Основы технологий искусственного интеллекта
Покупка
Новинка
Издательство:
Поволжский государственный технологический университет
Год издания: 2023
Кол-во страниц: 272
Дополнительно
Вид издания:
Учебное пособие
Уровень образования:
Профессиональное образование
ISBN: 978-5-8158-2358-7
Артикул: 822974.01.99
Доступ онлайн
В корзину
Учебное пособие предназначено для студентов вузов, изучающих технологии искусственного интеллекта (ИИ), а также различные его аспекты в рамках дисциплин интеллектуального анализа данных, машинного обучения, больших данных или разделов ИИ других дисциплин. Даются теоретические основы технологий ИИ: понятие ИИ, его сквозные технологии, основные подходы управления знаниями, математические методы анализа данных и машинного обучения, нечеткой логики и эволюционных вычислений, а также глубинного обучения нейронных сетей. На большом числе примеров рассматриваются инструменты автоматизации решения базовых задач ИИ. Издание также может быть полезно для педагогов при подготовке учебно-методических материалов по тематике искусственного интеллекта.
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
А. В. КРЕВЕЦКИЙ Ю. А. ИПАТОВ Н. И. РОЖЕНЦОВА ОСНОВЫ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Учебное пособие Под общей редакцией А. В. Кревецкого Йошкар-Ола ПГТУ 2023
УДК 004.8(075.8) ББК 32.813я73 К 79 Рецензенты: профессор, доктор технических наук М. В. Петропавловский (МарГУ); доцент, кандидат технических наук И. Н. Нехаев (ПГТУ) Печатается по решению редакционно-издательского совета ПГТУ Кревецкий, А. В. К 79 Основы технологий искусственного интеллекта: учебное посо- бие / А. В. Кревецкий, Ю. А. Ипатов, Н. И. Роженцова; под общ. ред. А. В. Кревецкого. – Йошкар-Ола: Поволжский государственный технологический университете, 2023. – 272 с. ISBN 978-5-8158-2358-7 Учебное пособие предназначено для студентов вузов, изучающих тех- нологии искусственного интеллекта (ИИ), а также различные его аспекты в рамках дисциплин интеллектуального анализа данных, машинного обучения, больших данных или разделов ИИ других дисциплин. Даются теоретические основы технологий ИИ: понятие ИИ, его сквозные технологии, основные подходы управления знаниями, математические методы анализа данных и машинного обучения, нечеткой логики и эволюционных вычислений, а также глубинного обучения нейронных сетей. На большом числе примеров рассматриваются инструменты автоматизации решения базовых задач ИИ. Издание также может быть полезно для педагогов при подготовке учебно-методических материалов по тематике искусственного интеллекта. УДК 004.8(075.8) ББК 32.813я73 ISBN 978-5-8158-2358-7 © Кревецкий А. В., Ипатов Ю. А., Роженцова Н. И., 2023 © Поволжский государственный технологический университет, 2023
ОГЛАВЛЕНИЕ Введение....................................................................................................... 8 1. ПОНЯТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА..................11 1.1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ.......................................................11 Основные направления исследований в области искусственного интеллекта........................................................12 Виды искусственного интеллекта..............................................15 Этапы развития искусственного интеллекта..........................16 Сферы применения искусственного интеллекта......................20 Связь между искусственным интеллектом, машинным обучением, глубоким обучением, Data Science и Data Mining...21 1.2. СКВОЗНЫЕ ЦИФРОВЫЕ ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРИКЛАДНЫХ ОБЛАСТЯХ .............................................23 Компьютерное зрение..................................................................23 Обработка естественного языка...............................................25 Рекомендательные системы и системы поддержки принятия решений........................................................................28 Распознавание и синтез речи ......................................................33 Перспективные методы искусственного интеллекта (сильный интеллект)....................................................................38 КОНТРОЛЬНЫЕ ЗАДАНИЯ........................................................................38 2. УПРАВЛЕНИЕ ЗНАНИЯМИ И МОДЕЛИРОВАНИЕ РАССУЖДЕНИЙ.....................................................................................40 2.1. ЭМПИРИЧЕСКИЕ МОДЕЛИ...............................................................40 Продукционные системы.............................................................40 Семантические сети....................................................................41 Фреймовые модели .......................................................................43 Ленемы...........................................................................................43 2.2. ТЕОРЕТИЧЕСКИЕ МОДЕЛИ...........................................................44 Формальные логические модели..................................................44 Комбинаторные модели...............................................................44 Алгебраические модели.................................................................45
