Методы искусственного интеллекта в обработке информации и их использование в управлении

Бюллетень науки и практики / Bulletin of Science and Practice

УДК 331.5:004.8                                    

В условиях цифровой трансформации объём и сложность информации, необходимой для принятия управленческих решений, стремительно возрастают. Современные организации работают с большими массивами данных, поступающими из разнородных источников и обновляющимися в реальном времени [1].

В последние годы наблюдается стремительный рост интереса к технологиям искусственного интеллекта, что связано с их широким применением в различных сферах деятельности – от промышленности и здравоохранения до государственного управления и финансов. Несмотря на активное развитие научных исследований и появление множества практических решений, использование ИИ в управленческой практике остаётся предметом дискуссий [2].

С одной стороны, данные технологии позволяют значительно повысить эффективность обработки информации, снизить издержки и ускорить процессы принятия решений. С другой стороны, остаются нерешёнными вопросы интеграции ИИ в существующие бизнес-процессы, обеспечения информационной безопасности и подготовки квалифицированных специалистов. Рассматриваются ключевые направления – машинное обучение, нейронные сети и интеллектуальный анализ данных – а также их практическое значение для оптимизации управленческих решений [3].

По данным IDC, к 2025 году общий объём мировых данных достигнет 175 зеттабайт (для сравнения: в 2010 г этот показатель составлял лишь 2 ЗБ). Без использования ИИ их обработка становится практически невозможной (Рисунок 1).

Искусственный интеллект представляет собой совокупность методов и технологий, направленных на моделирование когнитивных функций человека и автоматизацию процессов обработки информации. Для управленческой практики наибольшее значение имеют такие направления, как машинное обучение, нейронные сети и интеллектуальный анализ данных. Эти технологии позволяют выявлять закономерности в больших массивах информации, строить прогнозные модели и оптимизировать бизнес-процессы.

Рассмотрим ключевые подходы к использованию указанных методов в управлении, их преимущества и ограничения. Машинное обучение (Machine Learning) представляет собой совокупность алгоритмов, позволяющих компьютерным системам выявлять закономерности в данных и совершенствовать прогнозные модели по мере накопления информации. Применение данного подхода в управлении обусловлено его способностью работать с большими объёмами данных и обеспечивать высокую точность прогнозов [4].

К числу основных преимуществ машинного обучения следует отнести повышение точности аналитических моделей, возможность выявления скрытых зависимостей между показателями, а также универсальность применения в различных сферах управленческой практики. По данным McKinsey (2022), 75% организаций, внедривших ML-модели в аналитику продаж, увеличили точность прогнозов выручки на 10–15%. [4].

В банковской сфере Кыргызстана использование скоринговых моделей на основе ML позволило снизить уровень дефолтов по займам и повысить качество кредитного анализа [6].

Вместе с тем использование машинного обучения сопряжено с рядом ограничений. Во-первых, необходимы значительные объёмы качественных данных для обучения моделей. Во-вторых, результаты существенно зависят от выбора алгоритмов и параметров, что требует высокой квалификации специалистов. Кроме того, модели демонстрируют чувствительность к ошибкам и шуму в исходных данных, что может снижать надёжность прогнозов. Нейронные сети (Artificial Neural Networks) представляют собой вычислительные системы, имитирующие работу человеческого мозга и позволяющие находить сложные нелинейные зависимости. В управлении они находят применение в задачах динамического ценообразования, прогнозирования поведения клиентов, анализа рисков, а также в управлении роботизированными системами (Рисунок 2).

Преимуществом нейронных сетей является их способность обрабатывать неструктурированные данные [7], включая тексты, изображения и аудиосигналы, а также высокая точность при решении задач классификации и прогнозирования. В частности, в розничной торговле нейросети применяются для анализа потребительских предпочтений и формирования персонализированных предложений, что способствует повышению лояльности клиентов. Несмотря на очевидные достоинства, данный метод имеет и определённые ограничения. Основной проблемой является сложность интерпретации получаемых результатов, что делает нейронные сети так называемым «чёрным ящиком» [8; 9].

Кроме того, процесс обучения требует значительных вычислительных ресурсов и времени, что увеличивает затраты на внедрение. Интеллектуальный анализ данных (Data Mining) ориентирован на выявление скрытых закономерностей в больших массивах информации с использованием статистических и алгоритмических методов. Он применяется для сегментации клиентов, анализа рисков, прогнозирования социально-экономических тенденций и моделирования бизнес-процессов. Среди преимуществ данного подхода выделяется возможность выявления новых знаний, использование исторических данных для построения прогнозов и разработка моделей поведения потребителей. Так, в торговых сетях Data Mining применяется для анализа покупательских корзин и выявления ассоциативных правил, что позволяет формировать персонализированные предложения и стимулировать кросс-продажи. Вместе с тем существуют и ограничения. Data Mining затруднительно применять для обработки информации в режиме реального времени, а работа с неструктурированными данными требует дополнительных инструментов. Кроме того, некорректное использование методов может приводить к выявлению ложных зависимостей, что снижает достоверность получаемых результатов. Таким образом, машинное обучение наиболее эффективно при работе с большими объёмами структурированных данных, нейронные сети позволяют обрабатывать сложные и неструктурированные массивы информации, а Data Mining ориентирован на анализ исторических данных и выявление скрытых закономерностей. Оптимальные результаты в управленческой практике достигаются при комплексном использовании данных методов, что позволяет сочетать точность прогнозирования, глубину анализа и способность работать с разнообразными источниками информации.

