Продуктивным подходом к интеграции стратегического Форсайта и машинного обучения выступает модель Generalized Strategic Foresight Model embedding MLOps (GSF(M)²) — унифицированная структура управления, сочетающая интерпретационную глубину долгосрочного сценарного Форсайта с адаптивностью процедур машинного обучения в режиме реального времени. Модель устраняет структурные недостатки существующих систем принятия решений, где методы Форсайта генерируют упреждающие идеи, но лишены механизмов операционализации, тогда как алгоритмы машинного обучения автоматизируют процессы, но игнорируют стратегический и партисипативный контекст, а также социально-организационную специфику. Системный обзор литературы по методологии PRISMA (по 16 публикаций в каждом блоке — Форсайт и жизненный цикл машинного обучения) выявил методологические пробелы обоих направлений при сопоставлении с эталонными архитектурами. GSF(M)² синтезирует преимущества обоих подходов, встраивая логику Форсайта в адаптивные процессы машинного обучения, а автоматизированные циклы обратной связи — в сценарное планирование. Результатом стала постоянно обучающаяся экосистема, позволяющая в режиме реального времени осуществлять корректировку сценариев, параметров моделей и стратегических вариантов. Синтез упреждающей аналитики, непрерывного сканирования стратегического горизонта и приоритизации на базе данных обеспечивает повышение эффективности разработки политики и институциональную гибкость в условиях международной и технологической неопределенности. GSF(M)² представляет собой первую двухуровневую структуру коэволюции стратегического Форсайта и адаптивных алгоритмов в единой рефлексивной архитектуре управления
Идентификаторы и классификаторы
- SCI
- Экономика
A productive approach to integrating strategic Foresight and machine learning is the Generalized Strategic Foresight Model embedding Machine Learning Operations (MLOps) (GSF(M)²), a unified governance architecture that combines the interpretive depth of long-term scenario-based Foresight with the adaptivity of real-time machine learning pipelines. The model addresses structural deficiencies in existing decision-making systems, where Foresight methods generate anticipatory insights but lack operationalization mechanisms, while machine learning algorithms automate processes but ignore strategic and participatory context as well as socio-organizational specificity
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Abuzaid A.N. (2018) Scenario planning as approach to improve the strategic performance of multinational corporations (MNCs). Business: Theory and Practice, 19, 195-207. DOI: 10.3846/btp.2018.20
2. Amer M., Daim T.U., Jetter A. (2013) A review of scenario planning. Futures, 46, 23-40. DOI: 10.1016/j.futures.2012.10.003
3. Araujo G., Kalinowski M., Endler M., Calefato F. (2024) Professional Insights into Benefits and Limitations of Implementing MLOps Principles (arXiv preprint 2403.13115). DOI: 10.48550/arXiv.2403.13115
4. Berberi L., Kozlov V., Nguyen G., Sáinz-Pardo Díaz J., Calatrava A., Moltó G., Tran V., López García A. (2025) Machine learning operations landscape: Platforms and tools. Artificial Intelligence Review, 58, 167. DOI: 10.1007/s10462-025-11164-3 EDN: CJWDAK
5. Burt G., Nair A.K. (2020) Rigidities of imagination in scenario planning: Strategic foresight through ‘unlearning’. Technological Forecasting and Social Change, 153, 119927. DOI: 10.1016/j.techfore.2020.119927 EDN: YVYOZQ
6. Chermack T. (2018) An Analysis and Categorization of Scenario Planning Scholarship from 1995-2016. Journal of Futures Studies, 22(4), 45-60. DOI: 10.6531/JFS.201806.22(4).0004
7. Cordova-Pozo K., Rouwette E.A.J.A. (2023) Types of Scenario Planning and Their Effectiveness: A Review of Reviews. Futures, 149, 103153. DOI: 10.1016/j.futures.2023.103153 EDN: KPSWCO
8. Durance P., Godet M. (2010) Scenario building: Uses and abuses. Technological Forecasting and Social Change, 77(9), 1488-1492. DOI: 10.1016/j.techfore.2010.06.007
9. Eken B., Pallewatta S., Tran N.K., Tosun A., Babar M.A. (2024) A Multivocal Review of MLOps Practices, Challenges and Open Issues (arXiv preprint 2406.09737). DOI: 10.48550/arXiv.2406.09737
10. Faubel L., Schmid K. (2024) A Systematic Analysis of MLOps Features and Platforms. WiPiEC - Works in Progress in Embedded Computing Journal, 10(2), 97-104.