2.3. НЕЧЕТКАЯ ЛОГИКА .....................................................................45 Основные понятия нечеткой логики...........................................45 Нечеткий логический вывод ........................................................49 Модификации машин нечеткого вывода....................................54 Гибридные нечеткие технологии................................................55 КОНТРОЛЬНЫЕ ВОПРОСЫ ...................................................................58 3. МАШИННОЕ ОБУЧЕНИЕ..........................................................59 3.1. ПОНЯТИЕ МАШИННОГО ОБУЧЕНИЯ ............................................59 Определение ML............................................................................59 Постановка задачи машинного обучения по прецедентам......62 Признаки........................................................................................63 Виды задач машинного обучения ................................................64 Этапы машинного обучения........................................................67 Функционалы качества................................................................69 Оценки обобщающей способности.............................................70 3.2. ПОКАЗАТЕЛИ КАЧЕСТВА ОБУЧЕНИЯ...........................................71 Матрица ошибок..........................................................................71 Частные метрики классификации .............................................71 Метрика AUC-ROC......................................................................74 Меры качества для прогнозных оценок......................................75 3.3. ВИДЫ МАШИННОГО ОБУЧЕНИЯ..................................................76 Классическое обучение.................................................................77 Обучение с подкреплением...........................................................78 Ансамблевые методы...................................................................78 Глубокое обучение и нейронные сети.........................................80 Применимость видов машинного обучения ...............................81 КОНТРОЛЬНЫЕ ВОПРОСЫ ...................................................................82 4. ОБУЧЕНИЕ РАСПОЗНАВАНИЮ ОБРАЗОВ .........................83 4.1. ВЫБОР, ОПИСАНИЕ И ВИЗУАЛИЗАЦИЯ ПРИЗНАКОВ....................83 Векторные модели образов .........................................................83 Вероятностные модели образов.................................................89 Нормировка признаков.................................................................94 Выбор признаков...........................................................................96 Снижение размерности признакового пространства .............97
4.2. ГЕОМЕТРИЧЕСКИЙ ПОДХОД К РАСПОЗНАВАНИЮ ОБРАЗОВ .....104 Меры схожести образов на основе расстояния и скалярного произведения.........................................................104 Алгоритм ближайшего соседства (NN – Nearest Neighbor) ..106 Алгоритм k ближайших соседей (KNN) ...................................107 Кластеризация. Алгоритм «k-средних»....................................109 4.3. ВЕРОЯТНОСТНЫЙ ПОДХОД К РАСПОЗНАВАНИЮ ОБРАЗОВ.......113 Алгоритм максимального правдоподобия. Функция правдоподобия. Отношение правдоподобия...........................114 Минимальная достаточная статистика распознавания......115 Критерий максимальной апостериорной вероятности (МАВ) ...................................................................118 Критерий Неймана-Пирсона.....................................................121 Критерий Байеса (минимума среднего риска).........................121 Характеристики распознавания...............................................123 4.4. СТРУКТУРНО-ЛИНГВИСТИЧЕСКИЕ МЕТОДЫ РАСПОЗНАВАНИЯ ..............................................................................128 Постановка задачи синтаксического распознавания образов.........................................................................................129 Синтаксическое распознавание на основе меры схожести. Расстояние Левенштейна.........................................................134 