Тетяна Старовойт, студ.
Національний університет водного господарства та природокористування, Рівне, Україна
Юрій Зайченко, д-р техн. наук, проф.
Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”, Київ, Україна
Анотація
DOI: https://doi.org/10.17721/AIT.2023.1.06
Вступ. Ефективне перетворення великого об’єму неструктурованих текстових даних на просторову інформацію є критично важливим для управління системами розподілу води. Це дозволяє здійснювати конверсію великих наборів текстової інформації, таких як звіти, замовлення, листи й інші документи, на точкові класи просторових об’єктів у географічних інформаційних системах. Для опрацювання цієї проблеми, у новому перспективному підході йдеться про поєднання гібридних квантово-класичних нейронних мереж із геоінформаційними технологіями.
Методи. Використано гібридні квантово-вдосконалені нейронні мережі разом із методами ГІС для розпізнавання іменованих сутностей, таких як особисті рахунки з їхніми адресами й геокодуванням, та елементи бухгалтерської документації Київводоканалу. Вказана інформація потім оприлюднюється на геопорталі з використанням платформи ArcGIS Enterprise у реальному часі, що є дуже перспективним для ефективного керування розподіленням води. Характеристики розробленої моделі оцінено за показниками точності, параметрами відкликання та зваженим гармонічним середнім значенням точності та відкликання.
Результати. Отримані результати вказують , що розроблена гібридна квантово-класична модель штучного інтелекту може бути успішно застосована до трансформації великих об’ємів неструктурованої текстової інформації на просторову. Модель була інтегрована в ГІС із використанням ArcGIS Enterprise платформи. Суміщаючи отримані точкові класи просторових об’єктів з уже існуючими даними та методами просторових поєднань, автори розробили інтерактивну карту з інтервалом оновлення кожні п’ять хвилин.
Висновки. Використовуючи переваги квантових обчислень і поєднуючи їх із класичним апаратним забезпеченням та класичними моделями штучного інтелекту, стало можливим досягти подібних і навіть кращих характеристик порівняно з існуючими сучасними методами для опрацювання різних завдань. Квантове оброблення природної мови є новим перспективним напрямом, який має потенціал докорінно змінити підхід, за яким аналізується та розуміється мова людини.
Інформація про авторів
Тетяна Старовойт, студ., студентка п’ятого курсу кафедри гідроінформатики Національного університету водного господарства та природокористування .
Наукові інтереси: геопросторовий штучний інтелект, квантовий штучний інтелект, методи обчислювального інтелекту в системах розподілу води, когнітивні обчислення, ройовий інтелект.
Юрій Зайченко, д-р техн. наук, проф., завідувач відділення другої вищої та післядипломної освіти Інституту прикладного та системного аналізу, професор кафедри математичних методів системного аналізу Київського політехнічного інституту імені Ігоря Сікорського.
Наукові інтереси: теорія прийняття рішень в умовах невизначеності, застосування систем із нечіткою логікою та нечітких нейромереж в інтелектуальних системах, обчислювального інтелекту та застосування їх в економіці та фінансовому аналізі.
Список використаних джерел
Опубліковано
2023-12-15
Як цитувати
T. Starovoyt, Yu. Zaychenko “A hybrid quantum-perfected model of artificial intelligence in the problem of automatic recognition and fast conversion of unstructured text information into spatial”, Сучасні інформаційні технології, vol.1(2), pp.38-48, 2023.
Номер
Сучасні інформаційні технології № 1 (2), 2023
Розділ
Прикладні інформаційні системи та технології
- Airola, A., Pohjankukka, J., Torppa, J., Middleton, M., Nykänen, V., Heikkonen, J., & Pahikkala, T. (2019). The spatial leave-pair-out cross-validation method for reliable AUC estimation of spatial classifiers. Data Mining and Knowledge Discovery, 33(3), 730–747.
- Andrade, F. G., Carvalho-Ramalho, R. E., Firmino, A. A., Souza-Baptista, C., Ramos-Falcao, A. G., & Oliveira, M. G. (2020). Using Natural Language Processing for Extracting GeoSpatial Urban Issues Complaints from TV News. GEOProcessing 2020: The Twelfth International Conference on Advanced Geographic Information Systems, Applications, and Services. International Academy, Research, and Industry Association.
- ArcGIS 2023. https://developers.arcgis.com/python/guide/how-named-entity-recognition-works/
- ArcGIS API for Python. https://developers.arcgis.com/python/guide/how-named-entity-recognition-works/
- Baidu. Geocoding API v2.0. https://api.map.baidu.com/lbsapi/cloud/webservice-geocoding.htm
- Bhagvan, K. (2020). Quantum Computing Solutions: Solving Real-World Problems Using Quantum Computing and Algorithms. Apress.
