Научный архив: статьи

В течение последнего десятилетия технологии искусственного интеллекта (ИИ) стали одним из наиболее востребованных направлений развития науки и технологий. Этот процесс затронул и историческую науку, в которой первые исследования в этом направлении начались в 1980-х гг. (т. н. первая волна) - как в нашей стране, так и за рубежом. Затем наступила “зима искусственного интеллекта”, а в начале 2010-х гг. пришла “вторая волна” ИИ. Предмет исследования в данной статье - новые возможности применения ИИ в истории и новые проблемы, возникающие в этом процессе в настоящее время, когда основным направлением ИИ стали искусственные нейросети, машинное обучение (включая глубокое обучение), генеративные нейросети, большие языковые модели и т. д. Исходя из опыта применения ИИ историками, в статье предложены следующие семь направлений таких исследований: распознавание рукописных и старопечатных текстов, их транскрибирование; атрибуция и датировка текстов с помощью ИИ; типологическая классификация и кластеризация данных статистических источников (в частности, с использованием нечеткой логики); источниковедческие задачи, восполнение и обогащение данных, их реконструкция с помощью ИИ; интеллектуальный поиск релевантной информации, использование генеративных нейросетей с этой целью; использование генеративных сетей для обработки и анализа текстов; использование ИИ в архивах, музеях и других учреждениях хранения культурного наследия. Проведен анализ обсуждения подобных вопросов, организованный ведущим американским историческим журналом AHR. Это концептуальные вопросы взаимодействия человека и машины («историк в мире искусственных нейросетей»), возможности использования историками технологий машинного обучения (в частности, глубокого обучения), различных инструментов ИИ в исторических исследованиях, а также эволюции ИИ в XXI веке. Затрагивались и практические аспекты, например, опыт распознавания с помощью ИИ текстов газет минувших веков. В заключении рассмотрены проблемы использования историками генеративных нейросетей.

Авторы представляют практическое исследование особенностей заказных отзывов, которые упоминаются маркетологами и другими экспертами. Из-за обилия заказных отзывов на маркетплейсах доверие потребителей падает не просто к продавцу или площадке, но к самому жанру. В работе представлены результаты автоматической классификации отзывов с российских маркетплейсов на потенциально заказные и честные при помощи моделирования признаков, которые эксперты называют признаками заказного отзыва (наличие шаблонных слов, восклицательных знаков, эмодзи, положительная тональность), и алгоритмов машинного обучения. Для решения поставленной задачи был собран корпус с российских маркетплейсов Wildberries и «Мегамаркет» объемом 6 288 текстов. В качестве целевой переменной (предсказываемого класса) выступает соотношение лайков и дизлайков, поставленных отзыву другими покупателями. Лучший результат демонстрирует метод опорных векторов SVM (англ. support vector machine) в бинарной классификации на отзывы с низким и высоким рейтингом (без нейтральных). Модель классификации подтверждает, что формальные признаки, выделяемые экспертами как указывающие на заказные отзывы, действительно имеют предсказательный потенциал. Качество модели снижают дисбаланс в классах и недостаточное количество отзывов с реакциями покупателей в нашем корпусе, что оставляет задел для дальнейшей работы.

Развитие и широкое применение современных технологий, инструментов и методов коммуникации являются неотъемлемой частью современного информационного общества. В частности, нынешние коммуникативно-информационные технологии предоставляют возможность сформировать и извлечь цифровой след для отдельного индивида или определенной группы. Применительно к деятельности органов государственной власти такой цифровой след может быть использован для более эффективного анализа реакции общества на ее действия. Изучая цифровой след акторов социальных сетей в конкретном регионе, можно определить, как население относится к различным решениям и мерам, принятым властями. Благодаря цифровой партисипации граждане имеют возможность и инструмент для содействия управленческому процессу на стадиях формирования и реализации решений. Цифровая партисипация создает цифровой след, анализ которого дает обратную связь на действия властей. Целью работы является предложение коммуникативно-информационной модели включения цифровой партисипации в оценку социальных процессов, состоящей из механизмов и интерфейсов получения информации, а также механизмов и интерфейсов получения обратной связи для оценки деятельности органов государственной власти региона. Практически доказана работоспособность модели на примере социально значимого события в Орловской области. На примере центров управления регионом показана целесообразность внедрения модели для оценки деятельности региональных органов государственной власти через получение обратной связи. Это позволит увеличить вовлеченность граждан в регулирование социальных процессов региона и повысить качество управления.

В настоящее время индустрия контейнерных перевозок активно развивается благодаря внедрению новых технологий и современных информационных систем. Они позволяют оптимизировать процессы управления цепочками поставок и автоматизировать транспортно-логистические процессы, что в свою очередь повышает эффективность управления. При этом, одной из важных задач при планировании интермодальной перевозки является выбор оптимального маршрута, что напрямую влияет на стоимость и скорость доставки груза. Для ее решения необходимо разработать инструмент, с помощью которого будет возможно оперативно анализировать все сценарии перевозки, выбирать оптимальный маршрут и предлагать его клиенту. В статье рассматриваются существующие методы машинного обучения, применяемые для оптимизации маршрута транспортных средств. Основная цель данной статьи заключается в исследовании разработанных решений для их дальнейшего применения в транспортно-логистических процессах. Внедрение изученных инструментов поможет участникам транспортно-логистического рынка эффективно сопоставлять инфраструктурные возможности с возникающим спросом на перевозки.

