Научный архив: статьи

Широкое применение технологий искусственного интеллекта, анализ данных, став ка на них как на основу развития экономики будущего существенно увеличивают спрос на данных специалистов. В связи с этим необходимо обратить внимание на методику преподавания анализа данных в университетах. Цель статьи — разработать основы таксономии для подготовки практических заданий по анализу данных и апробировать ее. Автором рассмотрены основные таксономии учебных задач, обоснована их слабая применимость к области анализа данных из-за ее мультидисциплинарности и многоаспектности. Предложена авторская горизонтальновертикальная таксономия учебных задач на основе трех основных процессов — мышление, коммуникация, деятельность; при этом сложность задач предлагается взять в качестве ключевого показателя, на ко тором основана вертикальная часть таксономии. На примере темы «линейная регрессия» представлены типовые задачи, характерные для соответствующих первичных и вторичных процессов, а также их смешения. Разработаны и показаны конкретные задания для студентов уровня магистратуры направления подготовки «Бизнесинформатика» в рамках дисциплины «Компьютерный анализ данных» с использованием языка R. Обоснована необходимость дальнейших исследований в данном направлении, постав лен ряд вопросов для продолжения работы.

Современные технологии искусственного интеллекта (ИИ) находят все более широкое применение в военной психологии, существенно повышая эффективность диагностики, прогнозирования и коррекции психоэмоционального состояния военнослужащих. В статье рассматриваются ключевые преимущества ИИ в данной сфере, включая ускоренную обработку данных, повышенную точность прогнозов и возможность анализа большого количества респондентов. Особое внимание уделяется сравнению облачных и локальных ИИ-моделей, их сильным и слабым сторонам в контексте безопасности и производительности. Также приводятся технические требования к оборудованию для локальных решений, учитывая потребности современных нейросетевых алгоритмов. В заключении подчеркивается, что стремительное развитие технологий требует гибкого подхода к выбору аппаратного обеспечения и методов защиты данных, обеспечивающих оптимальный баланс между скоростью работы, безопасностью и экономической целесообразностью

Основной тезис статьи заключается в том, что цифровизация в сервисных организациях значительно способствует клиентоориентированности персонала. Использование цифровых технологий позволяет обеспечить более персонализированный подход к каждому клиенту, повысить скорость и качество обслуживания, а также улучшить общий клиентский опыт.

С управленческих и экономических позиций рассматриваются различные аспекты применения цифровых двой ников на предприятиях РФ. Делается акцент на текущие результаты, проблемы и перспективы развития. Отмечается, что технология цифровых двой ников становится важным инструментом для обеспечения устойчивости производственных систем, снижения затрат и повышения качества продукции. Особое внимание уделяется проблемам внедрения, таким как необходимость высококачественных данных, экономические барьеры и сложность интеграции с существующими системами. Также представлен прогноз по развитию технологии цифровых двой ников в контексте Индустрии 4.0.

Статья описывает активно развивающийся подход Челябинской области к формированию аналитики по результатам мониторинговых исследований. В частности, представлены два механизма - автоматизация визуализации аналитики посредством дашбордов и автоматизация текста аналитики. Наиболее подробно в статье изложен механизм формирования текстовых аналитических материалов, создаваемых посредством программного обеспечения, написанного на языке Python. Описана разработка структурных элементов отдельных модулей программы и структура получаемого по результатам работы программы текстового шаблона. В заключение перечислены основные эффекты в системе образования Челябинской области, получаемые в ходе постепенной автоматизации аналитических процессов в рамках проводимых мониторинговых исследований и оценочных процедур.

В статье рассматривается роль искусственного интеллекта в системе кибербезопасности как ключевого инструмента обнаружения, анализа и предотвращения кибератак. Проанализированы теоретические основы применения машинного обучения и нейронных сетей в защите информационных систем, показаны преимущества интеллектуальных технологий по сравнению с традиционными методами обеспечения безопасности. Особое внимание уделено концепции поведенческой аналитики, использованию алгоритмов глубокого обучения для выявления атак нулевого дня и построению адаптивных моделей защиты, способных предсказывать и предотвращать киберугрозы в режиме реального времени. Отмечаются этические и технологические вызовы, связанные с применением искусственного интеллекта, включая уязвимость обучающих моделей и необходимость сохранения человеческого контроля над автоматизированными системами. Сделан вывод о том, что интеграция искусственного интеллекта в систему кибербезопасности способствует формированию нового уровня защиты, основанного на самообучающихся алгоритмах и аналитике больших данных, что обеспечивает устойчивость цифровых инфраструктур в условиях динамично изменяющегося киберпространства.

В условиях роста объемов данных и жестких требований регуляторов в банковском секторе необходимость в оперативном и точном способе формирования отчетности становится критически важной. В связи с этим автоматизация процесса анализа данных и подготовки отчетов для органов надзора является актуальной задачей. Данное исследование охватывает теоретические и практические аспекты разработки программного решения на основе BI-платформы, позволяющего не только автоматизировать сбор и обработку данных, но и минимизировать риски ошибок при формировании отчетности. Основное внимание уделено интеграции с корпоративными хранилищами данных, автоматическому учету актуальных курсов валют и обеспечению гибкости при работе с различными отчетными периодами. Использование современных инструментов визуализации и встроенных механизмов позволяет значительно ускорить процесс подготовки данных и повысить их точность. Кроме того, решение предусматривает возможность оперативного реагирования на запросы регулятора и обеспечивает защиту конфиденциальной информации. В результате внедрения этого программного средства банк получает эффективный инструмент для повышения качества управленческих решений, снижения операционных затрат и соответствия требованиям регулятивных органов.

