Актуальность исследования влияния использования искусственного интеллекта (далее — ИИ) на телекоммуникации и радиоэлектронику обусловлена усложнением архитектуры сетей связи, ростом объемов обрабатываемой информации и необходимостью повышения надежности радиоэлектронных систем в условиях неопределенности. Интеграция ИИ трансформирует принципы управления сетями и обработки сигналов, формируя новые технологические стандарты отрасли.

Под искусственным интеллектом понимается комплекс технологических решений, направленных на имитацию когнитивных функций человека, в том числе обучение и принятие решений. А. В. Поначугин называет искусственным интеллектом комплекс технологических решений, позволяющий имитировать когнитивные функции человека [7].

Информационно-телекоммуникационные сети характеризуются высокой степенью динамичности и неоднородности. Развитие ИИ связано с обработкой больших массивов информации. А. Абдуллаев отмечает, что «с ростом объемов данных и увеличением сложности телекоммуникационных сетей, традиционные методы управления и оптимизации становятся недостаточно эффективными» [1], в связи с чем внедрение алгоритмов машинного обучения становится объективной технологической необходимостью.

Сегодня состояние и масштабы внедрения ИИ свидетельствуют о росте экономики России, о чем на пленарной сессии форума «Digital Almaty — 2024» заявил М. Мишустин. Внедрение технологий искусственного интеллекта в России к 2030 г. добавит экономике страны 6 %, или более 10 трлн руб. Экономическая составляющая подтверждает стратегический характер цифровой трансформации сетевой отрасли.

М. Мишустин также подчеркнул, что Россия входит в тройку мировых лидеров по цифровым компетенциям. Он также выделил три приоритетных направления развития информационных технологий в стране:

— запуск крупных проектов технологического суверенитета, так называемых мегапроектов;

— усиление подготовки инженерных команд;

— внедрение цифровых технологий [6].

Применение ИИ в телекоммуникационной среде связано с переходом сетевой инфраструктуры к интеллектуальному управлению ресурсами и процессами передачи информации. Модели машинного обучения анализируют параметры трафика, спектральную загрузку, уровень помех и поведенческие паттерны абонентов, после чего формируют управляющие воздействия на сетевые элементы. За счет алгоритмической оптимизации происходит динамическая балансировка каналов, перераспределение полосы пропускания и выбор маршрутов с минимальной задержкой. В системах радиодоступа ИИ регулирует мощность передатчиков, модуляцию и распределение частот, повышая спектральную эффективность и устойчивость связи. Аналитические модули выявляют аномалии трафика и признаки кибератак, поэтому возрастает уровень сетевой безопасности. Предиктивные модели обслуживания оборудования прогнозируют износ компонентов по телеметрии, благодаря чему сокращаются простои и эксплуатационные расходы. В результате телекоммуникационная инфраструктура приобретает свойства адаптивной среды, способной самостоятельно поддерживать стабильное качество услуг при изменении нагрузки и внешних условий.

Применение ИИ в телекоммуникациях определяется формированием новой парадигмы управления сетями на основе методов вероятностного прогнозирования, теории оптимального управления и стохастического анализа сигналов. Использование нейросетевых и байесовских моделей обеспечивает формализацию процессов адаптации радиоканалов, а также позволяет количественно оценивать устойчивость сетевой архитектуры при вариациях нагрузки. Поэтому телекоммуникационная инфраструктура рассматривается как самоорганизующаяся киберфизическая система с математически описываемыми контурами обратной связи.

ИИ рассматривается как инструмент автоматизации и повышения качества обслуживания. «ИИ способен автоматически анализировать большие объемы данных, выявлять аномалии и предлагать решения для их устранения» [2]. Анализ аномалий в сетевой инфраструктуре трансформируется в предиктивную модель управления качеством обслуживания. Алгоритмы машинного обучения формируют вероятностные профили нагрузки и обеспечивают адаптивную маршрутизацию трафика.

Таким образом, в научной среде сформирована основа интеллектуального управления телекоммуникационной инфраструктурой.

Искусственный интеллект в радиоэлектронике

Радиоэлектронные системы функционируют в среде стохастических процессов и шумовых воздействий. Цель применения ИИ — решение задач мониторинга, диагностики и прогнозирования технического состояния радиосистем [4]. Переход от классических статистических моделей к экспертным системам позволяет повысить устойчивость диагностики при ограниченности информации.

Искусственный интеллект в радиоэлектронике представляет совокупность алгоритмических методов машинного обучения, оптимизации и адаптивной обработки сигналов, внедряемых в аппаратно-программные радиосистемы для автоматизации анализа, управления и диагностики. Основное назначение заключается в повышении эффективности функционирования радиоэлектронных устройств за счет самообучающихся моделей, способных выявлять закономерности в спектральных, временных и пространственных характеристиках сигналов без прямого программирования.

А. Аннагараев подчеркивает, что искусственный интеллект может помочь ускорить разработку новых устройств, повысить их надежность и эффективность [3]. С инженерной точки зрения ИИ обеспечивает оптимизацию топологии схем, прогнозирование отказов и снижение энергетических потерь.

Функциональная роль ИИ в радиоэлектронике сводится к трем задачам: интеллектуальная обработка сигналов, автономное управление параметрами радиосистем и прогнозная диагностика аппаратуры. Алгоритмы обеспечивают фильтрацию помех, оптимизацию частот и мощности, а также раннее выявление неисправностей [5]. Внедрение ведет к переходу от фиксированных режимов работы к когнитивным радиосистемам с адаптацией к изменению среды и нагрузки, поэтому повышаются устойчивость связи и спектральная эффективность.

