Научный архив: статьи

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.

В условиях стремительного распространения технологий искусственного интеллекта (ИИ) глобальная торговая система переживает глубокую трансформацию. Настоящее исследование посвящено анализу влияния ИИ на международные торговые отношения, включая изменение логистических цепочек, торговой политики и механизмов регулирования. На основе эмпирических данных международных организаций и ведущих аналитических центров (ВТО, OECD, UNCTAD, МВФ) оценивается степень влияния ИИ на структуру экспорта и импорта, цифровую инфраструктуру торговли, а также на формирование новых форм экономического взаимодействия между странами. В статье предложена типология сценариев влияния ИИ на глобальную торговлю, проанализированы вызовы и риски цифрового протекционизма и асимметрии доступа к ИИ-технологиям.

Результаты исследования позволяют выработать практические рекомендации для стран с различным уровнем цифровой зрелости в целях повышения устойчивости и инклюзивности в новой архитектуре глобальной торговли.

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 статье рассматриваются теоретико-методологические и прикладные аспекты управления инновационно-цифровыми трансформациями промышленных предприятий в условиях формирования экономики данных и развития механизмов венчурной акселерации. Обоснована необходимость системного интегрального подхода, сочетающего цифровую зрелость, инновационную активность и экосистемные взаимодействия. Предложена рекуррентная математическая модель, отражающая динамику цифровой зрелости предприятия как результат комплексного воздействия управленческих решений, внешнесредовых параметров и венчурной поддержки. Проведена численная апробация модели на основе агрегированных данных по Российской Федерации за 2023 год. Полученные результаты подтверждают релевантность и прикладную значимость модели для стратегического анализа и прогнозирования траекторий цифровой трансформации промышленного сектора. Дополнительно представлены направления оптимизации механизмов венчурной акселерации с учетом приоритетов промышленной политики, особенностей развития интеллектуального капитала и цифровой инфраструктуры. Обоснована роль платформенных решений и цифровых двойников в обеспечении устойчивости и адаптивности трансформационных процессов, что имеет значение для формирования практик управления в условиях Индустрии 5.0.

В статье представлен взгляд международного экспертного сообщества на использование технологий искусственного интеллекта в образовании. Впервые, насколько нам известно, представлены интеллект-карты (ментальные карты), визуализирующие философский и содержательный контент искусственного интеллекта, его информационные ресурсы. Отмечены асинхронность процессов обучения и воспитания в образовательной среде с искусственным интеллектом, преимущества и недостатки использования искусственного интеллекта с образовательными целями и необходимость трансформации «знаниевой» образовательной парадигмы на учение пониманию. Представлены предложения по повышению качества образования при использовании технологий искусственного интеллекта, в том числе и через систему повышения квалификации педагогических работников.

Введение. Предстательная железа – одна из самых частых локализаций у мужчин среди всех онкологических заболеваний. Гистологическая классификация рака предстательной железы основана на шкале Глисона и часто ограничена субъективным решением и практическим опытом врача-патологоанатома. Программы, основанные на искусственном интеллекте, способны преодолеть данный недостаток и имеют потенциал исследования и использования в клинической практике. Цель исследования – разработать интеллектуальную автоматизированную систему на основе глубокого обучения с целью морфологической диагностики рака предстательной железы с дифференциацией по шкале Глисона.

Материалы и методы. Материалом исследования послужили биоптаты предстательной железы 200 пациентов с подозрением на рак. 882 готовых гистологических препарата оцифровывались на автоматическом сканере с последующим созданием полнослайдовых изображений. Полученные тяжеловесные фотографии формата TIFF конвертировались в приемлемый для работы в аннотаторе формат JPEG. Аннотирование проводилось с помощью веб-инструмента MakeSense. AI. По результатам работы последнего подготавливались наборы данных для обучения моделей первичной и вторичной классификации, а также сегментации.

Результаты. Мера производительности вторичного классификатора, определяющего, присутствуют ли на микрофотографии комплексы рака, без указания их локализации и конкретной степени дифференцировки, составила 0,965. Аналогичный показатель работы сегментатора, выделяющего контуры железистых структур и уточняющего степень их дифференцировки по шкале Глисона, составил в среднем 0,798.

Заключение. Качественная работа сегментатора требует большего объема данных и дальнейшего обучения нейросети, однако результаты подтверждают, что алгоритм искусственного интеллекта имеет высокий потенциал для улучшения качества морфологической диагностики.

