Научный архив: статьи

Цель. Настоящая работа посвящена рассмотрению вопросов построения интеллектуальной системы анализа и классификации генераторов псевдослучайных чисел (ГПСЧ), объединяющей возможности машинного обучения и направленного перебора для решения задачи определения типа источника случайной последовательности чисел. Основное внимание уделяется выявлению слабостей некриптографических ГПСЧ, которые могут быть предсказуемыми, что несет риски для их использования в области информационной безопасности.

Методы. В ходе исследования использовались методы машинного обучения, в частности нейронные сети, корреляционный анализ и статистические тесты NIST. Разработанные модели обучались на больших выборках выходных последовательностей ГПСЧ, что позволило оценить предсказуемость ГПСЧ и возможность восстановления внутренних состояний. Структура нейронных сетей выбиралась с учетом результатов работы процедур оптимизации значений гиперпараметров нейронных сетей. Показано влияние размера выборки на получаемые результаты.

Результаты. Анализ и классификация ГПСЧ включает несколько этапов: вычисление автокорреляционной функции выходных последовательностей и их спектр, выполнение статистических тестов, разработанных лабораторией NIST; классификация ГПСЧ на основе анализа выходных последовательностей; выявление особенностей внутренней структуры ГПСЧ или его внутренних состояний; прогнозирование значений на выходе. Для алгоритма Xorshift128 нейронная сеть показала высокую точность восстановления выходных значений, подтверждая его уязвимость. Анализ алгоритма Mersenne Twister выявил определенные закономерности, но потребовал более сложных архитектур для полной реконструкции последовательностей. Для алгоритма «стоп-пошел» удалось выявить закономерности построения структуры с использованием алгоритмов машинного обучения, но решить задачу прогнозирования значения на выходе ГПСЧ только по предыдущим значениям выходной последовательности без знания внутренних состояний с высокой точностью не удалось. Линейный конгруэнтный генератор и генератор Геффе удается классифицировать и прогнозировать с использованием алгоритмов направленного перебора. Объединенные в систему модели классифицируют ГПСЧ по их характеристикам и прогнозируют их дальнейшие выходные значения. Анализ полученных результатов подтверждает значимость выбора не только структуры ГПСЧ, но и числовых параметров и задействованных в вычислениях битов внутри чисел.

Заключение. Проведенное исследование подтверждает эффективность сочетания методов машинного обучения и направленного перебора при анализе и классификации ГПСЧ. Полученные результаты позволяют рекомендовать разработанную систему для использования в практических задачах оценки безопасности ГПСЧ. Перспективы дальнейших исследований связаны с расширением множества анализируемых ГПСЧ и рассмотрением других типов нейронных сетей для повышения качества и производительности моделей.

Современные организации сталкиваются с необходимостью оперативного анализа больших объемов данных для принятия управленческих решений. Традиционные методы экономического анализа, основанные на статистике и эконометрике, зачастую не справляются с нелинейными зависимостями и быстро меняющимися рыночными условиями. Искусственный интеллект (ИИ), включая машинное обучение (ML) и глубокие нейросети (DL), позволяет значительно повысить точность оценки экономических процессов и прогнозировать их развитие.

В данной статье анализируются возможности применения методов ИИ для оценки экономического состояния организаций в различных отраслях. Рассмотрены ключевые алгоритмы машинного обучения (линейная регрессия, случайный лес, градиентный бустинг) и нейросетевые модели (LSTM, трансформеры, GNN), а также их практическое использование в прогнозировании банкротств, кредитных рисков, спроса и мошенничества. Приведены реальные кейсы внедрения ИИ в российских компаниях (Сбербанк, X5 Group, РЖД, ФНС) и за рубежом (J. P. Morgan, IBM, BlackRock).

