Исследования 2022. Сборник статей iv международного научноисследовательского конкурса, Состоявшегося 20 февраля 2022 г в г. Пенза Пенза
 Скачать 6.07 Mb.
|
|
Выпуск сертификатов сервера и пользователя Для выпуска сертификатов сервера и пользователя проще всего воспользоваться бесплатной программой SimpleAuthority. Выпуск сертификатов через эту утилиту интуитивно понятно. Сертификаты пользователя нужно выпускать для каждого из тех, кто будет подключаться по VPN. После выпуска сертификата в каталоге сохранения появятся два файла, один с расширением .p12, а другой с расши- рение .cer. Необходимо открыть первый файл, нажав два раза ЛКМ, после чего установить их, а сер- 42 ЛУЧШИЕ НАУЧНЫЕ ИССЛЕДОВАНИЯ 2022 IV международный научно-исследовательский конкурс | МЦНС «НАУКА И ПРОСВЕЩЕНИЕ» тификат с именем сервера переместить в каталог «Trusted Root Certification Authorities», после чего пе- резагрузить сервер. Важно отметить, что данные действия нужно произвести на компьютерах клиентов, т.к без этого установить соединение не получится. Передача сертификатов клиенту должна иметь высокую степень безопасности. Редактирование реестра на сервере и компьютерах клиентов Для того, чтобы избежать всяческих проблем и ошибок с подключением нужно отредактировать реестр, как на сервере, так и на компьютерах клиентов. Сделать это можно с помощью нескольких ко- манд командлета PowerShell, а именно: 1. Set-ItemProperty -Path "HKLM:SYSTEM\CurrentControlSet\Services\PolicyAgent" -Name "AssumeUDPEncapsulationContextOnSendRule" -Type DWORD -Value 2 –Force; 2. reg add "HKEY_LOCAL_MACHINE\System\CurrentControlSet\Services\Rasman\Parameters" /v AllowL2TPWeakCrypto /t REG_DWORD /d 1 /f; 3. reg add "HKEY_LOCAL_MACHINE\System\CurrentControlSet\Services\Rasman\Parameters" /v ProhibitIpSec /t REG_DWORD /d 0 /f. Вывод В ходе статьи описаны все необходимые действия по настройке VPN сервера и первичной настройке компьютеров клиентов. Соединение между клиентами и сервером можно осуществить через создание нового адаптера - «подключение к рабочему месту», указывая в настройках протокол L2TP/IPSEC, а в качестве шлюза вписывать белый ip-адрес маршрутизатора сети, в которой располо- жен VPN сервер. Список источников 1. Исправление проблем подключения L2TP/IPSEC [Электронный ресурс] / https://winitpro.ru/index.php/2017/10/24/reshaem-problemu-podklyucheniya-k-l2tp-ipsec-vpn-serveru-za-nat/, свободный. (дата обращения: 15.02.2022) – Загл. с экрана 2. Настрпойка VPN сервера [Электронный ресурс] – Режим доступа: https://winitpro.ru/index.php/2014/01/16/nastrojka-vpn-servera-na-baze-windows-server-2012-r2/, свободный. (дата обращения: 15.02.2022) – Загл. с экрана 3. Настрпойка VPN сервера в Windows [Электронный ресурс] – Режим доступа: https://windowsnotes.ru/windows-server-2012/nastrojka-vpn-servera-v-windows/, свободный. (дата обраще- ния: 15.02.2022) – Загл. с экрана 4. Настраиваем VPN сервер на Windows Server 2012 R2 [Электронный ресурс] – Режим досту- па: https://support.cryptopro.ru/index.php?/Knowledgebase/Article/View/221/17/nstrivem-vpn-server-n- windows-server-2012-r2 l, свободный. (дата обращения: 15.02.2022) – Загл. с экрана ЛУЧШИЕ НАУЧНЫЕ ИССЛЕДОВАНИЯ 2022 43 www.naukaip.ru УДК 004.852 ВОЗМОЖНОСТИ НЕЙРОСЕТЕВЫХ ЯЗЫКОВЫХ МОДЕЛЕЙ В СОВРЕМЕННЫХ РЕАЛИЯХ Бубякин Максим Юрьевич, Ильина Ярославна Алексеевна Студенты ФГАОУ ВО «Северный (Арктический) федеральный университет имени М.В. Ломоносова» Аннотация: обучение нейронных сетей позволяет создавать текст, неотличимый от написанного чело- веком, что не оставляет без внимания все слои общества. Данное явление постепенно проникает в по- вседневную жизнь обычных людей, модернизируя сферы человеческой жизни. Ключевые слова: искусственный интеллект, нейронная сеть, нейросетевые языковые модели, созда- ние текста. CREATION OF AN AUTOMATIC NOTIFICATION MANAGEMENT SYSTEM WITHIN ORGANIZATIONS Bubyakin Maxim Iurievich, Ilina Yaroslavna Alekseevna Abstract: the training of neural networks allows you to create a text indistinguishable from what was written by a person, which does not leave all layers of society without attention. This phenomenon gradually penetrates into the everyday life of ordinary people, modernizing