Научный архив: статьи

В статье раскрываются ключевые аспекты бизнес-аналитики, включая интеграцию данных и приложений, процессы трансформации информации в практические знания, а также разнообразные методы аналитической обработки. Определены отличительные характеристики концепции Big Data и технологий анализа больших данных. Проведена систематизация и сравнительная оценка современных подходов к интеллектуальному анализу информации с акцентом на их применение для решения управленческих задач и разработки бизнес-стратегий. Описана общая архитектура процессов цифровой обработки корпоративной информации. Особое внимание уделено функциональным возможностям предиктивной аналитики и систем прогнозирования. Представлен обзор лидирующих решений в области аналитики и машинного обучения на ИТ-рынке, а также перспективы их интеграции в цифровую экономику. Рассмотрены базовые подходы к обучению моделей в системах искусственного интеллекта и возможности их использования в различных сферах бизнеса. Исследуется специфика применения алгоритмов машинного обучения как составной части систем искусственного интеллекта, анализируются их преимущества и ограничения, а также оценивается потенциал использования данных технологий в современном менеджменте. Перечислены перспективные направления и функциональные возможности развития искусственного интеллекта для корпоративных решений, такие как агентные системы, автоматизированное машинное обучение и причинный искусственный интеллект.

Введение. В статье предлагается математическая модель динамики одного из показателей преступности ― числа лиц, совершивших преступления. Показатель является агрегированным, поэтому он рассматривается как обобщенная характеристика поведения преступности в целом. Проводится анализ особенностей динамики показателя в контексте политической, экономической и правовой ситуация в стране и мире.

Материалы и методы. В качестве статистической базы для показателя преступности использовались данные из статистического ежегодника «Россия в цифрах», для мирового спроса на нефть данные из ежемесячного обзора международного энергетического агентства (Monthly Oil Market Report // International Energy Agency). Для построения математических моделей использовались методы анализа и моделирования временных рядов, при сравнении моделей - методы корреляционного анализа. Были также использованы общенаучные методы исследования - системный и исторический подходы.

Результаты исследования. Предложена математическая модель, которая является суммой периодических функций и тренда. Функции имеют несколько параметров настройки и только один аргумент – время. Модель адекватно описывает поведение показателя, поэтому может использоваться для получения краткосрочных прогнозов. Выделен исторический период, в котором прослеживается корреляция динамики преступности и динамики мировой экономической конъюнктуры. Отмечена стабилизация динамики преступности в последние годы, когда произошло ускорение процессов восстановления экономического суверенитета России.

Обсуждение и заключение. Предложенная математическая модель дает хорошие результаты подгонки под временной ряд показателя преступности на всем периоде наблюдений. А этот период охватывает очень разные исторические ситуации: от неограниченного ничем вхождения в систему глобальной экономики до укрепления экономического суверенитета. Достоверность модели на всем интервале свидетельствует об обоснованности ее использования и при новых экономических ориентирах. Информативным является результат быстрого снижения амплитуды колебаний у показателя преступности при укреплении российской экономики в последние годы. Процессы, которые анализировались в работе, имеют много различий, но хорошо описываются моделями одного вида. Возможным объяснением такой инвариантности является гипотеза о том, что некоторые сложные социально-экономические процессы не просто влияют на состояние друг друга, но и синхронизируют свою динамику.