Представленная научная статья рассматривает инновационные подходы к управлению логистическими рисками в Республике Казахстан с использованием примеров и статистических данных. Подходы, такие как использование технологий Интернета вещей (IoT), аналитика данных и машинное обучение, цифровизация и автоматизация процессов, а также гибридные логистические модели, рассматриваются в контексте их преимуществ и недостатков. Приведены конкретные примеры интеграции каждого подхода в практику компаний в Республике Казахстан и статистические данные о результативности их внедрения. Обсуждаются перспективы инновационных подходов в логистике Казахстана, выявляются вызовы и противоречия, а также указывается на необходимость балансировки между потребностями бизнеса, общества и государства для достижения устойчивого развития логистических систем.

В статье приводятся результаты применения методов машинного обучения для исследования данных специальной анкеты, учитывающей общие характеристики авиарейсов, характеристики пассажиров и их мнения о различных аспектах авиарейса. Цель исследования - выявление в экспериментальных данных факторов, негативно влияющих на отношение пассажиров к услугам авиакомпании. При проведении исследования были использованы популярные алгоритмы, входящие в состав свободного программного обеспечения для анализа данных и машинного обучения, университета Вайкато (Новая Зеландия) WEKA, распространяемого по лицензии GNU GPL: наивный байесовский классификатор; многослойный перцептрон, использующий алгоритм обратного распространения ошибки; метод ближайших соседей (KNN) с адаптивным подбором параметров; деревья решений - алгоритм J48, который является аналогом на Java известного алгоритма C4.5; случайный лес; логистическая регрессия; алгоритм адаптивного бустинга (AdaBoost); машина опорных векторов - алгоритм SMO (Sequential Minimal Optimization), являющийся одной из возможных реализаций алгоритма машины опорных векторов. Показано, что наилучшие по точности модели, отражающие удовлетворенность пассажиров услугами авиакомпании, получаются с помощью алгоритмов «случайный лес» (погрешность на тестовой выборке - 3,9 %) и нейросетевого подхода (погрешность на тестовой выборке - 3,7 %). Вместе с тем, указанные алгоритмы не позволяют явным образом выделить факторы, характерные для авиапассажиров, не удовлетворенных качеством обслуживания. Этот пробел восполняет алгоритм на основе метода структурного резонанса в многомерных данных SRMD, позволивший выявить в данных точные логические правила, обладающие высокой полнотой. Полученные логические правила являются хорошо интерпретируемыми паттернами пассажиров, которые либо отрицательно, либо нейтрально оценивают услуги авиакомпании в целом. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

В статье рассматривается применение генеративно-состязательной сети (GAN) в задаче повышения разрешения изображений в два раза. Приводится описание архитектуры GAN на основе сверточной сети. Сеть обучена с использованием набора данных состоящего из 540 изображений природного ландшафта с разрешением 256 на 256 пикселей. В результате тестирования GAN получены усредненные коэффициенты метрик PSNR, SSIM, MFSD, а также среднеквадратичная ошибка вывода модели VGG-19. Приведены результаты сравнения качества изображений с увеличенным разрешением на основе GAN и методом масштабирования с использованием фильтра Ланцоша.

Банковская сфера - одна из самых быстроразвивающихся отраслей финансового рынка. Банки регулярно внедряют в бизнес-процессы новейшие технологии, которые меняют облик всей экономики. Целью данного исследования стало выявление ключевых направлений внедрения искусственного интеллекта в банковской сфере, определение его преимуществ и потенциальных рисков. В статье представлены области использования искусственного интеллекта, включая обслуживание клиентов, управление финансовыми рисками, обнаружение мошенничества и соблюдение нормативных требований. Особое внимание уделено влиянию искусственного интеллекта на автоматизацию процессов, персонализацию услуг и повышение операционной эффективности. Методологическая основа исследования включает анализ научных источников, сравнительный метод и обобщение практических примеров. В ходе исследования установлено, что использование искусственного интеллекта позволяет снизить операционные издержки, повысить точность прогнозирования и сократить финансовые риски. Результаты анализа демонстрируют, что потенциал искусственного интеллекта в банковском секторе высок, однако его успешное внедрение требует комплексного подхода, включающего технологическую трансформацию, совершенствование нормативного регулирования и решение некоторых этических вопросов. В заключение подчеркивается необходимость баланса между технологическими инновациями и ответственным использованием искусственного интеллекта для достижения максимальной эффективности банковских процессов.