the spheres of human life. Key words: artificial intelligence, neural network, neural network language models, text creation. Введение За последние десятилетия все больший рост прослеживается в изучении и создании языковых моделей с помощью обученных нейросетей. Миллиарды рычагов настроек помогают составлять, узна- вать и изучать целые корпуса текста на самые различные тематики. Языковое моделирование подра- зумевает под собой определение логики в построении предложений, предугадывание лексико- семантической связности слов, используя вероятностное распределение последовательности слов. Различия обучения нейронных сетей На данный момент существует три основных вида нейронных сетей, которые различаются раз- ным распознаванием информации: рекуррентные, сверточные и рекурсивные. Первый вид называется повторяющимся или же рекуррентным. Данный тип распознает последовательную информацию линей- ной прогрессии, поэтому прекрасно подходит для изучения текста, так как текст подразумевает под со- бой тема-рематическое членение, в основном имеет четкую, логичную последовательность. Сверточ- ный вид нейросети обычно используется для распознавания изображения с помощью его слова- определения. Рекурсивные нейросети в отличии от рекуррентных не так хорошо подходят для изуче- ния текстовых корпусов, так как затрагивает изучение определенной иерархии информации, в то время как говорилось ранее, текст имеет прямолинейную, последовательную структуру. Использование в настоящий момент Практический потенциал нейросетевой языковой модели огромен: от создания подобия художе- ственного текста до его использования в медицине. Как показало исследование 2019 года нейросети отлично справляются с задачами и в медицине: сеть была обучена предсказания диагнозов на основе “2 миллионов полноценных медицинских текстов и дискуссий на медицинских форумах”, используя при 44 ЛУЧШИЕ НАУЧНЫЕ ИССЛЕДОВАНИЯ 2022 IV международный научно-исследовательский конкурс | МЦНС «НАУКА И ПРОСВЕЩЕНИЕ» этом 800 миллионов параметров настроек. На основе заданного потенциальным пациентом вопроса о симптомах заболевания созданная нейросеть может сгенерировать вероятный диагноз. Созданная нейросеть с заданными параметрами на ряд обгоняет необученную в медицинском направлении сеть, что и было проверено анкетированием обоих. Исследование приходит к выводу, что некоторые ответы нейросетевой языковой модели вполне “разумны” и достоверны, что означает, что сеть немного начала понимать суть болезни, в отличии от других нейронных языковых моделей, пусть и до настоящего вра- ча-консультанта ей еще далеко. Развитие нейросетевой языковой модели было положено за рубежом. Еще в далеком 2001 году благодаря работе Йошуа Бенжия была изобретена первая нейронная языковая модель, которая была основана по типу прямого распространения. Она имела достаточно малый вход информации и контро- лируемое обучение, однако на начало 2000-х это был настоящий прорыв. Позже, в 2008 году наступила эпоха нового подхода к изучению нейросетей, а именно многозадачность. С помощью данного подхода нейросети способны более качественно запоминать и преобразовывать представленный им материал для изучения. В последствии было создано множество нейросетей разного уровня, один из которых word2vec. Данная нейросеть была изобретена в 2013 году и представила новые расширенные возмож- ности, ведь она способна обрабатывать куда больший объем текста благодаря массовому обучению представлению нейросетью векторных слов. После успеха word2vec в 2014 году был придуман метод изучения информации – модель sequence-to-sequence, которая состоит из 2 нейросетей, одна из кото- рых шифрует данные, другая же напротив декодирует их, предсказывая шаги предыдущей сети, а уже в 2016 году идея была подхвачена Google для замены машинного перевода более гибкой нейросетью с механизмом внимания, читающей не просто слова, а целые фразы, которая улучшила качество пере- водного текста, а также позволила пользователям загружать изображения с текстом и тут же перево- дить его. Модели типа BERT являются многоязычными, что дает им универсальность в использовании, однако они сильно уступают в качестве одноязычным моделям. Кроме того одноязычные