Готовый отчёт: гибридная ИИ‑система для медицины

Оглавление
Введение	3
1. Теоретическая часть	5
1.1. Цель и задачи проекта	5
1.2. Техническое задание как основной документ проекта	5
1.3. Определение нейронных сетей	6
1.4. Нечеткие модели и методы в системах искусственного интеллекта	6
1.5. Системы на основе глубоких нейронных сетей	6
2. Практическая часть	8
2.1. Техническое задание на разработку системы искусственного интеллекта на основе моделей глубоких нейронных сетей	8
2.2. Техническое задание на разработку системы искусственного интеллекта на основе нечетких моделей и методов	13
Заключение	18
Список использованной литературы	20

Данная практика посвящена разработке системы искусственного интеллекта, основанной на применении нечетких моделей и методов, а также глубоких нейронных сетей для анализа данных в медицине. 
Актуальность проекта обусловлена растущей потребностью в автоматизации процессов диагностики заболеваний и прогнозирования состояний пациентов на основе современных технологий искусственного интеллекта.
В условиях высокой неопределенности и сложности медицинских данных использование нечеткой логики позволяет эффективно работать с размытыми параметрами, такими как симптомы или показатели здоровья пациента, в то время как глубокие нейронные сети обеспечивают высокую точность анализа больших объемов данных, включая изображения и временные ряды. Комбинирование этих подходов открывает новые возможности для создания гибридных систем, способных решать сложные задачи в условиях реального мира.
В рамках работы будут выполнены следующие ключевые этапы: 
	Определение основных понятий
	Формулировка целей и задач проекта
	Описание методологии тестирования и стандартов
Особое внимание уделено соблюдению требований ГОСТ 19.201-78 при составлении технического задания и ГОСТ Р ИСО/МЭК 25010-2015 для тестирования системы.
Результатом работы является комплексное техническое задание, которое определяет функциональные и нефункциональные требования к системе, а также план ее разработки и внедрения. Основная часть работы включает теоретические основы, такие как описание принципов работы нечетких моделей и нейронных сетей, а также практические аспекты, связанные с целями проекта и методами тестирования.
Настоящий отчет структурирован таким образом, чтобы предоставить полное представление о содержании выполненной работы, начиная от теоретических основ и заканчивая практическими рекомендациями по реализации системы.

В рамках практики была разработана концепция и техническое задание для системы искусственного интеллекта, основанной на применении нечетких моделей и методов, а также глубоких нейронных сетей. Данная система предназначена для анализа медицинских данных с целью повышения точности диагностики заболеваний и прогнозирования состояний пациентов.
Проект охватывает ключевые аспекты создания современных ИИ-систем, включая теоретические основы нечеткой логики и нейронных сетей, практические требования к разработке программного обеспечения, а также методологию тестирования и внедрения. Особое внимание уделено соблюдению стандартов, таких как ГОСТ 19.201-78 для составления технического задания и ГОСТ Р ИСО/МЭК 25010-2015 для обеспечения качества системы.
1.	Основными результатами работы являются:
2.	Формулировка четких целей и задач проекта, направленных на создание гибридной системы, сочетающей преимущества нечетких моделей и глубоких нейронных сетей.
3.	Подробное описание функциональных и нефункциональных требований к системе, включая требования к надежности, производительности и безопасности.
4.	Разработка плана тестирования, учитывающего функциональные, нагрузочные и аспекты безопасности работы системы.
5.	Создание структурированного технического задания, которое служит основой для дальнейшей реализации проекта.
Разработанная система имеет потенциал для широкого применения в медицине, где работа с неопределенными и сложными данными является неотъемлемой частью процесса диагностики и принятия решений. Комбинирование нечеткой логики и глубоких нейронных сетей позволяет компенсировать недостатки каждого подхода по отдельности, что делает систему более универсальной и надежной.
Дальнейшие шаги включают реализацию прототипа системы, проведение тестирования на реальных данных и доработку функционала на основе полученных результатов. Успешное внедрение системы может значительно повысить эффективность медицинской диагностики и улучшить качество оказания медицинских услуг, что подтверждает актуальность и значимость выполненной работы.
Таким образом, проект заложил прочную основу для разработки инновационного решения, способного внести существенный вклад в развитие технологий искусственного интеллекта в медицине.

Список использованной литературы
1.	Машинное обучение с помощью Python. Руководство для специалистов по работе с данным / С. Гвидо, А. Мюллер. СПб.: ООО "Диалектика", 2022. 480 с.
2.	Глубокое обучение. Погружение в мир нейронных сетей / С. Николенко, А. Кадурин, Е. Архангельская. СПб.: Питер, 2020. 480 с.
3.	Искусственный интеллект и компьютерное зрение. Реальные проекты на Python, Keras и TensorFlow / А. Коул, С. Ганджу. СПб.: Питер, 2023. 608 с.
4.	Обработка изображений с помощью OpenCV / Г. Буэно. М.: ДМК Пресс, 2016. 408 с.
5.	Устройство и программирование автономных роботов. Проекты на Python и Raspberry PI / Д. Стейпл. М.: ДМК Пресс, 2022. 520 с.
6.	Кибернетика и общество / Н. Винер. М.: АСТ, 2019. 340 с.
7.	Мобильные роботы на базе ESP32 в среде Arduino IDE / М. Молот. СПб.: БХВ-Петербург, 2020. 268 с.
8.	ГОСТ Р ИСО/МЭК 25010-2015. Системы и программное обеспечение. Модель качества продукции: утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 9 ноября 2015 г. № 1817-ст: дата введения 2016-06-01. – URL: https://protect.gost.ru/document.aspx?control=7&id=200427 (дата обращения: 25.05.2025). – Текст: электронный.