Бабуров олег: главная Олд — Oleg Baburow Wedding Dresses

L’armée de Sorokine était Prize au piège et fut mise en déroute.

В 2011 году, «Все очень важно для Мишена», это научно-фантастический фильм Александра Зельдовича и его авторства Владимира Сорокина .

Nos délégués, les camarades Sorokine et Sablina, Donnèrent lecture de cette lettre à la réunion des vingtquatre.

Эти особые ремарки участвуют в действиях против русского современника Владимира Георгиевича Сорокин (º1955) и рок-группы Ленинград.

Le Caucase était son lecontrôle des unités de Sorokine et Avtonomov qui Terroriseient les village cosaques et les villes, au premier rang desquelles Ekaterinodar.

Ф. Никитин: Бабуров К. Сорокин : Курочкин Р. Зеленая:

Comme dans toutes les langues, un langage global est utilisé partout dans la littérature russe — dans les œuvres de Pouchkine, Maïakovski, Soljenitsyne, Sorokine , Dovlatov et bien d’autres.

Сорокин , номинальный командир временного командования и шеф-повар красных войск Северного Кавказа, Менасаит Тихорецкая и Деникин, будущие ограничения для концентраторов этих групп, представительства на 140 километрах линии фронта.

На месте, где находится армия Кавказа дю Нор, была вручена эта награда генерального генерала Андрея Снесарева, она была признана успешной после революции в октябре и после того, как была произведена реконструкция, номер 40.

On lira des pièces de Vladimir Сорокин , Иван Вырыпаев, Павел Приайко и др.

De ce fait le sous-directeur du département de science technologique du ministère de l’àgriculture de la Fédération de la Fédération de Rossie Sorokine Николай Тимофеевич сделал заявление, подготовленное для оказания помощи в продвижении сельскохозяйственных машин и переделанных машин.

Шеф-повар Нижнего Новгорода, М. Олег Сорокин , et le maire de la ville de Gyor М. Жольт Боркаи ont déjà fait beaucoup для развития отношений между деревнями: par instance, les Jours de la Hongrie в Нижнем Новгороде.

23 октябпя 2013B10: 30, Rencontre du chef de la ville de Nijni Novgorod Олег Sorokine avec l’Ambassadeur Extraordinaire et Plénipotentiaire de la Confédération Suisse en Russie Mr.Pierre Helgue

Le 20 novembre de 2013 le chef de la ville de Nijni Novgorod M.Олег Сорокин a eu une rencontre avec l’Ambassadeur Extraordinaire et Plénipotentiaire de la République de Lituanie en Russie M.Rentos Norcus à laquelle les représentants des milieux d’affaires de la Lituanie ont aussi pris part.

Son amie la princesse Sorokine a une villa ici, ainsi qu’une fille vierge.

Encastrés entre d’autres usines, ils n’ont aucun Potentiel d’Agrandissement », объяснение Alexander Sorokine , DG d’Avtotor, lors du Russian Automotive Forum à Moscou en avril dernier.

Pourquoi la princesse Sorokine t’a-t-elle apporté la dépêche?

«L’implantation sur notre site n’est pas la condition sine qua non pour fournir la future usine», ответ Александр Сорокин , «Par instance avec Continental nous sommes en négociation pour qu’ils nous fournissent à partir de leur future usine en Russie ».

La princesse Sorokine et sa fille.

ИНРУСИЯ — Изучение Великой реки

Денис Бабуров родился в Иваново и всегда очень любил величайшую реку России.Здесь фотограф рассказывает о своем интересе к интересным открытиям, а также об опыте иммигрантов, который он хочет использовать в своем новом проекте.

Я родился в Иваново и провел там большую часть своей жизни. В детстве я много раз сталкивался с Волгой: мои самые сокровенные и сильные воспоминания — это посещение летнего лагеря в Плёсе, который находится на берегу реки всего в 70 километрах от моего родного города. Это было время моего взросления, и с тех пор Волга мне очень дорога. В 2013 году я решил рассказать историю этой великой реки, когда-то воспеваемой в былинах и сказках. Поискав в Интернете исторические места и красивые пейзажи, я помчался по региону, документируя их.