4.5. ДИСКРИМИНАНТНЫЙ ПОДХОД .................................................137 Общие положения ......................................................................137 Байесовский линейный дискриминатор....................................139 Метод опорных векторов..........................................................144 Метод потенциальных функций...............................................147 Логические методы распознавания. Решающие деревья .......151 КОНТРОЛЬНЫЕ ВОПРОСЫ .................................................................154 5. ВОССТАНОВЛЕНИЕ РЕГРЕССИИ И ПРОГНОЗИРОВАНИЕ.................................................................156 5.1. ЛИНЕЙНАЯ РЕГРЕССИЯ..............................................................156 Постановка задачи восстановления регрессии.......................156 Многомерная линейная регрессия .............................................159 Полиномиальная регрессия........................................................163 Регуляризация..............................................................................165 Взвешенная линейная регрессия ................................................169
5.2. НЕЛИНЕЙНАЯ РЕГРЕССИЯ .........................................................171 Принцип решения нелинейных уравнений Ньютона................172 Метод Ньютона-Рафсона ........................................................173 Метод Ньютона-Гаусса............................................................174 КОНТРОЛЬНЫЕ ВОПРОСЫ .................................................................175 6. ЧИСЛЕННЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ....177 6.1. МЕТОД ГРАДИЕНТНОГО СПУСКА ..............................................177 Постановка задачи.....................................................................177 Алгоритм градиентного спуска ................................................180 Пример обучения классификатора на искусственном нейроне.........................................................181 6.2. ОБОБЩЕННЫЕ МОДЕЛИ ДЛЯ НЕЛИНЕЙНОЙ РЕГРЕССИИ...........185 Логистическая регрессия...........................................................185 Обобщенная линейная модель....................................................194 Обобщенная аддитивная модель ..............................................198 6.3. СТОХАСТИЧЕСКИЙ ГРАДИЕНТНЫЙ СПУСК...............................201 Классический вариант SGD.......................................................201 Модификации SGD с улучшенной сходимостью .....................204 Модификации с адаптивным градиентом...............................206 Комбинированные модификации SGD......................................207 Метод Левенберга-Марквардта...............................................208 6.4. ЭВОЛЮЦИОННЫЕ ВЫЧИСЛЕНИЯ...............................................210 Генетические алгоритмы..........................................................210 Основные этапы генетического алгоритма............................212 Оценка сходимости генетического алгоритма.......................219 КОНТРОЛЬНЫЕ ВОПРОСЫ .................................................................221 7. МОДЕЛИРОВАНИЕ МОЗГА. НЕЙРОННЫЕ СЕТИ...........223 7.1. ОСНОВНЫЕ ПОНЯТИЯ НЕЙРОННЫХ СЕТЕЙ ...............................223 Биологическая и искусственная нейронные сети....................223 Математическая модель искусственного нейрона ................224 Нейронная реализация логических функций .............................227 7.2. РАЗНОВИДНОСТИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ........228 Однослойная нейронная сеть ....................................................230
Многослойная нейронная сеть ..................................................231 Сети прямого распространения...............................................236 Рекуррентные нейронные сети.................................................237 Сверточные сети .......................................................................241 Генеративно-состязательные сети.........................................246 7.3. ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ.................................................249 Общие принципы обучения нейронных сетей ..........................249 Метод обратного распространения ошибки..........................251 Метод случайных отключений нейронов Dropout...................254 Эвристики глубокого обучения..................................................256 КОНТРОЛЬНЫЕ ВОПРОСЫ .................................................................259 Заключение.........................................................................................261 БИБЛИОГРАФИЧЕСКИЙ СПИСОК...........................................264 Литература по искусственному интеллекту .........................264 Электронные ресурсы................................................................265 Дополнительная литература по распознаванию образов......266 Онлайн-курсы..............................................................................267 ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ .......................................................268
