Применение оборудования с числовым программным управлением (ЧПУ или CNC – computer numeric control) обеспечивает очень высокую гибкость производства, возможность быстро перестроиться на новый вид изделия. Главные преимущества станков с ЧПУ это высокая скорость и точность работы, непрерывный режим работы 24/7, а так же недоступная человеку стабильность результата.

ЧПУ-станки предлагают высокую эксплуатационную гибкость. Станок с ЧПУ может выполнять разные программы для производства отличающихся друг от друга продуктов, не требуя при этом значительной переоснастки. Это дает станкам с ЧПУ большое преимущество перед другими методами производства, так как позволяет изменять роль станка на производственной линии за несколько минут.

Внедрение искусственного интеллекта оказало большое влияние на работу современных станков.

Оптимизация режимов резания. ИИ-алгоритмы анализируют свойства материала (твёрдость, вязкость) и автоматически подбирают оптимальные скорости подачи и вращения. Это увеличивает стойкость инструмента на 35% и снижает энергопотребление на 15–20%.

Контроль качества в реальном времени. Системы компьютерного зрения обнаруживают дефекты обработки (сколы, биение). Например, на заводе «Уралмаш» внедрение камер с ИИ сократило брак на фрезерных операциях на 27%.

Повышенная гибкость. Алгоритмы ИИ позволяют системам с ЧПУ автоматически подстраиваться под новые задачи, делая процесс более гибким.

Самообучение. Станки с ИИ могут самостоятельно учиться на примерах, оптимизируя процессы и адаптируясь к новым типам материалов и задачам

Мониторинг работы станка в режиме реального времени. Система подключается к станкам с ЧПУ, собирает данные датчиков (нагрузка на шпиндель, вибрации, износ инструмента) и выявляет аномалии или неэффективности. Эти сведения используются двояко: для моментальной корректировки — например, ИИ может предложить скорректировать подачу, чтобы избежать превышения нагрузки или вибраций, и для обучения модели, чтобы последующие программы учитывали выявленные особенности.

Предиктивное обслуживание. Предиктовым обслуживанием называется подход к техобслуживанию оборудования, основанный на прогнозировании состояния техники. ИИ анализирует данные с сенсоров на станках и прогнозирует вероятность отказа компонентов. Это позволяет операторам принимать меры заранее, минимизировать простои и продлевать срок службы дорогостоящего оборудования.

Например, на современных станках Siemens используется локальная нейросеть, которая способна подстраивать программу обработки под реальную жёсткость заготовки и колебания инструмента. ИИ способен управлять циклами калибровки без человека, без остановки основного производственного цикла с сохранением точности позиционирования (1-5 микрон даже через годы эксплуатации).

Фактически ИИ способен решать большую часть задач, связанных с управлением сложного современного оборудования, что значительно упрощает работу человека.

Текст и фото: Николай Николаевич Барбашов, доцент кафедры РК-2 МГТУ им. Н.Э. Баумана

ИИ — не решебник, а спарринг-партнер: как мы учим нейросети «вредничать» ради вашего интеллекта

Мы привыкли думать, что идеальный искусственный интеллект — это тот, который мгновенно дает правильный ответ. Спросил «В чем смысл философии Платона?» — получил готовое эссе. Загрузил задачу по физике — получил решение. Удобно? Да. Полезно? Нет.

Когда ИИ делает всю работу за нас, происходит то, что ученые называют «когнитивной атрофией». Мы перестаем думать сами, превращаясь в придаток к алгоритму. Но что, если перевернуть игру?

В Московском техникуме креативных индустрий имени Л.Б. Красина мы разрабатываем концепцию «Сократической машины». Это чат-бот, которому программно… запрещено давать готовые ответы!

Как это работает?

Мы используем генеративный ИИ (на базе больших языковых моделей) как квази-субъекта. Это не просто инструмент, а «цифровая личность» с характером. С помощью специального системного промпта (инструкции) мы заставляем нейросеть играть роль вредного профессора, скептичного заказчика или дотошного оппонента.

Представьте, что вы пишете боту свое мнение, а он не соглашается. Он ищет противоречия в ваших словах.

— «Ты утверждаешь, что цель оправдывает средства. А если средством станет предательство друга?» — спрашивает машина.