В основном меня интересовал визуальный аспект, который очень впечатляет, когда начинаешь исследовать Волгу. Его берега часто бывают холмистыми и живописными, и они особенно мне нравятся, потому что я вырос среди полей и степей и всегда тянусь к большим высотам.Я также хотел узнать больше о повседневной жизни людей, живущих в небольших городах Поволжья. Я считаю себя интровертом, поэтому ходить по улицам незнакомого города и разговаривать с его жителями всегда было непросто. Фотография — мое хобби, но в то же время камера дает мне доступ к жизни других людей, чего в противном случае у меня не было бы.

Одна из самых впечатляющих историй, которые я слышал, была история молдавского трудового мигранта. Покинув всех друзей и семью своего родного города, он переехал в Плёс и жил там много лет, выполняя различную черную работу. Я никогда раньше не встречал таких людей, но всегда интересовался, что ими движет. Что заставляет их так кардинально менять свою жизнь, полностью погрузиться в чужую культуру? В то время я, конечно, не знал, что буду копировать его путешествие и перееду из своего родного города в Мюнхен.

Хотя работа над этой серией «Волга» еще не завершена, у меня возникли логистические трудности с ее завершением — по очевидным географическим причинам. Теперь я думаю о том, чтобы превратить проект в сравнительное исследование прибрежной жизни в Германии и России.Например, горная река Изар протекает через Мюнхен и является неотъемлемой частью повседневной жизни города: в ней плавают дети, люди отдыхают или ловят рыбу на ее берегах и плавают по ее водам. Однако эта деятельность жестко регулируется по сравнению с беззаботным образом жизни на неухоженных берегах Волги. Я постарался показать эти различия на своих фотографиях — так, как я был свидетелем.

Почему сильный ИИ невозможен (Часть 2) | Денис Нуштаев

Суть всего исследования: чем меньше машинное обучение похоже на сильный ИИ, тем лучше оно работает. В первой части мы определили общую алгоритмическую базу всех алгоритмов (включая AI и квантовые алгоритмы) и основную проблематику AI: она заключается в возможности давать наиболее точные выходные данные в ответ на максимально неизвестные входные.

Давайте исследуем теорию алгоритмов и 3 основных аргумента в пользу сильного ИИ.

Погрузимся в теорию алгоритмов. В алгоритмике есть такое понятие, как «алгоритмически неразрешимые проблемы», которые полезны для нашего исследования.Мы возьмем для примера три.

• Проблема остановки, неразрешимость которой была доказана Тьюрингом, может звучать так: невозможно определить, будет ли алгоритм работать вечно или остановится, если изначально мы не указали входные данные, что он будет работать вечно или остановится.
• Entscheidungsproblem (проблема решения) можно сформулировать так: невозможно алгоритмически доказать правильность или недействительность работы другого алгоритма. Это означает, что мы не можем создать алгоритм, который — без нашего конкретного ввода — сможет определять истинность формальных операций.
• Нам также интересно изучить сложность Колмогорова, которая гласит, что, хотя компьютер и способен искать согласованности, он не может найти лучшее из них. Если мы заставим его искать согласованности в разнородных данных, он найдет первый из них, и сомнительно, что этот будет лучшим. Мы можем заставить его искать дальше, но для алгоритма это будут новые данные, отличные от исходных. Это будет означать, что точность выходного результата будет зависеть не от задачи ввода, а от математического контекста, что усложняет принятие решения в реальной жизни.

Эти и другие задачи обычно приводят к теореме Гёделя о неполноте. Сформулируем это так: для любой несовместимой системы аксиом или формальных инструкций мы можем сформулировать истинное утверждение, которого этой системе будет не хватать, то есть каждая система несовместима.