ВВЕДЕНИЕ Искусственный интеллект – эта тема у всех на слуху, и интерес к ней переживает сегодня бурный всплеск во всем мире. У нас в стране принята Стратегия развития искусственного интеллекта (ИИ) до 2030 года, издан Указ Президента РФ о развитии ИИ (2019 г.), в вузах открываются новые специальности и профили подготовки, связанные с технологиями ИИ или его отдельными прикладными аспектами, в учебные планы вводятся дисциплины по ИИ, анализу данных и машинному обучению, рабочие программы дисциплин дополняются разделами искусственного интеллекта. Сложились объективные условия для внедрения систем ИИ в нашу повседневную жизнь, производственные и бизнес-процессы, да практически в любую сферу деятельности. В чем состоят эти условия? Перечислим их без расстановки приоритетов. Это успехи микроэлектроники по созданию высокопроизводительных вычислительных средств с высокой степенью параллелизма, открытый несложный в использовании программный инструментарий для автоматизации задач ИИ, появление гигантского числа источников потоков данных о людях, территориях, экономических объектах, товарах, ситуациях на дорогах и в общественных местах, производственных процессах и многом другом. Это повышение доступности этих ресурсов за счет широкополосного Интернета и мобильной связи. Что мы сегодня «можем потрогать» из интеллектуальных техно- логий и с какими из них сталкиваемся в повседневной жизни и профессиональной деятельности? От имени банков с нами разговаривают роботы. Бумажный документ мы фотографируем и тут же получаем его в электронном виде с возможностью редактировать текст. В автомобиле мы голосом можем управлять устройствами мультимедиа и навигации, дома – «умными вещами». Сами «умные вещи» общаются между собой и договариваются, когда им включать свои функции, чтобы не перегружать электросеть. А как выросло качество машинного перевода?! Рекламные предложения в интернете становятся более адресными. Внедряются медицинские диагностические интеллектуальные системы. В кино уже вместо человека может играть его виртуальная модель. Боты собирают информацию из социальных сетей,
сами формируют и рассылают сообщения. Автономный транспорт начинает встречаться на дорогах, появляются другие автономные роботы. Искусственный интеллект уже натренирован сочинять тексты, стихи, музыку, генерировать снимки и видео на заданную тему. ИИ превзошел человека в шахматах и го. Мы уже не говорим о системах оптимизации производственных и бизнес-процессов. Через наши га- джеты мы пользуемся голосовыми помощниками. Языковые модели Яндекса, Сбера, Google поражают воображение. А появление всезнающего « собеседника» чат-бота ChatGPT просто повергло в шок мировое сообщество. Он может придумывать сценарии, подсказать, как продвигать ваш ролик в Интернете, решать домашние задания, писать рефераты и даже создавать несложные программы. Как все это устроено, на каких принципах работает, как автома- тизировать решение интеллектуальных задач в своей профессиональной сфере, вычленить закономерности из моря данных, обнаружить тренды? Знакомству с основами этих интеллектуальных технологий и посвящено наше издание. Авторы дают себе отчет, что «искусственный интеллект» сего- дня – это во многом маркетинговое название. Оно объединяет в себе достижения и технологии разных наук и прикладных областей. В традициях российской науки и образования публиковать монографии и учебники более узких традиционных направлений. Это объясняет наличие хороших книг и учебных материалов по отдельным аспектам искусственного интеллекта, например, базам знаний, распознаванию изображений, звука, сигналов, анализу данных, методам оптимизации и небольшой выбор учебной литературы по ИИ. В учебной литературе с названием «Искусственный интеллект», тоже по исторически сложившимся обстоятельствам, больший акцент сделан на системы управления знаниями. В данном издании мы попытались охватить необъятную тему ис- кусственного интеллекта, систематизировав многообразие его разнородных задач, методов и средств. Для наглядности восприятия сложный материал снабжен большим количеством иллюстраций, графиками и схемами, а также примерами использования удобного программного инструментария автоматизации решения базовых задач ИИ. Все это вылилось в основы технологий ИИ.