модели бо- лее энергозатратны в своем производстве. На сегодняшний день самой продвинутой нейросетевой языковой моделью является GPT. В 2020 году была опубликована нейросеть нового, 3-его поколения. Данная нейросеть использует самый большой корпус текста из всех возможных нейросетей, а именно более чем 1,5 триллионах слов и име- ет 175 миллиардов параметров регулирования. Данную систему тренировали на текстах самого раз- личного характера: от научной и художественной литературы до заметок людей в социальных сетях. Ее предшественница GPT-2 имела ошибки в построении логичных, связанных одной темой, предложений, которые разработчики исправили в нейросети следующего поколения. GPT-3 не допускается для широ- кого пользования, так как это может повлечь за собой проблемы, связанные с фейковыми новостями и доверием пользователей друг к другу, ведь нейросеть очень сложно отличить от письма настоящего человека. Нейросеть допускает некоторые незначительные ошибки, что даже больше делает ее похо- жей на человека, которому так же свойственно иногда ошибаться. Особенности русского языка Отечественные разработчики русскоязычных нейросетей также стремятся идти в ногу со време- нем. Создание нейросетевой модели русского языка сложнее модели на английском языке за счет лек- сических, морфологических, синтаксических и других особенностей русского языка. Построение систе- мы может усложняться за счет множества склонений, многозначности, традиции употребления, боль- шего корпуса слов и других факторов нашего языка. Начало современным отечественным нейросете- вым моделям языка дал лингвист И. А. Мельчук еще в 1960-х, создав языковую концепцию “Смысл – текст”. Данная концепция рассматривает язык как многоуровневую систему, которая способна обеспе- чить вывод смысловой оболочки из непосредственно текста, и совершить обратный процесс: вывести из смыслового представления все возможные тексты, которые к нему относятся. Такая концепция от- лично подошла для изучения нейронных сетей, так как русский язык прежде всего должен опираться на семантические связи, т.е. подходить по смыслу. ЛУЧШИЕ НАУЧНЫЕ ИССЛЕДОВАНИЯ 2022 45 www.naukaip.ru В 2015 году свой вклад в развитие отечественных нейросетевых языковых моделей внесла Ека- терина Проноза, собрав корпус парафраз, т.е. некоторой синонимизации названий на основе заголов- ков новостных порталов. В 2017 году на основе работы Екатерины в Санкт-Петербурге на AINL 2017 группой исследовате- лей была создана дорожка детекции перефразирования. Такая дорожка упростила бы информацион- ный поиск в сети Интернет, а также помогла бы классифицировать новости по темам и актуальности, а также ускорила бы процесс машинного перевода. В июле 2020 года данная работа была усовершен- ствована постройкой большего корпуса парафраз, к которой предлагался и отдельный парафразер, работающий на перестановках синонимичных слов в различных языковых ситуациях. Современные отечественные нейросетевые модели построены на разработках GPT. Примером современной нейросетевой языковой моделью может послужить разработка Яндекса YaLM (Yet another Language Model), которая генерирует ответы в Поиске и в сервисах с Алисой. Кроме того на основе GPT-3 Яндекс запустил нейросеть “Балабоба”, которая генерирует тексты, основываясь на смысле предыдущего слова. Нейросеть примечательна наличием выбора стилистического почерка и жанра: так “Балабоба” способна сгенерировать гороскоп, рекламное объявление, драматический текст, тв-репортаж, теорию заговора и не только. Нейросеть содержит более 3 млрд параметров, а в семей- стве языковой модели YaLM, на основе которой она построена содержатся от 3 до 13 млрд парамет- ров. Пусть это и гораздо меньше чем у модели GPT, однако это показывает, что нейронные сети в Рос- сии развиваются. Это доказывает и разработка Сбера RuGPT-3 Large, вышедшая в свет в 2020 году. На данный момент данная нейросетевая языковая модель является одной из самых продвинутых в русском сегменте. Она насчитывает порядком 700 млн параметров настройки модели в открытом до- ступе. RuGPT-3 Large может составлять текст различного уровня, будь то пост в социальные сети, от- зыв на товар или короткая история. В настоящее время