Завершен отбор научных статей с передовыми исследованиями в области искусственного интеллекта и машинного обучения, который Сбер проводит совместно с Институтом системного программирования РАН по итогам международной конференции AI Journey («Путешествие в мир искусственного интеллекта»). На конкурсный отбор поступило свыше 230 заявок от AI-исследователей из 11 стран.
Узнайте больше в полной версии ➞Помимо России, в отборе участвовали ученые из стран БРИКС. Материалы прошли рецензирование у ведущих профильных экспертов, а комиссия, путем голосования, отобрала 30 статей для публикации в издании.
Научная статья «Универсальные представления данных каротажа скважин с помощью ансамблирования моделей самообучения» признана лучшей статьей третьего специального выпуска научного журнала «Доклады Российской Академии Наук. Математика, информатика, процессы управления». Коллектив авторов статьи из Сколтеха — Владимир Жолобов, Евгения Романенкова, Сергей Егоров, Нарек Геворгян, Алексей Зайцев — получил денежную премию в размере 1 млн рублей.
«Сегодня в нефтегазовой промышленности возникает много задач, которые могут быть решены с помощью моделей на основе искусственного интеллекта. Однако, большая часть данных, на которых можно было бы учить модели, не размечена или размечена плохо, содержит пропуски и аномалии. Существующим моделям трудно работать с такими данными, их качество было недостаточно высоким. Поэтому авторам статьи был предложен подход, который обладает глубиной научной проработки вопроса, так и большой прикладной значимостью исследования для нефте- и газодобычи в России. С развитием AI-технологий открываются новые исследовательские горизонты, которые ранее были недоступны. А потому действительно здорово, что с каждым днем появляются новые научные труды, которые способны изменить жизнь к лучшему», — отметил старший вице-президент – руководитель блока «Технологическое развитие» Сбербанка Андрей Белевцев.
Авторы рассмотрели подходы, которые позволяют получить качественные кодировщики для формирования представления временных рядов. Был предложен подход, который дает возможность использовать и генеративную, и контрастивную идею для обучения моделей в рамках одного ансамбля. Такой ансамбль на основе идей генеративного искусственного интеллекта позволяет улучшить существующие решения в ряде прикладных задач. Эксперименты на данных бурения показали, что описанный подход успешно решает задачу оценки схожести между геофизическими свойствами интервалов и выявляет аномалии во время бурения. Кроме того, такие модели могут переиспользоваться и для других месторождений и условий бурения, что было невозможно для традиционного подхода к обучению.