11. Godet M. (2001) Creating Futures: Scenario-Planning as a Strategic Management Tool, Paris: Economica.
12. Godet M., Durance P. (2011) Strategic foresight: For corporate and regional development, Paris: Dunod.
13. Hanchuk D.O., Semerikov S.O. (2024) Implementing MLOps practices for effective machine learning model deployment: A meta synthesis. In: Proceedings of the 7th CEUR International Workshop on Augmented Reality in Education (AREdu 2024) (eds. S. Semerikov, A. Striuk, M. Marienko, O. Pinchuk), Aachen: RWTH Aachen University, pp. 329-337.
14. John M.M., Holmström H.O., Bosch J. (2025) An empirical guide to MLOps adoption: Framework, maturity model and taxonomy. Information and Software Technology, 183, 107725. DOI: 10.1016/j.infsof.2025.107725 EDN: NYKBQH
15. Kobes M., Loy T.R. (2020) Whatever Happened to Scenario Planning? A Systematic Literature Review (SSRN Paper 3536419). DOI: 10.2139/ssrn.3536419
16. Kreuzberger D., Kühl N., Hirschl S. (2023) Machine Learning Operations (MLOps): Overview, Definition, and Architecture (arXiv preprint 2205.02302). DOI: 10.48550/arXiv.2205.02302
17. Lima A., Monteiro L., Furtado A.P. (2022) MLOps: Practices, Maturity Models, Roles, Tools, and Challenges. Paper presented at the 24th International Conference on Enterprise Information Systems (ICEIS 2022), April 25-27 (virtual event). DOI: 10.5220/0010997300003179
18. MacKay R.B., Stoyanova V. (2017) Scenario planning with a sociological eye: Augmenting the intuitive logics approach to understanding the Future of Scotland and the UK. Technological Forecasting and Social Change, 124, 88-100. DOI: 10.1016/j.techfore.2016.08.026
19. Mehmood Y., Sabahat N., Ijaz M.A. (2024) MLOps critical success factors - A systematic literature review. VFAST Transactions on Software Engineering, 12(1), 183-209. DOI: 10.21015/vtse.v12i1.1747 EDN: VCTOIE
20. Najafabadi F.A., Bogner J., Gerostathopoulos I., Lago P. (2024) An Analysis of MLOps Architectures: A Systematic Mapping Study (arXiv preprint 2406.19847). DOI: 10.1007/978-3-031-70797-1_5
21. Page M.J., McKenzie J.E., Bossuyt P.M., Boutron I., Hoffmann T.C., Mulrow C.D., Shamseer L., Tetzlaff J.M., Akl E.A., Brennan S.E., Chou R., Glanville J., Grimshaw J.M., Hróbjartsson A., Lalu M.M., Li T., Loder E.W., Mayo-Wilson E., McDonald S., McGuinness L.A., Stewart L.A., Thomas J., Tricco A.C., Welch V.A., Whiting P., Moher D. (2021) The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. Systematic Reviews, 10(1), 89. DOI: 10.1186/s13643-021-01626-4 EDN: LZOATG
22. Ramírez R., Churchhouse S., Palermo A., Hoffmann J. (2017) Using scenarios planning to reshape strategy. MIT Sloan Management Review (Summer issue). https://sloanreview.mit.edu/article/using-scenario-planning-to-reshape-strategy.
23. Ramírez R., Wilkinson A. (2016) Strategic Reframing: The Oxford Scenario Planning Approach, Oxford: Oxford University Press.