В более прикладном смысле все эти и другие примеры показывают, что алгоритм не может дать правильный ответ, если объем неизвестных элементов вдвое больше, чем его собственный заранее запрограммированный объем — адекватность алгоритма (даже его точность ) зависит от этой проблемы. В теореме о неполноте мы можем сделать истинное утверждение, состоящее более чем из 50% других аксиом. Даже с 80-процентной полнотой объема мы не уверены в ее точности, не говоря уже о том, что объем менее 50%. Для детей: если в алгоритме есть две корзины для синих и красных яиц, он определит фиолетовую и поместит ее в одну из корзин, поскольку фиолетовый имеет оба цвета, но он не сможет адекватно определить белое яйцо, потому что он более чем на 50% отличается от красного и синего — даже не поймет, что это яйцо.Добавление

информации о белых яйцах не «улучшит» алгоритм, но добавит новые знания, то есть расширит его объем, что означает, что алгоритм будет удален от начальной задачи.

Если визуальный алгоритм, предназначенный для определения кошки по четырем критериям (форма тела, размер тела, шерсть, форма ушей), дан лысой кошке без ушей, он ответит, что это не кошка. Мы можем указать, что такие кошки тоже существуют, т.е. ввести информационные знания или варианты. Мы даже можем изменить приоритет. НО! Мы меняем приоритет для себя, но меняем последовательность для алгоритма. Однако предположим, что алгоритм научился определять всех кошек, не имеющих отношения к их жизненному пути. Для большей точности мы добавим новый алгоритм, который может определять кошку по голосу. Мы можем повысить точность алгоритма и отметить, что во всех случаях мы не улучшаем алгоритм, а вводим новый контент, превышающий эти 50% неизвестных данных. Над двумя алгоритмами мы создадим третий, который будет принимать окончательное решение.Что мы получим? Супер-алгоритм, который может определять кошек — и все. Это замечательно работает со стабильными входными данными, когда отдельный элемент не сильно отличается от другого. Вот как работает кредитный рейтинг, который обрабатывает заявки на получение кредита на основе предыдущих заемщиков. Он бесконечно учится на статистике выдачи ссуд.

Идея объединения специализированных алгоритмов в один супералгоритм принятия решений кажется привлекательной. Но его смысл не изменится — он по-прежнему будет выдавать «и» или «да, нет», хотя возрастающая неоднородность неизвестных данных будет иметь тенденцию превышать 50% известных данных. Мысль о том, что ИИ будет работать лучше, если мы объединим множество сильных алгоритмов в один, похожа на мысль о том, что мы могли бы создать самый быстрый автомобиль, объединив Bugatti и McLaren. Количество известных данных от этого не изменится. Фактически, в какой-то момент будет полезнее сделать ИИ более глупым, потому что автомобиль без водителя, определяющий все виды кактусов, менее полезен, чем автомобиль, который просто определяет, что перед ним есть объект, которого следует избегать. Кроме того, каковы критерии работы супералгоритма, кроме прямых данных? Его данные — это другие алгоритмы, как мы показали выше, алгоритм не может определять истину со ссылкой на другие алгоритмы («Entscheidungsproblem»).Он может делать это только статистически, а недостающие 50% пытаются заполнить статистическими данными, которые алгоритм должен проверить, но почему это бесполезно, можно увидеть, проанализировав аргументы теоретиков. А пока подумаем об еще одной базе ИИ — обучении.