Проанализирована проблема обеспечения технологического суверенитета в странах Африки, расположенных южнее Сахары. На примере Нигерии, Кении и Ганы показано, что в последние годы в африканских государствах появляются национальные программы и стратегии, направленные на развитие передовых информационных технологий, формируются профессиональные исследовательские группы, создаются научные и образовательно-научные центры, занимающиеся разработкой приложений, использующих технологии искусственного интеллекта (ИИ), а в ряде стран идет строительство технологических парков. При этом ключевым направлением исследований на сегодняшний день является решение задач в сфере обработки естественного языка, поскольку именно при условии создания широкого спектра разносторонних ИИ-приложений, способных понимать разные африканские языки, станет возможным создание развитой ИИ-экосистемы в Африке, ориентированной на потребности местного населения. При проведении исследования использовались как общенаучные (анализ, синтез, аналогия), так и специальные методы (критический дискурс-анализ, сравнительный анализ). Выявлено, что в настоящее время в Африке стали появляться языковые модели, способные распознавать речь на некоторых африканских языках (суахили, йоруба, тви, луганда), и даже была разработана специализированная Python-библиотека для решения задач распознавания речи для наиболее распространенных на территории Ганы языков. С одной стороны, данное обстоятельство действительно означает существенный прорыв, который страны Африки сумели добиться в сфере высоких технологий, но в масштабах всего континента эти успехи носят все же локальный характер, поскольку дальнейшее развитие в этой сфере упирается в типичную для большинства стран Африки проблему - отсутствие средств. В результате многие исследовательские группы в Африке существуют на общественных началах, а сами исследования зачастую финансируются за счет спонсорской помощи со стороны западных корпораций и фондов, что представляет серьезную угрозу технологическому суверенитету стран Африки южнее Сахары, которые, несмотря на прилагаемые усилия, продолжают зависеть от импортных технологий и иностранных инвестиций. Для того чтобы снизить указанную зависимость, правительствам африканских стран необходимо продумать механизмы привлечения к соответствующим исследованиям и разработкам африканских инвесторов. Только в этом случае представляется возможным организовать поиск оптимальных решений с целью удовлетворения конкретных местных и региональных потребностей.

Рассматривается задача автоматического назначения рецензентов на основе исторических данных о ранее поступивших и прорецензированных рукописях. В традиционной редакционной практике подбор экспертов опирается на субъективные решения редактора, что может приводить к задержкам и снижению качества экспертизы. Цель исследования – продемонстрировать, что использование простых моделей обработки естественного языка позволяет эффективно и прозрачно автоматизировать этот процесс. В качестве исходных данных использованы тексты опубликованных и отклоненных рукописей научно-технического журнала «Вестник Концерна ВКО «Алмаз – Антей» (с 2011 по 2024 г.), сопровожденные информацией о назначенных рецензентах. Методологически подход основан на предварительной лемматизации текстов, удалении стоп-слов и знаков пунктуации, а также последующей векторизации с использованием моделей bag-of-words (BoW) и Term Frequency-Inverse Document Frequency (TF-IDF). Близость текстов оценивалось путем вычисления максимального косинусного расстояния между их векторными представлениями. Предполагается, что статья, прорецензированная ранее и демонстрирующая наибольшую близость к поступившей, была рассмотрена рецензентами, которых система может рекомендовать для оценки новой рукописи. Результаты показывают, что простые частотные модели (BoW, TF-IDF) демонстрируют более высокую точность назначения рецензентов (до 99 %) по сравнению с нейросетевыми подходами (например, моделью Doc2Vec), особенно при дополнении графом связей между экспертами. При этом модель остается интерпретируемой, не требует значительных вычислительных ресурсов и может быть реализована на компьютере офисного уровня. Показано, что модель эффективно работает в условиях дисбаланса классов и применима даже к относительно небольшим корпусам, начиная от 30 статей. Однако ее обобщение на мультижурнальные редакции требует локальной адаптации, а для решения задачи прогнозирования вероятности принятия к публикации необходимо существенно увеличить объем выборки и привлечь модели глубокого обучения. Предложенный подход может быть легко интегрирован в цифровые редакционные системы для сокращения времени принятия решений, повышения прозрачности экспертизы и снижения нагрузки на сотрудников журнала.

Статья посвящена исследованию возможностей применения искусственного интеллекта в различных сферах человеческой деятельности.

Целью работы является анализ текущего состояния и перспектив развития искусственного интеллекта, а также выявление его потенциала для решения актуальных задач в различных отраслях. В результате исследования систематизированы основные направления применения искусственного интеллекта, такие как медицина, образование, промышленность и финансы, и проанализирована их эффективность. Практическая значимость работы заключается в формировании комплексного представления о возможностях и ограничениях искусственного интеллекта, что позволит специалистам разных областей принимать обоснованные решения о внедрении технологий искусственного интеллекта в свою деятельность. Выявлен потенциал искусственного интеллекта для решения сложных задач, оптимизации процессов и создания новых продуктов и услуг, что способствует инновационному развитию экономики и общества в целом.

