Разработка и исследование моделей машинного обучения для решения фундаментальных задач искусственного интеллекта в топливно-энергетическом комплексе

Модели машинного обучения могут быть успешно применены для решения широкого круга перспективных задач в различных областях экономики России, включая топливно-энергетический комплекс (ТЭК). Данная работа является актуальным фундаментальным исследованием, направленным на разработку и сравнение вычислительно-эффективных методов обработки разнородной информации в ТЭК. В проекте предлагается разработать и реализовать новые методы обучения и интерпретации результатов работы моделей машинного обучения, включая большие генеративные модели и их элементы - трансформеры. Актуальность исследований в настоящем проекте определяется с одной стороны необходимостью учета ряда факторов и особенностей данных, полученных в ТЭК, а с другой стороны фундаментальным характером новых моделей и методов, которые являются перспективными с точки зрения их применения в самых различных областях экономики. Научная новизна данной тематики определяется впервые предложенным решением ряда фундаментальных вопросов машинного обучения, в частности разработки элементов доверенного искусственного интеллекта (ИИ) на основе методов интерпретации результатов работы моделей машинного обучения применительно к генеративным моделям. Разработка и исследование новых моделей деревьев решений позволит создавать композицию деревьев решений и нейронных сетей, расширив возможные области применения обеих моделей. Также новым направлением развития машинного обучения является разработка моделей обучения на концептах, которые сочетают традиционные статистические подходы с методами работы со знаниями в экспертных системах, что впервые позволит объединить индуктивное и дедуктивное обучение при решении задач топливно-энергетического комплекса. Исследования настоящего проекта направлены на перспективные задачи повышения доверия к моделям машинного обучения, а также обоснованности и робастности результатов их работы с целью оценки возможности их будущего практического применения в ТЭК.