Для достижения «интеллектуальных способностей» ИИ всегда должен учиться. Учусь? Извините — переобучение, то есть не получение новых знаний, а создание новых предметов на основе старых или внесение их в новые категории. Фактически, он не может двигаться дальше от своего входного содержания или, точнее, дальше от своих входных категорий (качеств).ИИ не обязательно знать конкретную информацию, потому что его природа не в знании содержания, а в демонстративном. Мы, несчастные люди, в отличие от AI, можем мыслить что-то не в рамках данных категорий, а все остальное, в том числе самое удивительное. Если мы применим этот метод к обучению ИИ, мы добавим неожиданные категории, и ИИ придется постоянно переучивать. Но постоянное переобучение нейросети приведет к возврату к ее старым ошибкам и повторному обучению, потому что, если мы формализуем весь процесс, алгоритм в целом всегда реализует простую последовательность элементов.Алгоритм не учитывает природу, потому что он имеет только одну природу. А также, чему он будет учиться? Строго говоря, алгоритм принимает любое знание как абсолютное, однако мы сами видим, что абсолютного знания не существует — все зависит от контекста. Следовательно, помещенный в разные контексты, алгоритм всегда будет изучать противоречивые данные и, как следствие, будет полезен только в полностью обобщенных сферах, что буквально показывает его бесполезность. Машинное обучение хорошо, потому что оно учится на новых данных, где «новым» является все, что еще не было включено в конкретную задачу.Например, мы искали мошенников в Интернете на основании их ненормального поведения, и недавно мы были рады узнать, что большинство из них посещают форум www.uspeshnye-denigy.narod. Но как только появится новая специализация, эти знания могут стать не только бесполезными, но и разрушительными для точности. Например, мы хотели бы, чтобы ИИ предлагал рекламу подходящим людям, но исключил бы все «Дениса», даже если они подходят по всем другим параметрам, но у них есть комбинация «deni», которая присутствует в веб-адресе.Мне могут возразить, если я скажу, что эта проблема решается количеством данных (ситуаций, контекста и т. Д.) Для обучения, но это не решит проблему. Покажи нам.

Даже если мы введем все мировые знания в ИИ, и он будет воспринимать реальность со всех точек зрения, он ничего не даст, а, напротив, сделает его в конечном итоге бесполезным и действующим по хаотическому алгоритму. Во-первых, эта сверхточная нейросеть в какой-то момент будет делать много ошибок, потому что вещи в мире очень часто похожи.Не исключено, что точность станет встречной проблемой, когда она начнет классифицировать действительно новые данные как известные. Высокая точность — это не только хорошо, но и плохо.

Какой должна быть точность, чтобы ИИ стал интеллектом? Дело в том, что человеческий интеллект не приспособлен к точности — его природа заключается в спонтанных решениях, которые могут раскрыть воспринимаемый объект с новой стороны, и мы по-другому поймем его природу. Ребенок воспринимает тепло не через градацию тепла между предметами, к которым он прикасается, а — как это часто бывает — через спонтанное решение прикоснуться к кипящей кастрюле. Если бы алгоритм мог делать что-то неизвестное, чтобы получить новое неизвестное или связать его с известным, то ИИ стал бы не только сильным, но и божественным. Но проблема первого этапа в том, что он имеет только те входные данные, которые мы вводим в него, и он не будет различать его характер. Подумайте о собственном обучении: любое достойное знание заставляет вас реконструировать все ваши привычные категории воспринимаемого мира и создать новые. Это способ узнать о несоответствии вещей в мире.И мы всегда учитываем долю неизвестного во всем: как только мы сталкиваемся с новыми проявлениями знакомого, мы начинаем перестраивать свой менталитет и стараемся примирить противоречия. Мы, несчастные люди, работаем с тем, что есть снаружи — этим фактором влияния, а не с тем, что внутри нас. Вероятно, это процесс формирования психики с самого младенчества и, видимо, этот процесс происходит непрерывно. В отличие от компьютера, мы не храним все данные в своей памяти, а как бы создаем их заново — этот вопрос требует отдельного философского анализа, но мы можем определенно сказать, что мы можем работать с тем, что у нас есть, не обращаясь к нашей памяти. Иначе на чем основана наша память, когда в ней еще ничего нет? Алгоритм так работать не может — он всегда работает со ссылкой на существующую базу данных.

Я проанализировал теоретические возможности ИИ, не говоря уже о самом «интеллекте», но позвольте нам взглянуть в лицо теоретикам ИИ и подвергнуть сомнению их основные положения.