В статье систематизированы современные представления об особенностях использования инструментария искусственного интеллекта в целях анализа, оптимизации финансовых потоков. Актуальность темы аргументируется стремительным ростом объема транзакций в глобальной экономике в сочетании с неспособностью традиционных методов обеспечить по–настоящему результативную обработку многомерных динамических данных в режиме реального времени. В нынешних условиях возникает острая необходимость в разработке новых подходов к управлению денежными потоками — прежде всего, построенных на основе технологий искусственного интеллекта. Цель исследования заключается в систематизации теоретико–методологического базиса применения ИИ в анализируемой сфере, а также в выявлении конкретных преимуществ и ограничений (в отношении этого предложен авторский взгляд на ситуацию, который целесообразно рассматривать в качестве отправной точки для последующих изысканий на предмет определения сдержек и противовесов к задействованию искусственного интеллекта). В научной литературе наблюдаются противоречия между теоретическими моделями использования ИИ и практическими возможностями их реализации, а также разногласия в оценках эффективности различных типов нейросетей для финансового прогнозирования. Недостаточно исследованы вопросы информационной безопасности, правового регулирования в данной области. Установлено, что наиболее перспективными направлениями являются применение глубоких нейронных сетей для анализа временных рядов, методов обучения с подкреплением в целях оптимизации управленческих решений, внедрение технологий обработки естественного языка для работы с неструктурированными финансовыми документами. Подчеркнута значимость графовых инструментов в обнаружении подозрительных схем движения средств, предотвращении мошеннических действий. Статья представляет интерес для аналитиков, специалистов в области искусственного интеллекта, руководителей финансовых департаментов.

В данной статье рассматривается применение машинного обучения в национальной экономике. Описываются основные концепции и методы машинного обучения, включая контролируемое, неконтролируемое обучение и обучение с подкреплением. Анализируются ключевые направления использования этой технологии в экономике, такие как прогнозирование рыночных тенденций, управление финансовыми рисками и анализ экономических данных. Особое внимание уделяется преимуществам машинного обучения, включая повышение эффективности принятия решений, автоматизацию процессов и обработку больших объемов данных. Вместе с тем рассматриваются проблемы внедрения данной технологии, такие как потребность в качественных данных, правовые и этические аспекты, а также нехватка квалифицированных специалистов. В статье предлагаются рекомендации по развитию инфраструктуры машинного обучения, инвестициям в иссчледования и подготовке кадров, что может способствовать экономическому росту и повышению конкурентоспособности страны.

Материалы и методы: В данной работе использовались различные методы и подходы к изучению машинного обучения в сфере национальной экономики. Основные методы включают анализ научной литературы, статистический анализ данных, моделирование с использованием алгоритмов машинного обучения, а также практическую реализацию экономических моделей с применением языков программирования Python и библиотек машинного обучения. Для анализа экономических данных были выбраны методы линейной регрессии, деревьев решений и нейронных сетей, так как они позволяют эффективно прогнозировать изменения ключевых макроэкономических показателей, таких как ВВП, инфляция, курс валют и уровень безработицы. В качестве инструментов использовались библиотеки Pandas, NumPy, Scikitlearn и Matplotlib, позволяющие обрабатывать, анализировать и визуализировать данные. Исследование основано на данных официальных статистических агентств и финансовых учреждений, включая исторические данные о макроэкономических показателях, рыночных тенденциях и финансовых рисках. Для обработки данных использовались методы очистки, нормализации и преобразования данных, что позволило повысить точность моделей. Практическая часть исследования включала разработку алгоритмов машинного обучения для прогнозирования экономических показателей. Модель линейной регрессии использовалась для предсказания роста ВВП, а более сложные модели, такие как случайные леса и градиентный бустинг, применялись для анализа более сложных взаимосвязей в экономике. Таким образом, использование современных методов машинного обучения в экономике позволяет получать точные прогнозы, выявлять закономерности в экономических данных и принимать стратегические решения на основе объективного анализа.

Заключение: Применение методов машинного обучения в национальной экономике открывает значительный потенциал для улучшения экономического анализа и принятия решений. С помощью современных алгоритмов и инструментов, таких как линейная регрессия, деревья решений и нейронные сети, можно эффективно моделировать и прогнозировать ключевые макроэкономические показатели, включая рост ВВП, инфляцию и финансовые риски. Эти методы позволяют более детально и точно понимать экономические тренды и взаимосвязи, что приводит к более обоснованным стратегическим решениям со стороны правительств, бизнеса и финансовых учреждений. Используя такие современные технологии, как Python, Pandas, NumPy и Scikit-learn, исследование продемонстрировало возможность обработки и анализа больших объемов экономических данных с высокой точностью. Машинное обучение предоставляет ценный инструмент для прогнозирования экономических показателей, управления рисками и оптимизации распределения ресурсов. Однако эффективность этих моделей зависит от качества используемых данных, и существуют проблемы, связанные с полнотой данных, интерпретируемостью моделей и вычислительными ресурсами. В заключение, машинное обучение является мощным инструментом для улучшения экономического прогнозирования и управления рисками. Для успешной интеграции этих технологий в национальные экономические системы страны должны инвестировать в исследования, улучшать цифровую инфраструктуру и разрабатывать образовательные программы для подготовки квалифицированных специалистов. Правильное внедрение машинного обучения может способствовать быстрому экономическому росту, более эффективному принятию решений и усилению конкурентоспособности на мировой арене.