В статье представлена концепция «промпт-инжиниринга» (инженерии подсказок) как важной составляющей современной практики взаимодействия с системами искусственного интеллекта (ИИ), особенно в образовательной и учебно-методической среде. Предлагается краткий исторический экскурс в развитие технологий ИИ и постепенное формирование искусства промпт-инжиниринга, главной целью которого является получение максимально релевантного и точного ответа модели ИИ за счет правильно написанных инструкций. Формулируются ключевые понятия, связанные с инженерией подсказок, и выделяются ее особенности как нового междисциплинарного инструмента, находящегося на стыке лингвистики, педагогики, когнитивной психологии и информационных технологий. Особое внимание уделяется процессу создания эффективных подсказок (запросов), правилам их построения, распространенным ошибкам и техникам их написания с учетом целей обучающихся (пользователей) и характера поставленной задачи. Теоретическая часть сопровождается подробными практическими примерами использования этих техник и их комбинаций при обучении иностранному языку в неязыковых вузах. Описан пошаговый алгоритм, позволяющий адаптировать большой объем учебного материала для целей промежуточной или итоговой аттестации по дисциплине «Английский язык в профессиональной сфере», включая генерацию текстов разного уровня лексической и грамматической сложности, ментальных карт и средств самоконтроля. статья содержит практические рекомендации по организации самостоятельной работы с ИИ-моделями для обучающихся с разным уровнем владения языком, мотивированностью, выбранной учебной стратегией и интеллектуальной готовностью к обучению. В заключении приводятся результаты применения описанных техник промпт-инжиниринга и анализируется их потенциальное влияние на качество обучения, успеваемость, вовлеченность и развитие языковой самостоятельности обучающихся.

В статье исследовано понятие цифровизации государственных услуг, определены целевые ориентиры данного процесса с учетом практики последнего десятилетия оказания государственных услуг населению в России и трендов развития их технологических форм реализации онлайн. Определены параметры, которые могут быть изменены применительно к цифровому процессу оказания государственных услуг как в статике, так и в динамике и предложены направления их использования для расчета экономической эффективности. Предпринята попытка разработки целостного паттерна моделирования экономически эффективного процесса цифровизации государственных услуг, выявлены как позитивные, так и негативные с точки зрения экономической эффективности факторы, которые могут быть идентифицированы и в совокупности использованы для количественной оценки результативности цифровизации государственных услуг. Значительное внимание в научной статье уделено проблематике исторической эволюции цифровой модели организации государственных услуг в России с определением качественных и количественных результатов, достигнутых в рамках превращения супер платформы «Госуслуги» из локального инструмента перевода части оффлайн услуг в онлайн формат в центральную площадку взаимодействия триады государство – бизнес – граждане.

В статье анализируются и оцениваются возможности США, Китая и России по созданию автономных систем военного назначения и подходы к разработке образцов вооружения и военной техники с использованием искусственного интеллекта. США, Китай, Россия и другие страны обладают большими возможностями по созданию автономных систем военного назначения. В тоже время продолжается обсуждение проблемы гонки вооружений в области искусственного интеллекта на международном уровне. Рассмотрение и анализ опыта управления разработками образцов вооружения и военной техники с использованием искусственного интеллекта в США и Китае предоставляют возможность его использования в интересах Российской Федерации.

За последние пятнадцать лет системы радиочастотной идентификации (RFID) стали неотъемлемым элементом деятельности современных предприятий, позволяя эффективно отслеживать запасы и контролировать перемещение товарных потоков в рамках цепочек поставок. Наиболее широко технология применяется в розничной и оптовой торговле. Однако RFID-технологии играют ключевую роль в цифровизации и других отраслей, включая автомобилестроение, здравоохранение, фармацевтику и логистику. В статье представлен обзор современных методов поддержки принятия решений в управлении товарными запасами с применением RFID-технологий. Методологическую основу исследования составляет систематизированный подход к поиску и отбору научных публикаций, отражающих процессы внедрения и оптимизации RFID-систем в логистике и управлении запасами. Представленный обзор охватывает следующие аспекты: возможности применения RFID-технологии в различных отраслях, подходы и способы интеграции RFID с моделями систем поддержки принятия решений (СППР) в различных отраслях промышленности, ключевые критерии выбора технологий для управления товарными запасами, а также перспективы и возможности их интеграции с цифровыми инновациями.

Цифровая трансформация бизнеса означает перевод многих процессов на предприятии в цифровой вид, т. е. предполагается выполнение процессов с использованием компьютерной техники и ИТ-технологий. При этом важно организовать эффективную интеграцию уже имеющихся на предприятии процессов с современными ИТ-технологиями. Такая интеграция может касаться не только производства, но и других областей человеческой деятельности. Конечно, и раньше многие отрасли в разной мере подвергались автоматизации, но появление искусственного интеллекта (ИИ) может сгладить разницу между отраслями с автоматизацией разной степени и позволит оптимизировать процессы, даже если какие-то из сфер деятельности не предполагают использование ИИ. Тем не менее процесс цифровизации в подавляющем большинстве случаев даст ускорение принятию решений, если использовать системы ИИ, в частности цифрового двойника. Это оптимизирует сбор данных, что позволит использовать их для создания моделей объектов или систем. Модель в дальнейшем будет применяться для анализа и оптимизации работы без физического присутствия объекта. Все вышеизложенное и определяет актуальность темы идентификации места и роли искусственного интеллекта в цифровой трансформации российского бизнеса. В данной статье авторы размышляют над проблемой «Какие шаги необходимо предпринять для развития новых технологий анализа данных в производстве? И как усовершенствовать среду работы с данными?». В статье дается обзор истории использования искусственного интеллекта в бизнесе. Обсуждаются слабые стороны применения технологий искусственного интеллекта. Предпринимается попытка дать ответ на вопрос: что нужно сделать уже сегодня, чтобы предприятие или организация могли занять лидирующие позиции завтра.