24. Reich S. (2024) Reference Architectures for MLOps: A Comparative Case Study, Stuttgart: University of Stuttgart.
25. Sossa J.W., Álvarez Ríos V.T., Grajales López C.A., Palacio Piedrahita J.C. (2021) Foresight by scenarios - a literature review. International Journal of Foresight and Innovation Policy, 15(4), 230-249. DOI: 10.1504/IJFIP.2021.118801 EDN: HCZLUH
26. Stone J., Patel R., Ghiasi F., Mittal S., Rahimi S. (2025) Navigating MLOps: Insights into Maturity, Lifecycle, Tools, and Careers. Paper presented at the 2025 IEEE Conference on Artificial Intelligence (CAI), 05-07 May 2025, Santa Clara, CA, USA. DOI: 10.1109/CAI64502.2025.00118
27. Subramanyam S.K. (2022) Robust MLOps Frameworks for Automating the AI/ML Lifecycle in Cloud Environments. International Journal of Intelligent Systems and Applications in Engineering, 10(3s), 307-316.
28. Symeonidis G., Nerantzis E., Kazakis A., Papakostas G.A. (2022) MLOps - Definitions, Tools and Challenges. Paper presented at the 2022 IEEE 12th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, USA. DOI: 10.1109/CCWC54503.2022.9720902
29. Tagliabue J., Bowne-Anderson H., Tuulos V., Goyal S., Cledat R., Berg D. (2023) Reasonable Scale Machine Learning with Open-Source Metaflow (arXiv preprint 2303.11761). DOI: 10.48550/arXiv.2303.11761
30. Varum C.A., Melo C. (2010) Directions in scenario planning literature - A review of the past decades. Futures, 42(4), 355-369. DOI: 10.1016/j.futures.2009.11.021
31. Vecchiato R. (2012) Environmental uncertainty, foresight and strategic decision making: An integrated study. Technological Forecasting and Social Change, 79(3), 436-447. DOI: 10.1016/j.techfore.2011.07.010
32. Von der Gracht H. (2023) The Delphi method: How experts see the future. In: Strategic Foresight. An Introductory Guide to Practice (ed. J.O. Schwarz), London: Routledge, рр. 67-81. DOI: 10.4324/9781003302735
33. Zarour M., Alzabut H., Al-Sarayreh K.T. (2025) MLOps best practices, challenges and maturity models: A systematic literature review. Information and Software Technology, 183, 107733. DOI: 10.1016/j.infsof.2025.107733 EDN: HXQTJO
Выпуск
Другие статьи выпуска
Ускоряющийся темп глобальных перемен, цифровые инновации и экологический кризис обусловили необходимость переосмысления базовых целей образовательной деятельности. В настоящей статье анализируется сложная взаимосвязь между знаниями и властью в контексте трансформационного образования. Отмечается, что именно структура власти определяет, какие знания следует считать целевыми, чьи голоса учитывать и как образовательные учреждения способствуют (или препятствуют) социальной трансформации. На основе критической педагогики, постструктуралистской теории и деколониальной эпистемологии выявлены недостатки традиционной университетской модели, предполагающей линейную передачу знаний и дисциплинарную обособленность. Предложена рефлексивная парадигма, позиционирующая преподавателей как участников процесса создания знаний, выходящего за рамки институциональных, дисциплинарных и социальных границ. Целью статьи было критически проанализировать практику использования и распределения властных полномочий в современных образовательных системах и возможные направления разработки более инклюзивных, ориентированных на будущее моделей знаний. Особое внимание уделено тому, как цифровую трансформацию можно использовать не только для повышения эффективности, но и в качестве инструмента перераспределения эпистемической власти и повышения роли общественности. На примерах африканских систем высшего образования выявлены противоречия между инновационной деятельностью и неравенством, институциональной инерцией и Форсайтом. В более широком обсуждении нуждаются этические, политические и педагогические аспекты образования. Настоящая статья вносит вклад в дискурс о трансформационном образовании, предложив концепцию, в основе которой лежат эпистемическая справедливость, партисипативное создание знаний и социально ориентированные образовательные экосистемы