Один алгоритм может решать разные задачи

На основании этого предположения возникает предположение, что мы можем сделать алгоритм максимально универсальным, в ущерб его эффективности для решения отдельных задач.По сути, мы создаем логическую структуру, универсальную для большинства законов природы и системных процессов. Это способ разработать один алгоритм, который будет играть в шахматы и ловить кредитных мошенников. Это будет один и тот же вход нейросети с разными данными. Если мы продолжим эту логику, мы можем предположить, что создадим ИИ, построенный на абсолютно абстрактных и универсальных законах. Эта нейросеть решит все задачи «правильно», так как не противоречит основным законам Вселенной.

Антитеза: Здесь мы видим несколько популярных логических ошибок.Во-первых, строго говоря, мы не знаем «законов природы» — мы знаем законы конкретных объектов и их сродство между разными объектами, хотя мы даже не уверены, что одни и те же законы создают одинаковый зарегистрированный результат. Во-вторых, понятие «универсальность» существует только в нашем сознании — мы объединяем похожие проявления в одну структуру для работы с данными. Но любая универсальность приводит к недостатку содержания. В заключении A ≠ -A мы имеем максимально абстрактную структуру, которая важна для дифференциации объектов, но ничего не говорит о самих данных.Если мы введем данные, структура о них ничего не скажет — придется показывать вручную: «это хот-дог» и «это не хот-дог». Только имея данные, нейросеть начнет чему-то учиться, но ничего не узнает по структуре. Следовательно, для сильного ИИ нам нужно будет собирать данные из всех сфер, и они должны быть максимально конкретными. Если ввести параметр «твердость», нам придется назвать все виды твердости. Для специализированного машинного обучения нам нужно будет ввести только те типы твердости, которым оно может соответствовать — это хорошо, но мы все еще сталкиваемся с «законом 50%», потому что все другие типы твердости потребуют нового обучения.Мы не можем обнаружить абстрактный закон, который сам по себе мог бы определять эти типы. «Почему мы можем показать алгоритму, что сложно, а что символично !?» Но концепция жесткости уже является содержательной, и алгоритм должен быть обучен на основе различных типов жесткости. И чтобы научиться различать это и символическое, ему потребуется дополнительное обучение дифференциации — то есть нужно будет различать большое количество сложных и большое количество символических.Напоминаю, что для алгоритма все данные имеют одну и ту же природу и в нем нет ничего абстрактного.

Статистическое обучение и теорема Байеса

Эта теорема утверждает, что если произошло одно событие, то статистически вероятно, что событие, связанное с ним, тоже произойдет. Многие думают, что эта теорема станет основой сильного ИИ. Алгоритм Байеса работает очень просто: в него вводятся разные гипотезы, и он начинает их проверку на основе постоянно получаемой статистики.Итак, согласно этой теории, ИИ может извлекать любые данные из содержащихся в нем предположений. Затем он может сам создавать гипотезы и проверять их. Это звучит обнадеживающе, и нам дано множество примеров, когда машинное обучение определяет речь, изображения, звуки и т. Д. На основе бесконечного потока входных данных.

