Искусственный интеллект в сфере информационного сопровождения чрезвычайных ситуаций (обзор литературы)

Актуальность. Искусственный интеллект является одной из самых быстроразвивающихся областей в сфере компьютерных технологий. Цель – представить обзор современных технологий искусственного интеллекта, применяемых в различных отраслях безопасности в чрезвычайных ситуациях, и обобщить современные системы управления чрезвычайными ситуациями. Методология. Объект исследования составили исследования по безопасности в чрезвычайных ситуациях, представленные в мировом потоке научных статей, опубликованных в 2005–2020 гг. и проиндексированных в реферативно-библиографических базах данных Scopus и Российском индексе научного цитирования. Результаты и их анализ. Обзор современных технологий искусственного интеллекта позволил создать обобщенную классификацию его систем, применяемых в различных отраслях безопасности в чрезвычайных ситуациях, в том числе, для предупреждения развития кризисных ситуаций, и показать основные примеры использования в данной отрасли знаний. Заключение. Перспективным направлением использования систем искусственного интеллекта в сфере информационного сопровождения чрезвычайных ситуаций является классификация текстов, в частности, научных статей и иных специализированных текстов по определенной тематике исследований с помощью методов машинного обучения. Важная роль при этом отводится технологиям предварительной обработки текста, или токенизации.

1. Абросимов В.К. Методический подход к решению задач классификации систем (технологий) искусственного интеллекта в интересах Вооруженных сил Российской Федерации // Вооружение и экономика. 2021. № 4(58). С. 41–53.

2. Борисов Л.А., Ивченко А.Ю., Митин Н.А., Орлов Ю.Н. Тематическая классификация текстов с помощью спектральных портретов // Препр. ИПМ им. М.В. Келдыша. 2017. № 106. С. 1–22. DOI: 10.20948/prepr-2017-106.

3. Виноградов О.В. Аспекты применения нейронных сетей для прогнозирования чрезвычайных ситуаций // Технологии гражд. безопасности. 2021. Т 18, № 1(67). С. 23–26. DOI: 10.54234/CST.19968493.2021.18.1.67.4.23.

4. Данилов Г.В., Жуков В.В., Куликов А.С. [и др.]. Сравнительный анализ статистических методов классификации научных публикаций в области медицины // Компьютер. исслед. и моделирование, 2020. Т. 12, № 4. С. 921–933. DOI: 10.20537/2076-7633-2020-12-4-921 -933.

5. Евдокимов В.И., Чернов К.А. Медицина катастроф: объект изучения и наукометрический анализ отечественных научных статей (2005–2017 гг.) // Мед.-биол. и соц.-психол. пробл. безопасности в чрезв. ситуациях. 2018. № 3. С. 98–117. DOI: 10.25016/2541 -7487-2018-0-3-98-117.

6. Кукшев В.И. Классификация систем искусственного интеллекта // Экономич. стратегии. 2020. Т. 22, № 6 (172). С. 58–67. DOI 10.33917/es-6.172.2020.58-67.

7. Рыбаков А.В., Иванов Е.В., Дмитриев А.В., Сидоров В.С. Проблема применения больших данных в интересах выполнения задач, стоящих перед МЧС России // Сиб. пожар.-спасат. вестн. 2021. № 2 (21). C. 54–57. DOI: 10.34987/vestnik.sibpsa.2021.62.47.010.

8. Солдатенко Д.М. Искусственный интеллект: прошлое, настоящее и будущее // Рос. внешнеэкономич. вестн. 2020. № 9. С. 127–134. DOI 10.24411/2072-8042-2020-10096.

9. Arslan M., Roxin A., Cruz C., Ginhac D. A review on applications of big data for disaster management in Proceedings of the 2017 13th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS). Jaipur, India. 2017. P. 370–375.

10. Berlyand Y., Raja A.S., Dorner S.C. [et al.]. How artificial intelligence could transform emergency department operations // Am. J. Emerg. Med. 2018. Vol. 36, N 8. P. 1515–1517. DOI: 10.1016/j.ajem.2018.01.017.

11. Chang R.H., Peng Y.T., Choi S., Cai C. Applying Artificial Intelligence (AI) to improve fire response activities // Emergency Management Science and Technology. 2022. Vol. 2. P. 7. DOI: 10.48130/EMST-2022-0007

12. Chen N., Liu W., Bai R., Chen A. [et al.]. Application of computational intelligence technologies in emergency management: a literature review // Artif. Intell. Rev. 2019. Vol. 52. P. 2131–2168. DOI: 10.1007/s10462-017-9589-8.

13. Levin S., Toerper M., Hamrock E. [et al.]. Machine-learning-based electronic triage more accurately differentiates patients with respect to clinical outcomes compared with the emergency severity index // Annals Emerg. Med. 2017. Vol. 71, N 5. P. 565–574.e2. DOI: 10.1016/j.annemergmed.2017.08.005.

14. Lindsey R., Daluiski A., Chopra S. [et al.]. Deep neural network improves fracture detection by clinicians // Proc. Natl. Acad. Sci (USA). 2018. Vol. 115. P. 11591–11596.

15. Lopez-Fuentes L., Weijer J., Gonz ález-Hidalgo M. [et al.]. Review on computer vision techniques in emergency situations // Multimedia Tools and Applications, 2017. Vol. 77. P. 17 069–17 107.

16. McHugh M., Tanabe P., McClelland M., Khare R.K. More patients are triaged using the emergency severity index than any other triage acuity system in the United States // Acad. Emerg. Med. 2012. Vol. 19. P. 106–109. DOI: 10.1111/j.1553-2712.

17. Ramlakhan S., Saatchi R., Sabir L. [et al.]. Understanding and interpreting artificial intelligence, machine learning and deep learning in emergency medicine // Emerg. Med. J. 2022. Vol. 39, N 5. P. 380–385. DOI: 10.1136/emermed-2021 -212068.

18. Saravi S., Kalawsky R., Joannou D. [et al.]. Use of Artificial Intelligence to Improve Resilience and Preparedness Against Adverse Flood Events // Water. 2019. Vol. 11, N 5. P. 973–989. DOI: 10.3390/w11050973.

19. Van Eck N.J., Waltman L. Visualizing bibliometric networks // Measuring scholarly impact : methods and practice / Eds.: Y. Ding, R. Rousseau, D. Wolfram. N.Y. : Springer Cham Heidelberg ; London : Dordrecht, 2014. P. 285–320.

20. Van Eck N.J., Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping // Scientometrics. 2010. Vol. 84, N 2. P. 523–538. DOI: 10.1007/s11192-009-0146-3.

21. Zheng H., Peng C. The impact of public health emergency governance based on artificial intelligence // J. Intell. System. 2022. Vol. 31. P. 891–901. DOI: 10.1515/jisys-2022-0065.