Обострение глобальной технологической конкуренции, наряду с необходимостью обеспечить научно-технологический суверенитет России, придают особую актуальность поиску новых форматов подготовки кадров высшей квалификации. Перспективным ответом на эти вызовы служит индустриальная аспирантура (Industrial PhD) — исследовательская модель, подчиненная интересам бизнеса с привлечением университетов и при поддержке государства. Подобный формат позволяет преодолеть институциональный разрыв между академической наукой и прикладными задачами реального сектора, создавая условия для трансфера знаний и повышения инновационной активности компаний. В статье представлен обзор международного опыта функционирования индустриальной аспирантуры на материале анализа более 60 программ в 19 странах. В ходе исследования обобщены организационнофинансовые модели и выявлены институциональные условия устойчивости таких программ: трехсторонние соглашения между университетом, индустриальным партнером и аспирантом, механизмы софинансирования, системы двойного научного руководства, гибкие форматы защиты интеллектуальной собственности. Особое внимание уделено анализу барьеров и вызовов, с которыми сталкиваются участники, — различия в целеполагании академического и корпоративного секторов, конфликт ожиданий, административная нагрузка, риск утраты академической автономии. Рассматриваются ключевые факторы успешной адаптации модели индустриальной аспирантуры в России: запуск пилотных инициатив в ведущих технических вузах, развитие правовой базы для трехстороннего взаимодействия и институциализация господдержки
Государственные организации с активной инновационной политикой сталкиваются с противоречием: их институциональная природа тяготеет к стабильности и контролю. Разрешить его позволяет интрапренерство — внедрение предпринимательских практик внутри организации. Предлагаемая теоретическая модель раскрывает механизмы, через которые руководители-интрапренеры формируют и наращивают инновационный потенциал в государственном секторе. Несмотря на активизацию исследований лидерства и инноваций в последние годы, оба направления рассматриваются изолированно, что приводит к фрагментарному пониманию роли управленцев в создании условий для устойчивой инновационной деятельности. Работа объединяет подходы к предпринимательству в госсекторе, теорию лидерства и концепции инновационного потенциала для объяснения механизмов влияния менеджмента на организационные процессы. Модель описывает пять опосредующих механизмов, преобразующих политику и поведение руководства в организационный потенциал: ориентация на обучение, психологическая безопасность, гибкость, готовность к цифровизации и поглощающая способность. Выявлены контекстные факторы, определяющие эффективность интрапренерства: административная нагрузка, политическая поддержка, уровень цифровой инфраструктуры, мотивация к созданию общественных благ и бюрократическая культура. Инновационный потенциал рассматривается как многомерная конструкция, включающая возможности управления знаниями, создания и применения технологий, способность налаживать сотрудничество и формировать сети, динамические способности и уровень цифровой трансформации. Увязка интрапренерства с инновационным потенциалом и получением общественно полезных результатов углубляет понимание того, как менеджмент способствует адаптивности и модернизации организаций. Сформулированы выводы относительно профессионального развития руководителей, административного реформирования и цифровой трансформации. Намечены направления эмпирических исследований для проверки и уточнения выявленных связей
Амбидекстрия как баланс между поисковой и эксплуатационной деятельностью компании позволяет бизнесу осваивать новые возможности и эффективно задействовать существующие ресурсы. Способность поддерживать такое равновесие критична для стартапов на всех этапах развития. Однако факторы успешного формирования амбидекстрии недостаточно изучены применительно к специфике различных стадий жизненного цикла молодых предприятий. В статье на материале 170 польских стартапов оценивается значимость критических факторов успеха (КФУ) в формировании амбидекстрии. Выявлены 27 КФУ и 18 параметров амбидекстрии, проанализированные на стадиях посева, раннего развития и роста. Результаты статистически верифицированы методом поискового факторного анализа с применением максимального правдоподобия. Наиболее важными КФУ оказались стратегическое сотрудничество, формальные партнерства и динамический потенциал. В контексте амбидекстрии ключевые направления связаны с предложением продукции с новыми уникальными характеристиками и систематической оценкой удовлетворенности клиентов. Возраст, пол и образование руководителя не показали статистической значимости. Обнаружены существенные различия во влиянии КФУ между посевной стадией и последующими этапами развития, что указывает на необходимость фокусировки руководства на специфике каждой фазы. Основные ограничения работы связаны с методом анализа и объемом выборки, не позволившим рассмотреть стадии расширения и выхода. Исследование восполняет пробел в изучении амбидекстрии стартапов и углубляет понимание роли отдельных этапов их развития, что дает основу для прикладных и управленческих рекомендаций