Антитеза: Теорема Байеса может работать только в одном контексте с одним набором строго определенных понятий, поэтому она так хорошо работает, например, с машинным зрением. Если задуматься, алгоритм не может выдавать гипотезу в строго определенном контексте.Если концепции начинают становиться расплывчатыми, алгоритм начинает выдавать странные теории, пока не дойдет до отдельных концепций, но тогда он будет работать только с ними. Для достижения высокой точности даже в специализированном машинном обучении нам понадобится большое количество данных. Если сильный ИИ создает множество предположений и проверяет их на основе расплывчатых концепций, он создаст мир формальной статистики, и в какой-то момент эта статистика начнет противоречить знанию содержания. Давайте подумаем, как мы строим и проверяем наши гипотезы.Очевидно, мы не делаем этого на основании статистических данных, не так ли? Однако мы уверены в некоторых выводах, сделанных на основе очень небольшого количества данных. Почему так? Строго говоря, мы никогда не можем быть полностью уверены в этом, но нам достаточно иметь некоторые предположения, чтобы принять соответствующие решения. Мы можем расставить приоритеты задач в любом контексте, и нам часто приходится принимать статистически неблагоприятные, но наиболее подходящие решения в нашем случае. Таких решений в нашей жизни большинство, и они не обязательно являются трудными — самые простые решения всегда требуют восприятия контекста. Представим, что мы дали ИИ задание ухаживать за ребенком дома. Потом происходит пожар. Что будет делать ИИ: потушить огонь или вывести ребенка из дома? Судя по статистике погибших при пожарах, ребенка придется вывести из дома и принести в жертву огню. Но что, если пожар был небольшим, но из-за реакции ИИ на него стал большим, когда ИИ спасал ребенка, а не тушил огонь? Даже если ИИ научится определять размер пожара на основе научных данных о его распространении, будет ли это более бесполезным, чем обычная пожарная сигнализация? Мораль

такова: любая статистика может быть полезна только в контексте конкретной области, во всех остальных случаях она избыточна.Как только у ИИ есть две расплывчатые задачи, в большинстве случаев он примет неверное решение, даже если ему известны все условия. Кроме того, в случае пожара человек попытается его потушить, а в случае неудачи начнет спасать ребенка — это, скорее всего, будет лучшим решением. Однако, если ИИ обучается с «попыткой», количество неизвестных данных в какой-то момент превысит 99%, а не 50%.

AI развивается сам.

Тогда теоретики утверждают, что в процессе длительного обучения ИИ найдет критерий оценки и сам примет правильное решение.Он сможет находить связи скрытых объектов и таким образом научится лечить болезни, находить черные дыры и регистрировать субатомные частицы — в общем, он будет делать научные открытия, потому что ИИ может постоянно анализировать данные и поэтому он может генерировать «интуитивный разум».

Антитеза: В нашем мире действительно есть постоянные закономерности и множество скрытых связей. Ученый, совершающий открытие, находит эти связи или обнаруживает влияние фактора, о котором раньше не знали.Таким образом, биолог ищет генетические и химические закономерности болезни, а физик ищет физические процессы в природных явлениях. Во всех этих случаях ученый изучает объект в соответствии с природой данных. Существуют разные методы исследования объектов квантового размера и больших физических объектов. Этот метод был разработан в соответствии с теорией относительности, которую сложно понять. Эта теория была частично разработана на основе наблюдения последовательных закономерностей, но эти наблюдения также послужили основой для полностью неверных теорий эфира, господствовавших в 20 веке.Точно так же теория лучей, выходящих из наших глаз и отражающихся от объектов, преобладала в 19 веке, как на это указывали закономерности. Открытия происходят тогда, когда возникает принципиально иная точка зрения — тогда последовательные шаблоны обогащаются новым содержанием! По сути, они становятся другими факторами: вчера бог дождя послал с неба капли дождя, а сегодня облако — это совершенно разные факты и логические содержания одного явления. Такие открытия человек делает в необычайном напряжении своего воображения и только после этого определяет закономерности.Мы можем создавать бесконечное количество фантазий из закономерностей и аномалий. ИИ может научиться определять или прогнозировать те или иные заболевания на основе тестов, но он будет делать это только с очень конкретными данными в очень конкретном контексте. По сути, это автоматизация работы врача. ИИ никогда не сможет открыть принципиально новый фактор в болезни, потому что мы не сможем внести в нее представление о природе болезни. Почему? Потому что в абсолютном смысле мы сами не знаем природы какой-либо конкретной болезни.Если вы уверены, что «ученые знают», ответьте на простой вопрос: почему в одинаковых условиях один ребенок простужается, а другой — нет? После некоторого спора вы скажете, что у каждого человека есть своя «индивидуальность» — и это правильно. Но природа самой «индивидуальности» нам неизвестна, и поэтому мы знаем о болезни по крайней мере далеко не все. А это означает, что мы не можем ввести строгий критерий — он может только статистически отсортировать различные связи заболевания, что потребует проверки (например,грамм. люди с длинными волосами болеют раком в возрасте 40–45 лет). Как сказано в колмогоровской сложности, алгоритм не может определить наиболее согласованный образец. Он может найти только скрытые из текущего набора данных.