Статья посвящена анализу роли искусственного интеллекта (ИИ) и больших данных в контексте цифровых международных отношений. Рассматриваются исторические этапы развития ИИ, ключевые технологические направления, такие как машинное обучение и нейронные сети, а также их влияние на экономику, политику и общество. Особое внимание уделяется стратегическому значению больших данных как основного ресурса для развития ИИ, их роли в формировании цифрового суверенитета и глобальной технологической конкуренции. Автор исследует современные вызовы, связанные с этическими и правовыми аспектами применения ИИ, включая вопросы регулирования, безопасности и международного сотрудничества. Анализируются национальные стратегии ведущих стран (США, Китай, ЕС, Россия) в области ИИ, их подходы к обеспечению технологического лидерства и защиты данных. Подчеркивается необходимость выработки универсальных международных норм для предотвращения фрагментации цифрового пространства и обеспечения равноправного доступа к технологиям. Статья акцентирует внимание на трансформации международных отношений под влиянием ИИ, где технологическая гонка становится новой «Большой игрой» XXI века. В заключении предлагаются рекомендации по формированию сбалансированной системы глобального управления ИИ, основанной на принципах многосторонности, справедливости и учета интересов всех государств.

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.

Введение. В России созданы 15 научно-образовательных центров мирового уровня, которые ведут исследования в рамках 200 технологических проектов. Запуск научно-образовательных центров приводит в целом к появлению нового вида деятельности, новых позиций и изменению структуры этих позиций во всех видах деятельности. Для эффективной реализации прорывных научно-технологических проектов в рамках НОЦ мирового уровня необходима постоянная работа по формированию и выявлению новых технологических компетенций.

Методы исследования. В работе использовались аналитический метод, метод имитационного моделирования, статистические методы.

Результаты и дискуссия. Для успешной реализации научно-технологических проектов компетенции должны обладать таким свойством, как комплементарность. Комплементарные технологические компетенции в рамках НОЦ мирового уровня можно разделить на два вида: метакомпетенции и сквозные компетенции. Наличие комплементарных технологических компетенций НОЦ мирового уровня в полном объеме позволяет реализовывать в рамках центров инновационные высокотехнологичные проекты, требующие глубоких знаний. Рассматривая специфику каждого отдельного НОЦ мирового уровня, а также каждого реализуемого проекта в рамках НОЦ, следует при помощи анализа данных четко формулировать необходимый состав компетенций. Показатели анализируются с привлечением статистических методов для выявления проблемных мест и определения направления дополнительной образовательной деятельности НОЦ мирового уровня. Методика формирования комплементарных технологических компетенций в рамках НОЦ мирового уровня представляет собой шесть взаимосвязанных блоков: целевой, теоретико-методологический, технологический, организационный, результативный и оценочный.

Заключение. Предложена методика выявления и формирования комплементарных технологических компетенций НОЦ мирового уровня.

В условиях нарастающих экономических вызовов важной задачей становится оценка устойчивости регионов России. Целью настоящего исследования является моделирование уровня экономической безопасности на основе формализованного анализа ключевых социально-экономических показателей. Применены методы корреляционного анализа, нормализации, главных компонент PCA (Principal Component Analysis) и кластеризации KMeans. В результате проведена типологизация восьми регионов по уровню устойчивости, выявлены взаимосвязи между показателями бедности, безработицы, доходов и инвестиций. Работа имеет прикладной характер и может быть использована для разработки аналитических инструментов стратегического планирования и оценки региональных рисков.

Цель исследования - построение формализованной модели оценки уровня экономической безопасности регионов России. Для этого проводится структурный анализ взаимосвязанных индикаторов, характеризующих социально-экономическое положение территорий, с последующей типологизацией субъектов по степени устойчивости к внутренним и внешним вызовам.

Методы исследования. В методологической части применяются современные инструменты обработки многомерных данных: корреляционный анализ для выявления зависимостей между показателями, масштабирование данных и нормализация, метод главных компонент (PCA) для сокращения размерности признаков без потери информации, а также алгоритм кластеризации KMeans для группировки регионов по сходству структурных характеристик.

Результаты. На основе статистических данных за 2022 год выполнена классификация 8 регионов по уровню экономической стабильности и выявлены устойчивые взаимосвязи между показателями. В ходе исследования проведены отбор и обоснование индикаторов, отражающих состояние региональной устойчивости, построена корреляционная матрица для выявления взаимосвязей между показателями, сокращения размерности данных с использованием метода главных компонент (PCA), а также кластеризация субъектов Российской Федерации с целью типологизации по уровням экономической безопасности. Полученные результаты интерпретированы с учетом структуры данных для формирования выводов, отражающих устойчивость и специфику социально-экономического развития регионов.

Выводы. Результаты исследования обладают высокой прикладной значимостью и могут быть использованы при разработке региональной социально-экономической политики, формировании инструментов стратегического планирования и принятия управленческих решений в условиях макроэкономической нестабильности. Построенная кластерная модель позволяет учитывать структурные различия между регионами, а выявленные взаимосвязи между показателями - формировать более точные прогнозы устойчивости. Методологический подход, использованный в исследовании, может быть масштабирован на другие группы субъектов и адаптирован к различным временным периодам для мониторинга динамики устойчивости.