Научный архив: статьи

Изложены результаты испытаний системы наукастинга порывов приземного ветра, проведенных в мае-сентябре 2024 года в Гидрометцентре России с применением алгоритма машинного обучения “Случайный лес” к выходной продукции статистической модели наукастинга pySTEPS и системы численного прогноза погоды COSMO-Ru2.2. Оценена значимость наблюдений автоматических метеостанций Центрального федерального округа в качестве контрольных данных для наукастинга порывов ветра. Выявлены некоторые систематические особенности численных прогнозов порывов в период испытаний. Обсуждаются проблемы синхронизации данных от различных источников, детально анализируется погодная ситуация с заметными порывами на территории Московской области, приводятся оценки качества с помощью показателя FSS. В разработанной версии системы наукастинга, на накопленной информационной базе и по значениям показателя FSS горизонт полезного прогноза порывов ветра ограничен 30 минутами.

С целью расширения поисковой базы концепций и методов исследований в сфере психологии образования произведен анализ проблем, которые существуют на пути непрерывного образования работников в сфере прокурорской деятельности. Цифровые сервисы в системе органов прокуратуры России в настоящее время недостаточно обеспечивают системную и качественную подготовку молодого кадрового состава и повышение квалификации опытных работников. Ключевые проблемы связаны с недостаточным развитием внутриведомственного машинного обучения, удаленностью большого количества районных и специализированных прокуратур от межрегиональных центров подготовки и повышения квалификации прокурорских работников и ведомственных вузов прокуратуры, а также с отсутствием узкой специализации вузовских образовательных программ подготовки юристов по различным направлениям прокурорской деятельности. В качестве решения проблем представлен опыт отдела кадров прокуратуры г. Санкт-Петербурга в сфере разработки и внедрения цифровых сервисов повышения квалификации на базе информационных платформ машинного обучения. Показана эффективность применения авторского алгоритма и модели подготовки кадров в органах прокуратуры РФ. Представленный материал может быть полезен при организации повышения квалификации кадров в органах и организациях прокуратуры России, а также иных государственных органах, в функции которых входит повышение квалификации личного состава

Использование мультимодальных данных в системах распознавания эмоций имеет огромный потенциал для приложений в различных областях: здравоохранение, человеко-машинные интерфейсы, контроль состояния операторов, маркетинг. До недавнего времени развитие систем распознавания эмоций на основе мультимодальных данных сдерживалось недостаточной мощностью вычислительной техники. Однако с появлением высокопроизводительных систем на основе графических процессоров и разработкой эффективных архитектур глубоких нейронных сетей произошел всплеск исследований, направленных на использование нескольких модальностей, таких как аудио, видео и физиологические сигналы, для точного определения человеческих эмоций. Помимо этого, немаловажную роль стали играть физиологические данные, полученные с помощью носимых устройств, благодаря относительной простоте их сбора и точности, которую они позволяют достигать. В данной статье рассмотрены архитектуры и методы применения глубоких нейронных сетей для анализа мультимодальных данных с целью повышения точности и надежности систем распознавания эмоций, представлены современные подходы к реализации таких алгоритмов и существующие открытые наборы мультимодальных данных.

В статье рассмотрены особенности применения технологии искусственного интеллекта в системе здравоохранения, включая вопросы персональной ответственности врача при принятии решений о диагностике и лечении на основании сформулированного предложения (решения) алгоритма. Представлен обзор действующей системы правового регулирования ответственности медицинских работников, а также проведена оценка возможных вариантов распределения ответственности в связи с внедрением искусственного интеллекта в работу врачей. Раскрыты потенциальные направления совершенствования законодательства и выделены особенности, касающиеся медицинских организаций, медицинских работников и пациентов, которым будет оказана медицинская помощь с использованием интеллектуальных систем. Проанализированы тенденции распределения ответственности за причинение вреда при оказании медицинской помощи в таких случаях, что позволило выработать возможные варианты распределения ответственности между медицинской организацией и медицинским работником в будущем.

В условиях стремительного развития цифровой экономики использование больших данных (Big Data) становится ключевым инструментом повышения эффективности и устойчивости бизнес-процессов.