Развитие искусственного интеллекта (ИИ) кардинально меняет банковский сектор, ускоряя цифровую трансформацию и повышая эффективность бизнес-процессов. Внедрение интеллектуальных алгоритмов позволяет автоматизировать клиентское обслуживание, управление рисками и борьбу с финансовыми мошенничествами. ИИ-аналитика улучшает кредитную оценку, персонализирует финансовые продукты и оптимизирует управление активами. Использование машинного обучения снижает операционные издержки, повышает уровень кибербезопасности и улучшает точность прогнозирования рыночных трендов. В статье анализируются основные направления внедрения ИИ в банковской сфере, оценивается его экономическая эффективность и рассматриваются ключевые риски и барьеры цифровой трансформации финансовых учреждений.

Развитие квантовых связей открывает новые возможности для финансовых рынков, способствует ускоренной обработке данных, оптимизации стратегий и повышению эффективности управления рисками. Квантовые алгоритмы, обладая экспоненциальной вычислительной мощностью, способны решать задачи, имеющиеся для классических компьютеров, что делает их перспективными для высокочастотного трейдинга, стресс- тестирования банковских систем и анализа ликвидности. Внедрение квантовой криптографии и оптимизационных алгоритмов меняет подход к безопасности финансовых операций и прогнозированию динамики активов. В статье рассматриваются основные направления использования квантовых компьютеров в финансах, анализируются их последствия, потенциальные угрозы и регуляторные вызовы. Особое внимание уделяется влиянию квантовой революции на финансовый сектор экономики и возможности ее перехода к новым технологиям.

Развитие цифровых технологий повышает потребность предприятий в интеграции автоматизированных систем управления (ERP), направленных на оптимизацию бизнес- процессов и снижение операционных затрат. Внедрение ERP-систем обеспечивает централизованный контроль ресурсов, автоматизацию учета, управление финансовыми потоками и прогнозирование спроса. Экономическая эффективность этих решений выражается в повышении производительности, снижении транзакционных издержек и улучшении управления цепочками поставок. В статье анализируются инвестиционные затраты на внедрение ERP, источники финансирования, ключевые выгоды для бизнеса и возможные риски. Рассматриваются перспективы развития ERP-систем с учетом технологических трендов, включая облачные вычисления, искусственный интеллект и интеграцию с интернетом вещей.

Современные экономические кризисы развиваются с высокой скоростью и сложностью, что требует новых методов прогнозирования и раннего выявления рисков. Использование технологий больших данных позволяет анализировать сложные экономические процессы в режиме реального времени, выявлять скрытые паттерны кризисов и предсказывать возможные макроэкономические потрясения. Применение машинного обучения, нейросетевых моделей и обработки высокочастотных финансовых данных значительно повышает точность прогнозирования кризисных сценариев, позволяя принимать упреждающие меры. В статье исследуется роль больших данных в выявлении нестабильности, рассматриваются основные источники информации, методы аналитики и ограничения алгоритмических предсказаний. Анализируются успешные примеры использования больших данных центральными банками и финансовыми регуляторами, а также перспективы интеграции предсказательных моделей в экономическую политику.

В условиях стремительного прогресса технологий и усложнения глобальных экономических процессов появляются инновационные способы осуществления трансграничных финансовых операций, что влечет за собой порождение ранее неизвестных и не всегда прогнозируемых рисков для национальных экономик принимающих стран. Успешное управление этими вызовами требует от государств непрерывной адаптации к стремительно трансформирующимся тенденциям международного движения капитала посредством внедрения передовых методов мониторинга и контроля, а также разработки высокоточных механизмов идентификации участников финансовых операций. Предметом изучения в данной статье являются новые механизмы контроля за международным движением капитала, имеющие большие перспективы использования. Целью исследования является выявление потенциально эффективных методов контроля за международным движением капитала и обоснование необходимости их использования. Статья ставит своей задачей исследование и систематизацию инновационных механизмов, способствующих более эффективному контролю за движением капитала в современных экономических условиях. Основное внимание уделено разработке подходов, которые обеспечивают прозрачность, минимизацию рисков и устойчивость финансовых потоков в глобальной экономике. Результатами исследования является разработка и обоснование инновационных механизмов, направленных на усиление прозрачности и эффективности контроля за международным движением капитала. Предложенные подходы демонстрируют потенциал для снижения финансовых рисков, усиления регуляторного надзора и адаптации к динамичным условиям глобальных рынков. Значимость статьи заключается в её вкладе в развитие подходов к регулированию международного движения капитала с использованием инновационных механизмов, что способствует повышению стабильности и устойчивости глобальной финансовой системы. Предложенные решения могут быть использованы как практическими регуляторами, так и исследователями для минимизации рисков и улучшения прозрачности транзакций на международных рынках.