Занимаясь проблемами искусственного интеллекта, мы познако- мились с большим количеством открытых видеокурсов по отдельным направлениям ИИ и видеоуроков по его отдельным нюансам. Знакомясь с этими материалами, нам удалось расширить собственные представления об искусственном интеллекте и его приложениях. Мы выражаем благодарность авторам-энтузиастам этих материалов и желаем дальнейшего успешного творчества. Несколько слов о структуре издания. Первая глава посвящена по- нятию искусственного интеллекта и сквозным технологиям ИИ, являющимся атрибутом интеллектуальной системы независимо от его прикладной направленности. Во второй главе дается представление о знаниях, а также методах и средствах моделирования рассуждений, включая нечетную логику. В третьей главе рассматриваются понятие машинного обучения, различные его виды. Четвертая и пятая главы посвящены основным моделям алгоритмов решения интеллектуальных задач. В шестой главе рассматриваются численные методы обучения моделей алгоритмов искусственного интеллекта, основанные на градиентном спуске и эволюционных вычислениях. В седьмой главе приводятся актуальные сведения об искусственных нейронных сетях, их возможностях, а также специфических подходах к их обучению. В заключении обсуждаются новые профессии, порожденные внедрением в нашу жизнь искусственного интеллекта. Надеемся, что знакомство с основами технологий искусственного интеллекта, представленными в данном издании, будет для вас интересным и полезным.
ПОНЯТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 1.1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ Первое определение искусственного интеллекта дал Джон Мак- карти в 1956 году на конференции в Дартмутском университете. Поясняя своё определение, Джон Маккарти указывает: «Проблема состоит в том, что пока мы не можем в целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные. Поэтому под интеллектом в пределах этой науки понимается только вычислительная составляющая способности достигать целей в мире». В то же время существует и точка зрения, согласно которой ин- теллект может быть только биологическим феноменом. В английском языке словосочетание Artificial Intelligence не имеет антропоморфной окраски, которую оно приобрело в традиционном русском переводе: слово intelligence в используемом контексте скорее означает «умение рассуждать разумно», а вовсе не «интеллект» ( для которого есть английский аналог intellect). Современное наиболее распространенное определение искус- ственного интеллекта дается в Википедии: Искусственный интеллект (ИИ; англ. Artificial Intelligence, AI) − наука и технология создания интеллектуальных машин и ком- пьютерных программ; − свойство искусственных систем выполнять функции, которые традиционно считаются интеллектуальными. Юридическое определение ИИ введено Указом Президента Рос- сийской Федерации 2019 года: «искусственный интеллект – комплекс технологических решений, позволяющий имитировать когни- тивные функции человека (включая самообучение и поиск решений
без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений». Оба определения отсылают к понятию естественного интеллекта, которое на сегодняшний день не формализовано из-за сложности и не- познанности самого явления. В то же время принято считать, что интеллект как способность объединяет способности познавать, обучаться, мыслить логически, систематизировать информацию, определять её применимость, находить в ней связи, закономерности и отличия, ассоциировать её с подобной, оценивать последствия действий и событий, планировать взаимодействие с окружающим миром, поведение с учетом этих прогнозов. Познавательные способности, в свою очередь, базируются на других сложных свойствах: ощущение, восприятие, память, представление, мышление, воображение. Интеллект – это также социальное явление, а значит интеллектуальная система должна еще уметь общаться с другими интеллектуальными системами. В сегодняшнем представлении все это многообразие в искус- ственном интеллекте сводится к укрупненным необходимым функциям: правильно интерпретировать внешние данные (анализ данных), извлекать уроки из таких данных (машинное обучение) и использовать полученные знания (управление знаниями) для достижения конкретных целей и задач при помощи гибкой адаптации (кибернетика). В скобках даны научные дисциплины, изучающие соответствующие интеллектуальные задачи. Части этих самостоятельных дисциплин и присущие им технологии пересекаются в искусственном интеллекте и во многом дополняют, но не исчерпывают его содержание. Основные направления исследований в области искусственного интеллекта Выделяют два крупных пути исследований в области ИИ: 1) моделирование мозга. Здесь пытаются ответить на вопрос: «Что может мыслить?» и изучают нейронные сети;