Целью настоящего исследования является выявление механизмов и эффектов применения Big Data для оптимизации операционных и управленческих функций в компаниях различных отраслей. На основе анализа эмпирических данных, кейсов цифровой трансформации, а также вторичных источников - в том числе аналитики McKinsey, IDC и отчетов ведущих ИТ-компаний - продемонстрировано, как применение методов интеллектуального анализа данных, машинного обучения и визуализации позволяет сократить транзакционные издержки, ускорить принятие решений и повысить точность бизнес-прогнозирования. Результаты исследования подтверждают наличие устойчивой положительной корреляции между уровнем зрелости Big Data-практик и показателями операционной эффективности. Представлены рекомендации для предприятий и государств по формированию цифровых стратегий с учётом потенциала больших данных. Отдельное внимание уделено барьерам внедрения - технологическим, организационным и этическим.

В условиях цифровизации экономики и роста объёмов корпоративных данных возрастает потребность в эффективных инструментах анализа финансовой отчётности. Одним из перспективных направлений является применение нейросетевых моделей, способных выявлять скрытые зависимости в сложных и высокоразмерных финансовых данных. В статье рассматриваются различные архитектуры нейросетей (включая MLP, LSTM и трансформеры), их возможности по прогнозированию ключевых финансовых показателей компаний, а также сравнение с традиционными аналитическими методами. На основе эмпирических данных публичных компаний проведена апробация моделей, что позволило оценить их точность, интерпретируемость и применимость в корпоративной среде. Сделаны выводы о потенциале нейросетевых подходов для повышения объективности и глубины финансового анализа.

Современные технологии искусственного интеллекта (ИИ) становятся ключевыми инструментами автоматизации в корпоративных финансовых системах. Использование ИИ позволяет оптимизировать процессы обработки бухгалтерской информации, прогнозирования денежных потоков, оценки кредитных рисков и финансового планирования. В статье рассматриваются основные направления применения ИИ в автоматизации финансовых процессов, анализируется их экономическая эффективность и управленческая значимость. Проведён обзор текущих исследований, посвящённых применению нейросетей, алгоритмов машинного обучения и интеллектуальных агентов в финансовой сфере. Представлены результаты эмпирического анализа влияния автоматизации с применением ИИ на качество финансового управления. Сделаны выводы о перспективах интеграции ИИ в корпоративные финансы, включая рекомендации для бизнеса и научного сообщества.

В эпоху развития банковских инноваций за счет использования цифровых каналов продаж, мобильных приложений и других цифровых технологий, конкурируя, банки стремятся расширить спектр предложения услуг и продуктов. Последние десятилетия цифровая трансформация банковского дела выступает основным инструментом конкуренции на рынке банковских услуг. Оптимизация издержек и минимизация себестоимости создания таких услуг с использованием цифровых технологий формирует новые банковские риски – информационные. Несанкционированный доступ к информации, сбой в работе информационных систем, кибер-атаки способны генерировать значимые убытки и ущерб как банкам, так и их клиентам. Как следствие, требуется создание инструментария управления информационными рисками. В данной статье рассматривается основной вектор формирования нормативно-законодательной базы управления информационными рисками, подходы к пониманию экономического содержания информационных рисков коммерческого банка. В статье отстаивается тезис о том, что внедрение искусственного интеллекта и машинного обучения является отдельным ключевым направлением цифровизации банковской деятельности и формирует специфичность информационных рисков банковской деятельности в современной экономике. Раскрываются основные направления внедрения данных технологий в современном банковском деле, трансформация банковского риск-менеджмента с учетом информационных рисков.

Цифровая трансформация промышленного сектора формирует новые требования к эффективности и гибкости производственных процессов. Одним из ключевых инструментов в этом контексте становится искусственный интеллект (ИИ), способный обеспечивать интеллектуальную автоматизацию, прогнозирование, адаптацию и самообучение в рамках производственного цикла. В статье рассматриваются основные подходы к внедрению ИИ в производственную среду, проанализированы технологии машинного обучения, компьютерного зрения, интеллектуального анализа данных и предиктивной аналитики, а также их роль в повышении операционной эффективности. Осуществляется оценка экономических эффектов внедрения ИИ в производственные системы на основе сравнительного анализа кейсов. Особое внимание уделено барьерам, связанным с цифровой зрелостью предприятий, кадровым обеспечением и трансформацией бизнес-моделей.