В статье представлено методическое руководство «150 оттенков зеленого» (150 Shades of Green) — доказательный инструмент оценки и управ ления устойчивыми инновациями (УИ), построен ный на принципах Форсайта. Опираясь на результаты проекта CASIF (2014–2017) и их последующее при менение в проектах BOLERO (2022–2025) и CASIBIO (2026–2030) руководство предлагает комплексный практикоориентированный подход к многосторон нему сотрудничеству. Разнообразные аспекты взаимо действия между стейкхолдерами, анализа критиче ских проблем и Форсайтпланирования обобщены в 150 метазадачах, сгруппированных в рамках 10 взаи мосвязанных управленческих направлений. В сово купности они служат основой для принятия решений, ориентированных на устойчивое развитие, в госу дарственном секторе, бизнесе, академических кругах и гражданском обществе. Опыт проекта BOLERO, в частности применительно к инновационному сервису MOBBI в итальянской Ломбардии, иллюстрирует воз можность адаптации рамочной программы CASIF, спроектированной на уровне ЕС, к различным институ циональным и социальноэкономическим условиям в ре гиональном контексте. Отражая десятилетний прогресс в управлении УИ, дорожная карта и стратегическая рамоч ная программа руководства связывают стратегический Форсайт с партисипативным управлением и оценкой устойчивости. Вместе они предлагают воспроизводимую модель для создания устойчивых, эффективных иннова ционных экосистем, которые напрямую поддерживают Цели устойчивого развития и соответствуют принципам социально и экологически ответственного управления (ESG). В качестве направлений дальнейших исследова ний предлагается развитие лонгитюдной экспертизы и непрерывного обучения для обеспечения прогресса УИ и усиления их вклада в формирование будущего.
В контексте современной мировой экономики на первый план выходят такие ключевые драйверы радикальных перемен, как трансформационные переходы к более сложной модели — экономике знаний в ее расширенных трактовках. Сдвиг подобного масштаба требует новых подходов к формированию потенциала для всех стран, вне зависимости от уровня развития. Возникающий императив предоставляет большое многообразие возможностей для развивающихся государств, что позволяет говорить о новой конфигурации глобального экономического ландшафта и стратегических партнерств. Участники БРИКС (Китай, Индия, Россия, Бразилия, ОАЭ, Индонезия ЮАР, Иран, Египет, Эфиопия) представляют критическую массу игроков, от действий которых зависит общее направление динамики этих процессов. В статье проводится сравнительный анализ инновационного и трансформационного потенциалов участников данного блока в наукоемких секторах в сравнении между собой и двумя развитыми странами-эталонами — Австрией и Австралией. Предложена методология расчета комплексного индекса готовности к экономике знаний с последующим ранжированием рассматриваемых государств по четырем эшелонам, исходя из его величин. Оценены степени адаптированности и готовности членов альянса к переходам на более сложные уровни, ресурсная база, образовательные системы, показатели патентной и публикационной активности, эффективность управления, качество человеческого капитала и инфраструктуры, способности к глобальной интеграции. Представлены рекомендации по мерам политики для развития секторов интеллектуальной экономики в странах БРИКС и направления будущих исследований
Издательство
- Издательство
- ВШЭ
- Регион
- Россия, Москва
- Почтовый адрес
- 101000, г. Москва, ул. Мясницкая, д. 20
- Юр. адрес
- 101000, г. Москва, ул. Мясницкая, д. 20
- ФИО
- Анисимов Никита Юрьевич (Ректор)
- E-mail адрес
- hse@hse.ru
- Контактный телефон
- +7 (___) _______
- Сайт
- https://www.hse.ru/