модель находится в разработке, что показыва- ет стремление разработчиков усовершенствовать нейросетевую модель. Заключение В настоящий момент нейросетевые модели русского языка не идеальны: иногда совершают ошибки, и выдают неразумные предложения за полноценный текст, однако уже сейчас можно посмот- реть тенденцию развития нейронных сетей. За последние годы и зарубежные и отечественные проек- ты стали гораздо “умнее”. Они стали легче и быстрее обучаться, что дает уверенность и в дальнейшем развитии. Нейросети становятся все привычнее и доступнее для всех людей, что несомненно радует. Список источников 1. Как работает Балабоба [Электронный ресурс]. – Режим доступа: https://yandex.ru/lab/yalm- howto. – Дата доступа: 17.02.2022. 2. Хабр - Нейросетевые языковые модели как многоцелевой медицинский ИИ [Электронный ресурс]. – Режим доступа: https://habr.com/ru/post/506042/. – Дата доступа: 17.02.2022. 3. Системный блокъ - 8 главных прорывов в нейросетевом NLP [Электронный ресурс]. – Режим доступа: https://sysblok.ru/nlp/8-glavnyh-proryvov-v-nejrosetevom-nlp/. – Дата доступа: 17.02.2022. 46 ЛУЧШИЕ НАУЧНЫЕ ИССЛЕДОВАНИЯ 2022 IV международный научно-исследовательский конкурс | МЦНС «НАУКА И ПРОСВЕЩЕНИЕ» Удк 620 НЕОПРЕДЕЛЕННОСТЬ ИЗМЕРЕНИЙ Жамалов Махмуджон Бахром угли, Комишан Виталий Степанович Студенты ФГАОУ ВО «Северный (Арктический) федеральный университет им. М. В. Ломоносова» Аннотация: в данной статье рассматривается исследования неопределенности в метрологии. Приво- дится методы исследования и погрешности при измерениях. Рассматривается надежность, точность, оценка повторяемости и случайные погрешности, систематические погрешности. Современные стан- дарты на которых опирается в нынешнее время. Ключевые слова: метрология, повторяемость, методы исследования, погрешности, случайные по- грешности, систематические погрешности, точность измерения, повторяемость, воспроизводилось. MEASUREMENT UNCERTAINTY Jamalov Makhmudjon Bakhrom o'g'li, Komishan Vitalii Stepanovich Annotation: this article discusses the study of uncertainty in metrology. The research methods and measure- ment errors are given. Reliability, accuracy, repeatability assessment and random errors, systematic errors are considered. Modern standards on which it relies at the present time. Keywords: metrology, repeatability, research methods, errors, random errors, systematic errors, measure- ment accuracy, repeatability, reproducibility. При представлении результатов для описания измеренного значения данные должны включать коэффициент достоверности которая напрямую влияет на эти данные и значения. Качественное пред- ставление результатов эксперимента с его неопределенностью дает возможность правильно пред- ставлять о качестве проведенного эксперимента, более того возможно сравнение с другими экспери- ментами, а также строить теоретическую закономерность. Неопределённость играет одну из главных ролей при решении проблемы, подходят ли экспериментальные данные с теоретическими указаниями. при ответе на этот вопрос можно подтвердить или опровергнуть правильность, достоверность теорети- ческих высказываний. При проведении эксперимента научный сотрудник заранее предполагает о существовании како- го-либо точного или истинного значения который характеризует наш измеряемый объект. Но, к сожа- лению истинное значение или точное значение иногда не определяется, экспериментатор будет ста- раться с помощью ресурсов приблизиться к этому значению. Разность между измеренным значением и значением которая заранее принята как истинное яв- ляется точностью. Физическая характеристика точности называется погрешностью измерения или ошибкой измерения. Наименьшее значение точности характеризует то что, измерения очень близки к истинному зна- чению и результаты эксперимента определены хорошо. Это определённо нам дает понятие что коэф- фициенты согласованности между несколькими не связанными с друг другом измерениям и опытами одной и той же величины являются надежными и воспроизводимыми в будущем. Правильность и не прецизионной измеряемого объекта помогает охарактеризовать и учитывает- ся, при формулировании коэффициенты неопределённости. ЛУЧШИЕ НАУЧНЫЕ ИССЛЕДОВАНИЯ 2022 47 