Эксремент Минцифры по внедрению генеративного искусственного интеллекта в госуправление

Проект постановления Правительства предполагает, что ML будет использоваться для обработки документов, анализа данных и работы с типовыми обращениями граждан

Сроки эксперимента не уточняются
В перечне сценариев эксремента указаны:
• проверка резюме кандидатов на госслужбу и составление тестовых заданий для них: ML будет генерировать задания для оценки компетенций кандидатов, а также анализировать резюме с целью «выявления скорости первичного анализа соответствия требованиям»
• работа с законотворчеством: нейросети займутся анализом законопроектов Госдумы на ошибки, чтобы снизить общее время их подготовки и повысить удовлетворенность сотрудников
• работа с контентом: ML обеспечит генерацию новостных лент для официальных сайтов с соблюдением брендбуков (цвета, шрифты, графика) и детектирование тематики обращений граждан
• oбработка текстовых документов: нейросеть будет обрабатывать типовые обращения граждан и готовить ответы на них
Минцифры считает, что это снизит трудозатраты на работу с корреспонденцией и сократит количество ошибок
• управление данными: система автоматически оценит достоверность информации, включая контент, созданный ML

При этом проект исключает прогнозирование социально-экономических процессов нейросетью

Также ML не будет обрабатывать данные, которые составляют гостайну

Доступ к системам получат только госслужащие после идентификации через ЕСИА с подтверждением должности

Согласно проекту, эксрeмент нужен, чтобы сократить время на рутинные задачи госслужащих, снизить количество ошибок в документах и повысить эффективность госуправления

Поставщиков ML-решений для госорганов определит правительственная комиссия по цифровому развитию

Брошюра написана по материалам лекций для школьников и студентов, прочитанных А. А. Кирилловым в летней школе «Современная математика» в Дубне

В центре книги — два фрактала: ковёр Серпинского и ковёр Аполония

Вокруг них автор строит целое введение в современную теорию фракталов: от первых определений до нерешённых задач и актуальных направлений исследований

Причём каждая задача сформулирована как приглашение к самостоятельному исследованию

Вот что пишет сам автор во введении:

«Во многих популярных книгах читатель увидит массу цветных картинок и любопытных примеров, но не найдёт ни точных определений, ни строго доказанных результатов…

Последняя и, может быть, самая важная причина [написания этой книги] состоит в том, что самостоятельное изучение геометрии, анализа и арифметики фракталов, на мой взгляд, является одним из лучших способов для молодого математика активно и прочно овладеть основными математическими знаниями»

Александр Александрович Кириллов — один из самых ярких учеников Израиля Моисеевича Гельфанда, автор знаменитого учебника по «Теории представлений», а также целого ряда работ по функциональному анализу, геометрии и математической физике

Его стиль — продолжение той самой «гельфандовской школы», где от лекции по алгебре можно было уйти с философским инсайтом

Книга идеально подойдёт студентам младших курсов и старшеклассникам, но будет интересна и тем, кто хочет понять, как можно учить математике с уважением к читателю

Распространяется брошюра бесплатно!

Скачивайте и читайте, если хотите разобраться с фракталами и почувствовать, как они вплетаются в ткань современной математики

А здесь пост с предыдущей подборкой книг от редакции канала

Cписок 40 профессий, в которых ML применим и 40, где наименее применим
Они изучили данные опросов 200.000 участников

Профессии, где ИИ чаще всего применяют:

1. Переводчики и интерпретаторы
2. Историки
3. Менеджеры по продажам
4. Писатели и авторы
5. Представители службы поддержки клиентов

Профессии, наименее подверженные влиянию ML:

1. Физический труд и работу с людьми (медсестры, массажисты)
2. Управление и мониторинг оборудования (операторы водоочистных сооружений, водители грузовиков)
3. Ручной труд (посудомойщики, кровельщики, уборщицы)

Исследование не выявило сильной устойчивой связи между показателем применимости ML и заработной платой - корреляция составила всего 0.07

Профессии со степенью бакалавра показали несколько более высокую применимость ML по сравнению с профессиями с более низкими образовательными требованиями, хотя различия не являются кардинальными

Авторы признают несколько важных ограничений своего исследования:

1. Анализировались только данные Bing Copilot
2. Сложно отличить рабочие разговоры от личных
3. База данных может не отражать современные изменения в профессиях
4. Исследование ограничено американским рынком труда

|0⟩⊗n ——[H⊗n]——•————•————•————[QFT†]——[M⊗n]—
                |    |    |
|ψ⟩ ———————————[U¹]—[U²]—[U⁴]——————————————————

from qiskit import QuantumCircuit, QuantumRegister
from qiskit.circuit.library import QFT
import numpy as np

def qpe_circuit(n_qubits, unitary_gate, eigenstate_prep=None):
    """
    Создает схему квантовой оценки фазы
    n_qubits: количество кубитов для счетного регистра
    unitary_gate: унитарный оператор U
    eigenstate_prep: схема подготовки собственного состояния
    """
    # Регистры
    counting_qubits = QuantumRegister(n_qubits, 'counting')
    target_qubits = QuantumRegister(1, 'target')
    qc = QuantumCircuit(counting_qubits, target_qubits)
    
    # Подготовка собственного состояния
    if eigenstate_prep:
        qc.compose(eigenstate_prep, target_qubits, inplace=True)
    
    # Суперпозиция в счетном регистре
    qc.h(counting_qubits)
    
    # Контролируемые степени унитарного оператора
    for i in range(n_qubits):
        power = 2 ** i
        for _ in range(power):
            qc.append(unitary_gate.control(), 
                     [counting_qubits[i]] + list(target_qubits))
    
    # Обратное квантовое преобразование Фурье
    qft_inverse = QFT(n_qubits, inverse=True)
    qc.compose(qft_inverse, counting_qubits, inplace=True)
    
    # Измерение
    qc.measure_all()
    
    return qc

# Пример: оценка фазы для Z-гейта
from qiskit.circuit.library import ZGate
z_gate = ZGate()

# Подготовка собственного состояния |1⟩ для Z
eigenstate_prep = QuantumCircuit(1)
eigenstate_prep.x(0)

# Создание схемы QPE с 4 кубитами точности
qpe = qpe_circuit(4, z_gate, eigenstate_prep)
print("Схема QPE готова!")