УДК 37
DOI: 10.36871/26189976.2026.02-5.002
Авторы
Али Анварович Халидов,
Кандидат технических наук, доцент кафедры «Цифровые системы и модели», Казанский государственный энергетический университет, Казань, Россия,
Анастасия Витальевна Крыжановская,
Преподаватель кафедры «Информационная безопасность в вычислительных системах и сетях», Донской государственный технический университет,
Яна Александровна Степикина,
Преподаватель кафедры «Информационная безопасность в вычислительных системах и сетях», Донской государственный технический университет
Аннотация
В настоящей статье исследуются теоретические и методологические аспекты математического моделирования отказоустойчивости интеллектуальных информационных систем на основе искусственного интеллекта, причём акцент делается на формализации многомерной природы надёжности ИИ-систем, выходящей за рамки традиционных показателей точности и охватывающей такие измерения, как согласованность, робастность, предсказуемость и безопасность. В отличие от работ, сосредоточенных на повышении точности моделей или на разработке отдельных методов обеспечения отказоустойчивости, настоящее исследование делает акцент на систематизации математических подходов к моделированию надёжности ИИ-систем, включая вероятностные модели отказов, архитектурные стратегии повышения надёжности и методы количественной оценки многомерной надёжности.
Ключевые слова
отказоустойчивость
искусственный интеллект
математическое моделирование
Список литературы
[1] Васильев В.И., Идрисов И.И. Алгоритмы проектирования и анализа устойчивости интеллектуальной системы управления ГТД // Вестник Уфимского государственного авиационного технического университета. – 2008. – Т. 11, № 1. – С. 34–42.
[2] Егоршин А.Ю. Отказоустойчивые программно-аппаратные вычислительные комплексы систем управления бурением с использованием интеллектуальной поддержки принятия решений : дис. … канд. техн. наук : 05.13.01. – Уфа, 2007. – 175 с.
[3] Янковская А.Е. Основанное на сочетании логико-вероятностного и логико-комбинаторно-вероятностного методов принятие отказоустойчивых решений в интеллектуальных системах // Труды XIV международной конференции по эвентологической математике и смежным вопросам. – С. 213–223.
[4] Александров М.С., Воронов Р.Е., Шестакова К.О., Былинкин Д.А., Медяков Д.О., Безносиков А.Н. Использование похожести данных для улучшения качества персонализации с помощью внедрения информации с других устройств // Труды Института системного программирования РАН. – 2025. – Т. 37, № 6(4). – С. 227–248. DOI: 10.15514/ISPRAS-2025-37(6)-60.
[5] Золкин А.Л., Вербицкий Р.А. Федеративное обучение и дифференциальная приватность в задачах защиты персональных данных : учебное пособие. – Москва : Русайнс, 2025. – 163 с. – ISBN 978-5-466-09648-4.
[6] Пумперла М., Оукс Э., Ляо Р. Изучаем Ray. Гибкие распределенные вычисления на Python в машинном обучении ; пер. с англ. А.В. Логунова. – Москва : ДМК Пресс, 2023. – 290 с. – ISBN 978-6-01083-430-9.
[7] Скорик Ф.А., Саенко И.Б. Нейросетевая модель оценки состояния распределенной информационной системы // КиберЛенинка. – URL: https://cyberleninka.ru.
[8] Макаров М.А. Внедрение дуальности в вычислительные процессы нейросетевых компонентов принятия решений в мобильных робототехнических системах // CEUR Workshop Proceedings. – 2018. – Vol. 2258. – С. 1–10.
[9] Шуклин Г.В., Барабаш О.В., Гребенников А.Б. Функциональная устойчивость интеллектуальных систем в принятии решений // Проблемы программирования. – 2024. – № 4. – С. 89–98. DOI: 10.15407/pp2024.04.089.
[10] Построение систем искусственного интеллекта промышленного уровня [Электронный ресурс] // DST Global. – 2026. – 6 апр. – URL: https://dstglobal.ru.