Вместо того чтобы списывать, студент вынужден защищаться, аргументировать и искать доказательства. ИИ здесь выступает как интеллектуальный спарринг-партнер. Он создает «систему трудностей», которую нужно преодолеть.

Зачем нам «галлюцинации»?

Многие боятся, что нейросети врут (галлюцинируют). В нашей методике это фича, а не баг! Когда вы спорите с ИИ, вы должны быть начеку. Вы превращаетесь в фактчекера: «А не выдумал ли бот этот аргумент?». Это тренирует критическое мышление лучше любого учебника.

Будущее за теми, кто умеет спорить

В мире, где любой ответ можно получить за секунду, ценность знания падает. Растет ценность умения задавать вопросы и верифицировать информацию.

Мы учим студентов относиться к ИИ не как к Оракулу, знающему истину, а как к мощному, но иногда ошибающемуся собеседнику.

Попробуйте сами - в следующий раз, открывая чат с нейросетью, попросите её не решить задачу за вас, а найти ошибку в вашем решении или покритиковать вашу идею. Уверяю, вы узнаете о себе и о предмете гораздо больше.

Текст и изображение: Константин Павлюц, кандидат философских наук, преподаватель, исследователь философии образования и разработчик концепции ГИИ как антропоморфизированной технологической сущности.

Все ландшафты неоднородны, и это проявляется в разных пространственных масштабах. Соотношение и качество местообитаний оказывают влияние на благополучие видов, обитающих в них. Отдельные особи могут получить преимущество, распознав пространственные различия в качестве среды обитания и распределившись соответствующим образом по территории. Пространственная структура местообитаний влияет на локальные популяции видов в той же степени, что и средние параметры рождаемости и смертности, уровень конкуренции и хищничества.

В исследовании, опубликованном в журнале Biology Bulletin Reviews, изучалось распределение токующих самцов сов - воробьиного сыча (Glaucidium passerinum) и серой неясыти (Strix aluco) в зависимости от структуры лесных местообитаний, обилия мелких млекопитающих и присутствия других сов, а также определению соотношения значимости этих трех компонентов среды в зависимости от сезона года. Сбор полевых материалов проводился ежегодно с 2001 по 2011 г. на юго-западе Московской области. По результатам исследований для каждого участка модельной территории была дана оценка присутствия сов в разные сезоны, а также описаны характеристики местообитаний и состояния кормовой базы. Анализ влияния характеристик местообитаний на токующих самцов сов был проведен с применением одного из алгоритмов Искусственного интеллекта, а именно машинного обучения дерева решений (Boosted Tree Classifier). Были построены четыре модели с четырьмя разными зависимыми переменными: ежегодное занятие выделенных участков двумя видами сов (есть или нет) отдельно весной и осенью. В качестве независимых переменных выступали: 20 параметров, описывающих структуру леса; характеристики обилия мелких млекопитающих на каждом участке в определенный сезон (15 параметров); нахождение в квадрате или рядом с ним своего или другого вида сов, а также обоих видов в предшествующий сезон (6 параметров).

Распределение и максимальная численность токующих сов весной в локальных популяциях определялась прежде всего наличием наиболее благоприятных участков в подходящих лесных местообитаниях. Общий вклад в окончательную модель распределения переменных, связанных с различными параметрами лесных местообитаний, составлял у обоих видов более 55%. Среди них характеристики верхнего древесного яруса были самыми значимыми для обоих видов. Распространенное мнение, что для хищных птиц главный фактор, влияющий на вероятность занятия подходящих территорий, – это высокая численность основных видов жертв, это исследование не подтвердило. По-видимому, совы ориентируются в первую очередь на определенные параметры местообитаний, а потом уже на благоприятность кормовой базы с последующей коррекцией на присутствие других хищников-миофагов. Наблюдаемые закономерности пространственного распределения могут указывать на развитый механизм сосуществования у этих сов, который регулируется качеством и количеством элементов среды обитания, доступностью пищи и видами сов, участвующих во взаимодействиях в масштабе ландшафта.

Шариков Александр Викторович, кандидат биологических наук, доцент кафедры Зоологии и экологии Института биологии и химии Московского педагогического государственного университета

Фото С.В. Волкова

Ссылка на работу:
Sharikov A.V., Tichonova E.V. 2024. Habitat Selection in Forest Owls: The Roles of Vegetation Structure, Prey Density, and Competitors. Biology Bulletin Reviews, 14(5), 561-573.