2) моделирование рассуждений. Здесь стараются понять, «как человек мыслит». Второй путь можно разделить по кругу решаемых задач на более детализированные направления исследований и разработок: 1. Представление знаний и манипулирование знаниями. В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальных информационных систем (ИИС). Для этого разрабатываются специальные модели представления знаний (продукционная модель, семантические сети, фреймы, логические модели) и языки для их описания. Определяются источники, из которых черпаются знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний. Для того чтобы знаниями можно было пользоваться при решении задач, надо научить ИИС оперировать ими. В рамках данного направления: - создаются методы достоверного или правдоподобного вывода на основе имеющихся знаний; - предлагаются модели рассуждений, опирающиеся на знания и имитирующие особенности человеческих рассуждений; - разрабатываются способы пополнения, структуризации, форма- лизации и классификации знаний. Манипулирование знаниями очень тесно связано с представле- нием знаний. Многие исследователи считают, что эти два направления можно разделить лишь условно. 2. Восприятие и общение. В круг задач этого направления входят проблемы распознавания, понимания и синтеза связных текстов на естественном языке, речи, зрительных образов, а также другой аудио- и видеоинформации. К этому же кругу проблем примыкают задачи формирования объяснений действий ИИС, которые она должна уметь порождать по просьбе человека. На основе исследований в этом направлении формируются методы построения лингвистических процессоров, запросно-ответных систем, диалоговых систем, игр и других информационных систем, целью которых является обеспечение комфортных условий для общения человека с ИИС. 3. Обучение. Предполагается, что ИИС подобно человеку должны быть способны к постоянному обучению – решению задач, с которыми
они ранее не встречались. Для этого разрабатываются методы корректировки уже имеющихся знаний на основе поступающей информации, генерации новых знаний, обобщения и классификации знаний и т.д. 4. Поведение. Так как ИИС должны действовать в некоторой окружающей среде, то необходимо разработать специальные поведенческие процедуры, которые позволили бы им адекватно взаимодействовать с окружающей средой, другими информационными системами и людьми. Для достижения такого взаимодействия разрабатываются модели целесообразного, нормативного и ситуационного поведения, специальные методы многоуровневого планирования и коррекции планов в динамических ситуациях. 5. Разработка аппаратного и программного обеспечения интел- лектуальных информационных систем. В рамках этого направления создаются инструментальные средства для разработки ИИС, компьютеров, ориентированных на обработку символьной информации, интеллектуальных роботов и т.д. Рис. 1. Укрупненная классификация ИИ по используемым подходам
По используемым для решения задач подходам все исследования в области ИИ можно сгруппировать, как показано на рисунке 1. Здесь видно, что при проектировании ИИС используются ме- тоды из различных разделов математики, кибернетики, лингвистики и других наук, как они объединяются в новых популярных научных дисциплинах: «Гибридный вычислительный интеллект», «Машинное обучение». Виды искусственного интеллекта Технологии ИИ подразделяют по двум критериям: на основе функций и на основе возможностей. По возможностям различают: 1) слабый (или ограниченный) искусственный интеллект (Artificial Narrow Intelligence, ANI) – когда машина может справляться только с ограниченным набором отдельных задач лучше человека. Именно на данной стадии сейчас находится тот ИИ, с которым мы сталкиваемся повседневно; 2) общий (сильный / широкий) искусственный интеллект (Artificial General Intelligence, AGI) – когда компьютер может решить любую интеллектуальную задачу так же хорошо, как и человек; 3) сверхразумный (или супер) искусственный интеллект (Artificial Super Intelligence, ASI) – гипотетический ИИ, который сможет превзойти человека во всех задачах интеллектуального и творческого характера. Такое деление появилось благодаря двум гипотезам философии ИИ о сильном и слабом ИИ: 1) теория сильного искусственного интеллекта предполагает, что компьютеры могут приобрести способность мыслить и осознавать себя как отдельную личность (в частности, понимать собственные мысли), хотя и не обязательно, что их мыслительный процесс будет подобен человеческому; 2) теория слабого искусственного интеллекта отвергает такую возможность. По функциям можно выделить: 1) реактивный (реагирующий) ИИ – анализирует обстановку и вырабатывает ответную реакцию. Типичным представителем является шахматный компьютер Deep Blue от IBM;
Доступ онлайн
В корзину