Таким образом, ИИ в радиоэлектронике выступает как инструмент интеллектуального сопровождения жизненного цикла устройства от проектирования до эксплуатации.

Интеллектуализация радиолокационных систем

Радиолокационные комплексы характеризуются высокой сложностью обработки сигналов и необходимостью функционирования в условиях плотной помеховой среды. Классические фильтрационные методы эффективны при выполнении статистических предположений, однако в реальной обстановке спектр сигналов часто изменяется непредсказуемо.

Интеграция ИИ в радиолокацию осуществляется по нескольким направлениям:

1. Гибридная фильтрация. Совмещение калмановских алгоритмов и адаптивных моделей обеспечивает устойчивость к вариативности помех.
2. Нечеткая логика. Используется для интерпретации неоднозначных ситуаций, когда параметры сигналов пересекаются в многомерном пространстве признаков.
3. Классификация объектов. Глубокие нейронные сети анализируют спектральные и временные характеристики отраженных сигналов, повышая точность распознавания.
4. Адаптивное управление излучением. Интеллектуальные алгоритмы регулируют параметры радара в зависимости от условий среды.

Когнитивная радиолокация предполагает замкнутый цикл: измерение — анализ — адаптация. Система самостоятельно корректирует параметры, повышая вероятность обнаружения и снижая уровень ложных тревог.

Комплексное внедрение ИИ формирует следующие эффекты:

1. повышение адаптивности ИТС за счет автоматизированной оптимизации маршрутизации;
2. снижение времени обнаружения отказов и аномалий;
3. рост точности мониторинга параметров радиосистем;
4. повышение устойчивости радиолокационных комплексов к неопределенности;
5. оптимизация проектирования и энергоэффективности электронных устройств.

Таким образом, ИИ становится архитектурным элементом телекоммуникационной и радиоэлектронной инфраструктуры, обеспечивая когнитивную адаптацию систем. С научной точки зрения ИИ выступает как инструмент преодоления неопределенности. Он позволяет строить адаптивные аппроксимации сложных процессов, формируя модель поведения системы без полного знания ее внутренней структуры.

Таким образом, развитие технологий искусственного интеллекта формирует качественно новую парадигму функционирования телекоммуникационных и радиоэлектронных систем, основанную на принципах адаптивности, самообучения и предиктивного управления. Интеграция интеллектуальных алгоритмов обеспечивает повышение надежности обработки сигналов, устойчивости сетевой инфраструктуры и точности диагностики аппаратуры. Применение ИИ в радиосистемах и радиолокационных комплексах подтверждает его роль как универсального инструмента анализа неопределенных процессов. Следовательно, интеллектуализация цифровой инфраструктуры становится системным фактором технологического развития отрасли и основой формирования когнитивных коммуникационных сред будущего.

Потенциал дальнейшего технологического прогресса связывают с объединением систем ИИ и квантовых вычислительных платформ, внедрением сетей поколения 6G и применением когнитивных методов распределения радиоресурсов. Прослеживается тенденция к переносу обучающих процедур на периферийные вычислительные узлы для сокращения времени в сетевом контуре и увеличения степени автономного функционирования оборудования.

Особое направление связано с созданием моделей объяснимого ИИ. Требование к интерпретации механизмов вычислительных решений усиливается из-за потребности поддерживать предсказуемость поведения алгоритмов в критически важных технических комплексах.

В совокупности формируется основа цифровой инфраструктуры перспективных телекоммуникационных и радиоэлектронных систем. Процессы обработки сигналов, управления ресурсами и контроля рабочих параметров оборудования переходят к режимам когнитивной адаптации, обеспечивающим изменение конфигурации вычислительных процедур под воздействием внешних условий.

Литература:

1. Абдуллаев А. Интеграция искусственного интеллекта и машинного обучения в телекоммуникации: будущие тренды / А. Абдуллаев, А. Акмырадова, П. Алланурова // Вестник науки. — 2024. — Т. 3, № 9 (78). — С. 260–263.
2. Агабаева Г. Искусственный интеллект в телекоммуникационных сетях: достижения и применения / Г. Агабаева, О. Аннабаева, А. Аннамырадов // Вестник науки. — 2024. — Т. 3, № 9 (78). — С. 272–275.
3. Аннагараев А. Применение искусственного интеллекта в развитии электроники / А. Аннагараев, И. Гадамов, Ш. Мередов // Символ науки. — 2024. — № 4–2-2. — С. 49–51.
4. Габриэльян Д. Д. Искусственный интеллект в системе мониторинга, диагностики и прогнозирования технического состояния радиотехнических систем / Д. Д. Габриэльян, Б. Х. Кульбикаян, П. И. Костенко, О. А. Сафарьян // Вестник Ростовского государственного университета путей сообщения. — 2021. — № 4 (84). — С. 91–99.
5. Колкк А. А. Повышение эффективности системы управления комплексом радиотехнической разведки внедрением элементов искусственного интеллекта / А. А. Колкк, Е. О. Подивилова, В. И. Ширяев // Воздушно-космические силы. Теория и практика. — 2021. — № 19. — С. 179–195.
6. Мишустин: экономический эффект от внедрения ИИ в РФ к 2030 году превысит 10 трлн рублей // ТАСС. — 2025. — URL: https://tass.ru/ekonomika/19882465 (дата обращения: 10.02.2026).
7. Поначугин А. В. Перспективы использования искусственного интеллекта в информационно-телекоммуникационных сетях / А. В. Поначугин, В. Д. Степанов, А. С. Базуева // Доклады ТУСУР. — 2025. — Т. 28, № 1. — С. 119–123.