- Chen, S. (2022). Quantum long short-term memory. arXiv:2009.01783. doi:10.48550/arXiv.2009.01783
- De Bruijn, J. A., de Moel, H., Jongman, B., de Ruiter, M. C., Wagemaker, J., & Aerts, J.C. (2019). A global database of historic and real-time flood events based on social media. Sci. Data.
- DisCoCat lambeq. https://cqcl.github.io/lambeq/tutorials/discocat.html
- Doccano. https://github.com/doccano/doccano
- Enkhsaikhan, M., Holden, E.-J., Duuring, P., & Liu, W. (2021). Understanding ore-forming conditions using machine reading of text. Ore Geology Reviews.
- Enkhsaikhan, M., Liu, W., Holden, E.-J., & Duuring, P. (2021). Auto-labelling entities in low-resource text: A geological case study. Knowledge and Information Systems, 63(3), 695–715.
- Floridi, L., & Chiriatti, M. (2020). GPT-3: Its Nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694.
- Gonzlez-Castillo, S., & Combarro, E., F. (2023). A Practical Guide to Quantum Machine Learning and Quantum Optimization. Packt Publishing.
- Guarasci, R., De Pietro, G., & Esposito, M. (2022). Quantum natural language processing: Challenges and opportunities. Applied Sciences.
- Hoffmann, T. (2021). Quantum Models for WordSense Disambiguation. Master’s thesis in Complex Adaptive Systems. Chalmers University of Technology.
- Hu, Y., Mao, H., & McKenzie, G. (2019). A natural language processing and geospatial clustering framework for harvesting local place names from geotagged housing advertisements. Int. J. Geogr. Inf. Sci., (33), 714–738.
- Huang, Z., Xu, W., & Yu, K. (2015). Bidirectional LSTM-CRF Models for Sequence Tagging. arXiv:1508.01991v1. doi:10.48550/arXiv.1508.01991
- Jacquier, A., Kondratyev, O., Lipton, A., & López de Prado, M. (2022). Quantum Machine Learning and Optimisation in Finance. Packt Publishing.
- Lai, J., Lansley, G., Haworth, J., & Cheng, T. (2020). A name-led approach to profile urban places based on geotagged Twitter data. Trans. GIS 2020, (24), 858–879.
- Lawley, C., Gadd, M. G., Parsa, M., Lederer, G. W., Graham, G. E. & Ford, A. (2023). Applications of Natural Language Processing to Geoscience Text Data and Prospectivity Modeling. Natural Resources Research. Springer.
- Ma, K., Tian, M., Tan, Y., Xie, X., & Qiu, Q. (2021). What is this article about? Generative summarization with the BERT model in the geosciences domain. Earth Science Informatics.
- McKenzie, G., Liu, Z., Hu, Y., & Lee, M. (2018). Identifying urban neighborhood names through user-contributed online property listings. ISPRS Int. J. Geo-Inf., (7), 388.
- O’Riordan, L. J., Doyle, M., Baruffa, F., & Kannan, V. (2020). A hybrid classical-quantum workflow for natural language processing. arXiv:2004.06800. doi:10.48550/arXiv.2004.06800.
- Peixeiro, M. (2022). Time Series Forecasting in Python. Manning.
- PennyLane (2023). https://pennylane.ai/qml/
- Qiskit 2023. https://qiskit.org/ecosystem/machine-learning/tutorials/01_neural_networks.html
- Rieffel, E. G., & Polak, W. H. (2011). Quantum Computing: A Gentle Introduction. MIT Press: Cambridge, MA, USA.
- Scikit-learn. https://scikit-learn.org/stable/index.html
- spaCy. Industrial-Strength Natural Language Processing in Python. https://spacy.io/
- The Stanford Natural Language Processing Group. Stanford Named Entity Recognizer (NER). https://nlp.stanford.edu/software/CRF-NER.shtml
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A., N, Kaiser Ł., & Polosukhin, I. (2017). Attention Is All You Need. 31st Conference on Neural Information Processing Systems (NIPS 2017). Long Beach, CA, USA.
- Wang, S., Yan X., Zhu, Y., Song, J., Sun, K., Li, W., Hu, L., Qi, Y., & Xu, H. (2022). New Era for Geo-Parsing to Obtain Actual Locations: A Novel Toponym Correction Method Based on Remote Sensing Images. Remote Sensing. Special Issue “Intelligent Perception in Urban Spaces from Photogrammetry and Remote Sensing“, 14(19), 4725. https://doi.org/10.3390/rs14194725/
- Wu, Y., & Wang, Q. (2019). A Categorical Compositional Distributional Modelling for the Language of Life. arXiv:1902.09303. https://doi.org/10.48550/arXiv.1902.0930 Zhu, D., Linke, N.M., Benedetti, M., Landsman, K.A., Nguyen, N.H., Alderete, C.H., Perdomo-Ortiz, A., Korda, N., Garfoot, A., & Brecque, C. (2019). Training of quantum circuits on a hybrid quantum computer. Science Advances. doi: 10.1126/sciadv.aaw9918