Целью исследования является оценка потребительских свойств линейно протяжённых участков дороги с учётом фактического коэффициента её прочности по международному показателю методами машинного обучения. Предметом исследования является интенсивность транспорта на линейно протяжённом участке автомобильной дороги и состояние его дорожного покрытия. Объектом исследования является участок дороги М-1 «Беларусь», 86-й километр, за временной промежуток с 2014 по 2024 год. Для достижения цели выбраны алгоритмы машинного обучения (линейная регрессия, градиентный бустинг, случайный лес и нейронные сети на основе длительной кратковременной памяти своего рода динамического языка программирования Python в средах разработки от Microsoft (Visual Studio Code) и Google (Colaboratory) в режиме Jupyter Notebook. Построена модель машинного обучения, посредством которой произведена оценка потребительских свойств участка дороги М-1 «Беларусь», 86-й километр, и его потребительских свойств с учётом фактического коэффициента прочности по международному показателю, а также даны рекомендации по планированию мероприятий по поддержанию и ремонту дорожного покрытия этого участка дороги. Построение подобных моделей машинного обучения и их реализация для линейно протяженных участков дорог позволит прогнозировать интенсивность транспортного потока и, как следствие, решать основные задачи содержания дороги - оптимизировать время и средства при планировании и реализации мероприятий на этапе эксплуатации объектов транспортной инфраструктуры, учитывать возможные риски потери качества состояния дороги при её обновлении и проектировании новых элементов.

В условиях автоматизированного производства одной из ключевых задач является прогнозирование износа режущего инструмента при фрезеровании, поскольку своевременная замена инструмента позволяет повысить качество обработки, сократить простои оборудования и минимизировать затраты. В статье рассматриваются теоретические аспекты прогнозирования износа, анализируются современные алгоритмы машинного обучения (регрессионные модели, деревья решений, нейронные сети) и источники данных (вибрация, температура, сила резания и др.). Обосновывается необходимость внедрения интеллектуальных систем мониторинга, позволяющих на основе анализа данных предсказывать степень износа инструмента. Полученные результаты могут служить основой для создания практических решений по интеграции машинного обучения в системы управления фрезерованием.

Технологии, основанные на искусственном интеллекте (ИИ), все чаще заменяют и дополняют людей в управленческих задачах, таких как принятие решений. Современные технологии искусственного интеллекта способны выполнять когнитивные функции, ранее связанные только с человеческим разумом. Согласно ресурсной концепции фирмы (RBV), когнитивные способности людей являются источником некопируемых конкурентных преимуществ, так как их трудно имитировать, таким образом, технологии ИИ способны менять источники конкурентных преимуществ.

Данное исследование посвящено выявлению факторов, влияющих на решение промышленных компаний о внедрении технологий искусственного интеллекта, а также исследованию взаимосвязи внедрения технологий ИИ с эффектами замещения и/или дополнения когнитивных способностей сотрудников и их влияния на формирование конкурентного преимущества.

Исследование проведено на базе данных 147 промышленных компаний, эмпирические оценки возникновения эффекта замещения при внедрении технологий ИИ и эффекта взаимодополнения проводились при помощи двух моделей: пробит-модели со случайными эффектами (random effect probit) и логит-модели с постоянными эффектами (fixed effect logit), которая позволила оценить внутрифирменную динамику изменения ресурсов при внедрении в бизнес-процесс технологий ИИ, то есть проследить эффект замещения ресурсов при внедрении ИИ.

Полученные результаты показали, что: (1) решение об инвестировании в технологии ИИ зависит от таких факторов, как наличие компетенций для внедрения ИИ, затраты на внедрение новых технологий и уровень текущих затрат в целом по компании, ожидание финансовых и экономических эффектов; (2) решение об инвестициях в ИИ и их интенсивность значительно выше у компаний, ожидающих сокращение времени на выполнение операций, сокращение численности сотрудников за счет уменьшения объема рутинных операций, сокращение затрат на функцию управления персоналом и увеличение скорости разработки и продвижения новых продуктов; (3) наибольшее влияние на формирование некопируемых конкурентных преимуществ оказывает внедрение ИИ в маркетинг и аналитику, разработку и ИТ, продажи и клиентский сервис и разработку новых продуктов; (4) при внедрении ИИ одновременно возникает и эффект замещения, и эффект взаимодополнения, что смещает источники конкурентных преимуществ (несмотря на то что замена традиционных специфических для области когнитивных возможностей человека на многочисленные вычислительные возможности ИИ разрушает существующее преимущество, тем не менее на основе взаимодополнения человеческих и машинных возможностей создаются новые, постоянные некопируемые преимущества). Кроме того, дополнена ресурсная концепция фирмы и показано, что неоднородные несвязанные ресурсы, такие как человек и машина, также могут быть источником уникальных конкурентных преимуществ.

Аннотация. В работе представлен обзор метода геометрического моделирования в разработке цифровых двойников, дан анализ теоретических основ, его роли в создании цифровых двойников, методологии разработки цифрового двойника с его использованием, проблем и вызовов при использовании метода, а также рассмотрены перспективы развития данной технологии.