 году, когда два американских учёных (Уоррен Мак-Каллок и Уолтер Питтс) представили статью о логическом исчислении человеческих идей и нервной активности. Однако до недавнего времени, говорит Андрей Калинин из Mail.Ru Group, скорость работы нейросетей была слишком низкой, чтобы они могли получить широкое распространение, и поэтому такие системы в основном использовались в разработках, связанных с компьютерным зрением, а в остальных областях применялись другие алгоритмы машинного обучения. Трудоёмкая и длительная часть процесса разработки нейронной сети — её обучение. Для того, чтобы нейронная сеть могла корректно решать поставленные задачи, требуется «прогнать» её работу на десятках миллионов наборов входных данных. Именно с появлением различных технологий ускоренного обучения и связывают распространение нейросетей Андрей Калинин и Григорий Бакунов. Главное, что произошло сейчас, — появились разные уловки, которые позволяют делать нейронные сети, значительно меньше подверженные переобучению.— Григорий Бакунов, «Яндекс» «Во-первых, появился большой и общедоступный массив размеченных картинок (ImageNet), на которых можно обучаться. Во-вторых, современные видеокарты позволяют в сотни раз быстрее обучать нейросети и их использовать. В-третьих, появились готовые, предобученные нейросети, распознающие образы, на основании которых можно делать свои приложения, не занимаясь длительной подготовкой нейросети к работе. Всё это обеспечивает очень мощное развитие нейросетей именно в области распознавания образов», — замечает Калинин. Каковы объёмы рынка нейронных сетей «Очень легко посчитать. Можно взять любую область, в которой используется низкоквалифицированный труд, — например, работу операторов колл-центров — и просто вычесть все людские ресурсы. Я бы сказал, что речь идет о многомиллиардном рынке даже в рамках отдельной страны. Какое количество людей в мире задействовано на низкоквалифицированной работе, можно легко понять. Так что даже очень абстрактно говоря, думаю, речь идет о стомиллиардном рынке во всем мире», — говорит директор по распространению технологий «Яндекса» Григорий Бакунов. По некоторым оценкам, больше половины профессий будет автоматизировано – это и есть максимальный объём, на который может быть увеличен рынок алгоритмов машинного обучения (и нейронных сетей в частности).— Андрей Калинин, Mail.Ru Group «Алгоритмы машинного обучения — это следующий шаг в автоматизации любых процессов, в разработке любого программного обеспечения. Поэтому рынок как минимум совпадает со всем рынком ПО, а, скорее, превосходит его, потому что становится возможно делать новые интеллектуальные решения, недоступные старому ПО», — продолжает руководитель направления «Поиск Mail.ru» в Mail.Ru Group Андрей Калинин. Зачем разработчики нейронных сетей создают мобильные приложения для массового рынка В последние несколько месяцев на рынке появилось сразу несколько громких развлекательных проектов, использующих нейронные сети — это и популярный видеосервис MSQRD, который выкупила социальная сеть Facebook, и российские приложения для обработки снимков Prisma (в июне привлёк инвестиции от Mail.Ru Group) и Mlvch и другие. Способности собственных нейронных сетей демонстрировали и Google (технология AlphaGo выиграла у чемпиона в го; в марте 2016 года корпорация продала на аукционе 29 картин, нарисованных нейросетями и так далее), и Microsoft (проект CaptionBot, распознающий изображения на снимках и автоматически генерирующий подписи к ним; проект WhatDog, по фотографии определяющий породу собаки; сервис HowOld, определяющий возраст человека на снимке и так далее), и «Яндекс» (в июне команда встроила в приложение «Авто.ру» сервис для распознавания автомобилей на снимках; представила записанный нейросетями музыкальный альбом; в мае создала проект LikeMo.net для рисования в стиле известных художников). Такие развлекательные сервисы создаются скорее не для решения глобальных задач, на которые и нацелены нейросети, а для демонстрации способностей нейронной сети и проведения её обучения. «Игры — характерная особенность нашего поведения как биологического вида. С одной стороны, на игровых ситуациях можно смоделировать практически все типичные сценарии человеческого поведения, а с другой — и создатели игр и, особенно, игроки могут получить от процесса массу удовольствия. Есть и сугубо утилитарный аспект. Хорошо спроектированная игра приносит не только удовлетворение игрокам: в процессе игры они обучают нейросетевой алгоритм. Ведь в основе нейросетей как раз и лежит обучение на примерах», — говорит Влад Шершульский из Microsoft. «В первую очередь это делается для того, чтобы показать возможности технологии. Другой причины, на самом деле, нет. Если речь идёт о Prisma, то понятно, для чего это делали они. Ребята построили некоторый пайплайн, который позволяет им работать с картинками. Для демонстрации этого они избрали для себя довольно простой способ создания стилизаций. Почему бы и нет? Это просто демонстрация работы алгоритмов», — говорит Григорий Бакунов из «Яндекса». Другого мнения придерживается Андрей Калинин из Mail.Ru Group: «Конечно, это эффектно с точки