Приводятся результаты применения методов машинного обучения для прогнозирования золоторудной минерализации на поисковой стадии геологоразведочных работ на примере Верхнеамгинского щелочного массива Алдано-Станового щита. Использованы данные анализа 403 штуфных проб методом ICP-AES на 25 химических элементов. Протестированы восемь алгоритмов классификации: Random Forest, Support Vector Machine, Neural Network (Multilayer Perceptron), Boosting (AdaBoost), Decision Tree, K-Nearest Neighbors, Linear Discriminant Analysis и Naive Bayes. Наивысшую точность (до 89,6 %) продемонстрировали Random Forest и Support Vector Machine, основанные на выявлении взаимосвязей между рудными элементами (Au, Ag, As, Cu, Sb) и элементами с отрицательной корреляцией (Mg, Ca, Ti). Результаты подтверждены ROC-анализом. При создании модели машинного обучения в качестве целевой переменной приняты значения «рудного» фактора для каждой пробы, использованные в качестве предиктора. С помощью построения аномальных полей значений «рудного» фактора проведено сравнение параметров известных объектов и прогнозируемых площадей. Методы машинного обучения позволяют оперативно и надежно интерпретировать аналитические данные, полученные с использованием спектрометрии или портативных XRF-анализаторов. Для повышения точности прогноза подчеркивается важность комбинации традиционных статистических методов (кластерный, факторный анализ) с современными алгоритмами машинного обучения.

В условиях продолжающегося санкционного давления и непростой экономической ситуации в стране возрастает значимость обеспечения роста объемов кредитования банками населения и хозяйствующих субъектов. Основным условием его эффективности является снижение кредитного риска как реальной угрозы для кредитных организаций с точки зрения потери или снижения стоимости активов. В свою очередь, важнейшим фактором этого снижения служит качественная оценка кредитоспособности частного и корпоративного заемщика, являющаяся важным элементом системы кредитования и основанием для определения целесообразности кредитных отношений банка и клиента. Тенденцией сегодняшнего дня является широкое использование цифровых методов при оценке кредитоспособности заемщика банка, что повышает ее эффективность и точность; традиционные методы оценки, основанные на финансовой истории и кредитных отчетах, имеют свои ограничения и не всегда дают полную картину о клиенте. Применение цифровых технологий сокращает время и снижает затраты на процесс оценки кредитоспособности. Анализ литературных источников, а также обобщение опыта работы российских банков показывает, что, несмотря на очевидные преимущества и перспективы использования цифровых инструментов при анализе кредитоспособности, последние не лишены недостатков, проблем и рисков. Это предопределяет необходимость предпринять определенные шаги по дальнейшему развитию цифровизации системы оценки кредитоспособности заемщика.

Цель исследования - на основе анализа современного рынка, используя литературные источники и эмпирические данные, выявить плюсы и минусы применения прогрессивных технологий при анализе кредитоспособности клиентов, сформулировать ряд мер по дальнейшему развитию систем оценки качества заемщиков с применением данных технологии. В статье отмечены особая значимость осуществления постоянной коррекции систем скоринга, важность учета особенностей общения с клиентами, их психологии, корректной оценки возможности масштабирования ошибок в случае использования инновационных технологий на всех стадиях реализации кредитного процесса. Выявлено, что, с одной стороны, использование цифровых технологий нивелирует кредитный риск банка, а с другой - может привести к сокращению числа заемщиков банка, так как многие из них не соответствуют стандартам заёмщика. Сделан вывод о том, что при использовании цифровых технологий, методов искусственного интеллекта и др. необходимо, во-первых, учитывать вопросы конфиденциальности данных, а во-вторых, стремиться к увеличению роста доходов населения и рентабельности хозяйствующих субъектов. Предложен ряд актуальных мер в рамках процесса перевода системы оценки кредитоспособности заемщиков на цифровые рельсы.

В статье акцентируется внимание на интеграции технологий ИИ в бизнес-аналитику для улучшения принятия решений в различных отраслях экономической системы. Изучаются алгоритмы, позволяющие организациям не только оценивать исторические данные, но и прогнозировать тенденции, разрабатывать более информированные, проактивные стратегии на основе предиктивной и предписывающей аналитики. Рассматриваются особенности внедрения инструментов цифровой экономики в автоматизацию решений в бизнесе на основе больших данных, что помогает компаниям быстро реагировать на волатильную динамику рынка. Рассматривается вопрос оценки рынка генеративного ИИ для экономических систем РФ, США и КНР. По выбранным статистическим данным отчётливо прослеживается тенденция к увеличению объёмов таких рынков. В статье также предлагается расчёт интегрального показателя, определяющего достаточно высокую степень влияния внедрения искусственного интеллекта на ключевые показатели эффективности бизнеса некоторых отраслей экономики РФ.