www.naukaip.ru Нередко при построении или анализе данных обнаруживается ошибки в измерениях, их можно разделить на две части, первое это случайные погрешности, а второе это систематические погрешно- сти. Данные погрешности выявляются независимо как были получены результаты. Измеряемый прибор может в одних и тех же условиях выдавать случайную погрешность в другом случае систематическую погрешность. Прибор ограничен классом точности или точностью при измерениях, вследствие этого появляют- ся случайные погрешности, они являются статистическим колебанием и может быть в любом направ- лении. Погрешности, которые возникают случайным образом, их можно определить с помощью стати- стического анализа или увеличить число измерений. Погрешности, которые возникают при каждом измерении и находится на одном это же месте называют систематическими погрешностями. К сожалению, систематические погрешности определя- ются очень трудно, а также их невозможно определить при анализе данных. Если прибор при прохож- дении калибровки обнаруживается систематическая погрешность, то водится поправка для измерений. Поправка может служить для уменьшения основной погрешности. Увеличение числа наблюдение или измерений не может поспособствовать обнаружение или уменьшению значения систематической по- грешности. Основным критерием успешного эксперименты являются уменьшение точек погрешностей и кон- тролировать и уменьшать численные значения погрешности, которых мы не можем устранить. Перед началом эксперимента мы должны сначала усвоить теоретическую часть, понять какие виды погреш- ности могут возникнуть и пути их устранения. Есть несколько основных источников погрешности кото- рые возникают в ходе эксперимента. Одним из таких источников может быть неполное определение. это погрешность может быть си- стематической и случайной. Бывает так, что иногда эксперимент выполнен неполноценно или же экс- периментальная часть сформулировано не четко. Примером может послужить измерение гитарной струны двумя лаборантами, каждый из них измерить длину струны по разному, так как сила натяжения страны у них разные. Условиям уменьшение это погрешности может послужить тщательное изучение методической части эксперимента, а также указывать условия при которых могут возникнуть система- тически или случайные погрешности. Конечно, возникают трудности при анализе и контроле всех фак- торов которые могут привести систематическим погрешностям. При решении физических задач со сво- бодным падением никогда не учитывается сопротивление воздуха или магнитное поле земли, это де- лается из за того что они ничтожно малы, но они влияют на значение результата. Решением данной задачи может быть учитывать данные погрешности, а также можно примкнуть к советам коллег. боль- шинство случаев мозговой штурм помогает определить корни погрешности, их следует делать перед начало опыта. Если погрешность не была учтена до эксперимента, её всегда можно исключить введе- нием поправки после получения результатов. Также нельзя забывать факторы которые появляется непосредственно из-за рабочей среды. Метод нулевого баланса используется в том случае, когда в ходе эксперимента используется два одинаковых прибора и результат одного прибора определена очень близко к истинному значению, а также можно её контролировать. Значение контролируемого прибора можно менять до тех пор пока разница между двумя приборами не будет равняться нулю. Данный метод применяется когда прибор является очень чувствительным и нестабильным, также при использовании этого метода прибор не нуждается в шкале измерений. Одним из важных аспектов измерение является калибровка измерительного прибора. Калибро- вать прибор следует до начала эксперимента. Обычно при калибровке используют эталон, если эталон по какой-либо причине невозможно использовать, тогда можно прибегнуть к помощи другого прибора которая уже откалибрована. Погрешность прибора является линейно зависимым, если имеется по- грешность она становится больше если значение в приборе увеличиваются. Также погрешность может быть связана с ошибкой оператора, это происходит из-за невнима- тельного изучение теоретических материалов, а также плохой техники. Неправильное измерение, пло- |