Можно сказать, что алгоритм не может измениться, его можно только указать, но разве изменения не лежат в основе «эволюции»? В узком техническом смысле, который нам подходит, эволюция подразумевает большую точность в решении прикладных задач, основанную на более дифференцированном восприятии этих задач.Интернет «эволюционировал», когда появилось больше прикладных сервисов и больше прикладных функций в них. Для любой эволюции, в том числе биологической, необходимо новое восприятие задачи, новый подход, что справедливо и для научных открытий. Но для алгоритма не может быть ничего нового — у него есть только существующая база данных, и если эта база данных уже содержит все мировые знания, ИИ будет интеллектом. А как насчет сложных операций, которые ИИ уже выполняет? Не путайте ИИ с автоматизацией, и я не нашел никаких надежных источников, где бы робот делал операцию в полном объеме.В более или менее надежной статье буквально было написано: «Дюпон представляет автономных роботов, помогающих хирургам в сложных операциях, снижающих утомляемость и позволяющих хирургам сосредоточиться на самых сложных маневрах, улучшая результаты». Это означает, что помогал робот, а ИИ в данном случае выполнял одну специализированную функцию — определял, где он находится, а затем передавал управление хирургу.

Разработка навигационных технологий для обеспечения безопасности полетов (Springer Aerospace Technology): Бабуров С.В., Бестугин А.Р., Галямов А.М., Саута О.И., Шатраков Ю.Г .: 洋 書

Бабуров Сергей Владимирович, кандидат технических наук, родился в 1984 году. Автор более 82 научных работ, в том числе 4 патентов на изобретения в области радиотехнических систем; специалист в области системного анализа, систем бортовой радиосвязи, навигации и управления воздушным движением; Первый заместитель генерального директора ОАО «Навигатор» по разработке и производству широкого спектра бортовой комплексной авионики.

Бестугин Александр Роальдович, профессор, доктор технических наук, 1960 года рождения. Директор Второго института аэрокосмического приборостроения Санкт-Петербургского государственного университета, заведующий кафедрой «Проектирование электронных и лазерных средств», автор Автор более 100 научных работ, в том числе 11 монографий, 4 патента на изобретения в области радиотехнических средств, научный руководитель отдела многофункциональных систем управления полетом самолетов.

Галямов Андрей Михайлович, кандидат технических наук, 1987 г.р.Он является автором более 50 научных работ, в том числе 2 патентов на изобретения в области радиотехнических систем; Генеральный директор ООО «ННК Консалтинг», эксперт-аудитор Межгосударственного авиационного комитета, эксперт-аудитор Росавиации, начальник испытательной лаборатории, член RTCA и EUROCAE, эксперт по испытаниям радиоэлектронных комплексов и повышению безопасности полетов всех типов воздушных судов.

Саута Олег Иванович, доктор технических наук, родился в 1960 году. Автор более 100 научных работ, в том числе 20 патентов на изобретения в области радиотехнических систем спутниковой навигации, посадки и систем повышения безопасности.Окончил Ленинградский государственный университет по специальности «радиофизика» (1983). Он защитил кандидатскую диссертацию в 1991 году и докторскую диссертацию в 2012 году. Он является специалистом в области авиационных радиотехнических систем навигации и посадки, основателем научного направления эргатических комплексов отображения навигационной информации и внешней среды для повышения безопасности полетов и посадки. снижение метеорологического минимума. Он является заместителем главного конструктора первых в России серийно выпускаемых бортовых систем предупреждения о приближении к земле и спутниковых систем посадки для всех типов самолетов.