зрения публики. С другой стороны, я бы не сказал, что развлекательные продукты не могут быть применены в более полезных областях. Например, задача по стилизации образов крайне актуальна для целого ряда индустрий (дизайн, компьютерные игры, мультипликация — вот лишь несколько примеров), и полноценное использование нейросетей может существенно оптимизировать стоимость и методы создания контента для них». Основные игроки на рынке нейронных сетей Как отмечает Андрей Калинин, по большому счёту, большинство присутствующих на рынке нейронных сетей мало чем отличаются друг от друга. «Технологии у всех примерно одинаковые. Но применение нейросетей — это удовольствие, которое могут позволить себе далеко не все. Чтобы самостоятельно обучить нейронную сеть и поставить на ней много экспериментов, нужны большие обучающие множества и парк машин с дорогими видеокартами. Очевидно, что такие возможности есть у крупных компаний», — говорит он. Среди основных игроков рынка Калинин упоминает Google и её подразделение Google DeepMind, создавшее сеть AlphaGo, и Google Brain. Собственные разработки в этой области есть у Microsoft — ими занимается лаборатория Microsoft Research. Созданием нейронных сетей занимаются в IBM, Facebook (подразделение Facebook AI Research), Baidu (Baidu Institute of Deep Learning) и другие. Множество разработок ведётся в технических университетах по всему миру. Директор по распространению технологий «Яндекса» Григорий Бакунов отмечает, что интересные разработки в области нейронных сетей встречаются и среди стартапов. «Я бы вспомнил, например, компанию ClarifAI. Это небольшой стартап, сделанный когда-то выходцами из Google. Сейчас они, пожалуй, лучше всех в мире умеют определять содержимое картинки». К таким стартапам относятся и MSQRD, и Prisma, и другие. В России разработками в области нейронных сетей занимаются не только стартапы, но и крупные технологические компании — например, холдинг Mail.Ru Group применяет нейросети для обработки и классификации текстов в «Поиске», анализа изображений. Компания также ведёт экспериментальные разработки, связанные с ботами и диалоговыми системами. Созданием собственных нейросетей занимается и «Яндекс»: «В основном такие сети уже используются в работе с изображениями, со звуком, но мы исследуем их возможности и в других областях. Сейчас мы много экспериментов ставим в использовании нейросетей в работе с текстом». Разработки ведутся в университетах: в «Сколтехе», МФТИ, МГУ, ВШЭ и других. Нейросеть как новый этап развития программирования Отличительной чертой нейросетей является, то что это не классический способ программирования, ведь с нейросетью мы программируем алгоритм, который в свою очередь сам учится создавать конечный результат, опираясь лишь на предоставленные данные. Это в каком-то смысле революционный подход ведь нейросеть опирается не заранее заданные данные, а на постоянное пополнение своей базы данных и на мнение пользователя о полученном результате. По сути нейросеть методом про и ошибок создает все более и более хорошие результаты. И если посмотреть на текущие реалии нейросети проделали гигантский путь. Возьмем в пример компанию Midjourney Midjourney — проприетарное программное обеспечение, создающее изображения по текстовым описаниям; наряду с конкурентами на рынке генерации изображений для персонализированных медиа[en] — приложениями DALL-E и Stable Diffusion организации OpenAI — разрабатывается с использованием технологий генеративно-состязательных сетей. С 12 июля 2022 года находится в стадии открытого для широкого круга пользователей бета-тестирования. Пользователи создают изображения, посылая команды боту в мессенджер Discord: вводят сообщение /imagine и после приглашения promt вводят словесное описание желаемого изображения; после чего пользователю предлагается выбрать лучшее из четырёх сгенерированных программой изображений и получить изображение в высоком графическом разрешении. Новые версии выходят каждые несколько месяцев; 10 ноября 2022 года стала доступна пользователям альфа-итерация версии 4. Планируется выпуск веб-интерфейса. Одноимённая компания-разработчик основана в 2016 году одним из создателей технологии Leap Motion Дэвидом Хольцем. В феврале 2020 года поглощена британским производителем медицинского оборудования компанией Smith & Nephew . В августе 2022 года Хольц сообщил, что продукт уже приносит прибыль. Как это работает Работу Midjourney обеспечивают два технологических прорыва в области искусственного интеллекта, произошедших относительно недавно: умение нейросетей понимать человеческую речь и создавать образы. Чтобы преобразовать два этих скилла в стройную систему, которая по запросу выдает произведения искусства, нейронную сеть обучают выстраивать соответствие между текстовыми описаниями и визуальными образами на сотнях миллионов примеров. Результаты такого обучения позволяют решать различные кросс-модальные задачи — генерацию картинок по текстовому описанию, генерацию текстовых описаний по картинкам, дорисовку частей изображения, и так далее, говорит руководитель управления экспериментальных систем машинного обучения SberDevices Сергей Марков. «Midjourney — это диффузионная нейронная сеть и состоит как бы из двух нейросетей: первая отвечает за обработку и понимание текста, вторая — за генерацию изображения», — объясняет Марков. В середине июля Midjourney вышла в фазу бета-тестирования и стала доступна пользователям по всему миру. Правда, чтобы дать задание Midjourney, нужно быть зарегистрированным в Discord — кросс-платформенном мессенджере, популярном у геймеров, разработчиков игр и дизайнеров. Сначала нужно зайти на официальный сайт Midjourney и авторизоваться через Discord, затем оплатить подписку или воспользоваться бесплатной версией. Бесплатная версия позволяет сгенерировать и скачать 12 изображений, но не дает доступ к личному кабинету (это мешает отслеживать судьбу своих запросов в общем чате), за $10 можно создавать до 200 изображений в месяц, за $30 — генерировать бесконечное количество картинок. Доступна также корпоративная подписка стоимостью $600, которая дает сотрудникам компании возможность создавать картинки в команде и просматривать индивидуальные работы друг друга. По словам Хольца, способ доступа к системе через Discord он выбрал из-за группового принципа работы платформы: люди охотнее фантазируют, когда собираются в группы, считает Хольц. Присоединившись к сервису, можно отправлять текстовые команды для создания изображений вместе с другими пользователями или поодиночке на любом из множества каналов Discord. Чтобы создать изображение, достаточно внести в чат с ботом Midjourney слова, описывающие картину, которую в итоге хочется получить. Система сгенерирует четыре изображения на выбор, а дальше наиболее подходящую картинку можно масштабировать, изменять и дорабатывать до идеала. Полученные изображения появляются в общем канале Discord примерно через минуту после отправки запроса. Обладатели платной подписки могут отправлять боту команды в формате личных сообщений, а не через общедоступный канал. Но сгенерированные нейросетью изображения по умолчанию остаются общедоступными для просмотра.  Рисунок 2.1 – Работа Нейросети Midjourney №1  Рисунок 2.2 – Работа Нейросети Midjourney №2 2.3 Отечественный рынок программирования и ее тенденции. Российское программирование имеет богатую историю, ведущую свой отчет от 50-х годов, когда программирование в основном предназначалось для решения военных и промышленных задач, например, для точного расчета места приземления космического корабля Юрия Гагарина. Ранние успехи советского программирования во многом связаны с тем, что советская экономика всегда была сильно индустриализованной и технически ориентированной. Растущая потребность в программистах была разрешена путем переориентации части математиков и физиков на информатику. В те времена количество программистов (да и самих компьютеров) было очень небольшим, так как область применения программирования была достаточно ограниченной. Так, за все 20 лет производства БЭСМ-6, одного из самых успешных компьютеров тех времен (было выпущено всего около 300 штук). Тем не менее, к концу 60-х советская школа программирования находилась на мировом уровне и в промышленной разработке программ, и в научных исследованиях. К сожалению, где-то с начала 70-х годов в программировании, как и в ряде других отраслей, начали наблюдаться первые признаки застоя. Одной из основных причин стала официальная политика ориентации компьютерных платформ на клоны IBM/360 и PDP/11. Считалось, что путем копирования западной аппаратной базы удастся сэкономить деньги, которые впоследствии можно было бы использовать для «гигантского скачка» в программировании. Эта «стратегия» потерпела провал, а Эдгар Дейкстра в своей лекции, прочитанной в России, назвал это решение советского правительства «величайшей победой Запада в холодной войне» (подробнее о ранней истории программирования в России можно прочитать в [1]). Кризис продолжался до начала 90-х годов. В процессе перехода на рыночную экономику большинство существовавших структур рухнуло [2], что привело, в частности, к радикальной смене преобладающей аппаратной платформы. В течение нескольких лет мэйнфреймы были потеснены мощным потоком персональных компьютеров; так, согласно оценке IDC, в 1997 году в России было продано 1,4 млн. компьютеров. Переход на новую платформу создал потребность в целом ряде новых услуг, например, в разработке программ и системной интеграции, которые стали предоставлять молодые частные компании. Большинство современных лидеров в компьютерном бизнесе России — представители этой «новой волны»; сегодня такие компании вполне могут считать себя ветеранами рынка, несмотря на возраст от 8 до 12 лет. Компьютерный рынок быстро увеличивался вплоть до кризиса 1998 года. Отечественная компьютерная индустрия была одной из наиболее пострадавших из-за своей зависимости от западного рынка; лишь совсем недавно Россия снова вышла на уровень 1997 года по количеству продаваемых компьютеров. Тем не менее, сегодня перспективы компьютерного рынка в России выглядят очень хорошими; страна демонстрирует очень быстрый рост темпов продаж компьютеров, при том, что рынок еще ненасыщен: на 100 человек в России приходится всего лишь около 5 компьютеров (в США — 62). |