Применение методов искусственного интеллекта в управленческой практике постепенно становится нормой для современных организаций. В банковской сфере ИИ используется для кредитного скоринга, прогнозирования ликвидности и выявления мошеннических транзакций. Так, В банковском секторе Кыргызстана внедрение скоринговых моделей на основе ML позволило повысить точность оценки кредитоспособности клиентов и снизить уровень дефолтов по займам [10]. По данным McKinsey (2022), применение алгоритмов машинного обучения при анализе финансовых рисков увеличивает точность прогнозов на 10–15% по сравнению с традиционными методами (Рисунок 3).

В розничной торговле ИИ активно применяется для прогнозирования спроса, анализа потребительских предпочтений и персонализации предложений. Крупные торговые сети используют нейронные сети и методы Data Mining для анализа покупательских корзин, что позволяет формировать ассоциативные правила (покупка товара X увеличивает вероятность приобретения товара Y). Это способствует росту кросс-продаж и повышению лояльности клиентов. В логистике алгоритмы машинного обучения помогают оптимизировать маршруты транспортировки и управлять запасами [11].

Использование предиктивных моделей позволяет прогнозировать потребности в сырье и снижать затраты на хранение. В производственных компаниях нейронные сети применяются для прогнозирования отказов оборудования, что позволяет переходить от реактивного ремонта к профилактическому техническому обслуживанию и, как следствие, сокращать издержки. В сфере государственного управления ИИ используется для анализа больших массивов социально-экономических данных, прогнозирования занятости населения и оценки эффективности государственных программ [12].

Так, в ряде стран методы Data Mining применяются для выявления скрытых закономерностей в налоговых данных, что способствует снижению уровня теневой экономики. В здравоохранении ИИ позволяет прогнозировать распространение заболеваний и оптимизировать распределение ресурсов. Приведённые примеры подтверждают, что использование ИИ в управлении обеспечивает повышение точности прогнозов, оптимизацию процессов и снижение управленческих рисков. Вместе с тем успешность внедрения зависит от качества исходных данных, уровня цифровой зрелости организации и готовности к изменениям со стороны персонала. Несмотря на очевидные преимущества, внедрение искусственного интеллекта в управленческую практику сопровождается рядом барьеров и рисков, ограничивающих его эффективность и масштабное распространение.

Во-первых, разработка и внедрение ИИ-систем требует значительных инвестиций. Высокая стоимость оборудования, лицензий на программное обеспечение и облачных сервисов затрудняет внедрение технологий в малых и средних организациях. Дополнительные затраты связаны с необходимостью постоянного обновления моделей и их адаптации к изменяющимся условиям.

Во-вторых, одной из ключевых проблем является нехватка квалифицированных специалистов в области анализа данных, машинного обучения и разработки ИИ-систем. Это снижает возможности организаций по самостоятельному внедрению технологий и повышает зависимость от внешних подрядчиков.

В-третьих, сложности возникают при интеграции ИИ в существующие информационные системы. Многие организации используют устаревшие IT-инфраструктуры, что делает внедрение новых технологий затратным и длительным процессом. Кроме того, для функционирования моделей требуются большие объёмы качественных данных, что не всегда доступно.

В-четвертых, использование ИИ ставит вопросы прозрачности и объяснимости принимаемых решений. Нейронные сети, например, часто рассматриваются как «чёрный ящик», что затрудняет проверку обоснованности результатов. Дополнительную угрозу представляет нарушение конфиденциальности персональных данных, что требует разработки строгих правовых механизмов регулирования.

В-пятых, даже при технической готовности компании внедрение ИИ может встретить сопротивление персонала. Сотрудники опасаются автоматизации и возможного сокращения рабочих мест, что снижает уровень доверия к новым технологиям и замедляет процессы цифровой трансформации.

Таким образом, ключевыми барьерами внедрения ИИ являются высокие затраты, дефицит кадров, трудности интеграции, а также риски, связанные с прозрачностью решений и защитой данных. Успешное преодоление указанных препятствий возможно при условии комплексного подхода, включающего инвестиции в инфраструктуру, развитие кадрового потенциала и совершенствование нормативно-правовой базы. В заключении отметим, искусственный интеллект становится одним из ключевых инструментов цифровой трансформации и оказывает всё более значимое влияние на управленческую практику. Проведённый анализ показал, что методы машинного обучения, нейронных сетей и интеллектуального анализа данных позволяют существенно повысить качество принимаемых решений, улучшить прогнозирование и оптимизировать бизнес-процессы. Машинное обучение демонстрирует эффективность при работе с большими объёмами структурированных данных и обеспечивает повышение точности аналитических моделей. Нейронные сети позволяют находить сложные нелинейные зависимости и использовать неструктурированную информацию, что делает их востребованными в маркетинге, финансах и производстве [13].

Интеллектуальный анализ данных ориентирован на выявление скрытых закономерностей и сегментацию, что особенно полезно в торговле и государственном управлении. Результаты практического применения подтверждают, что искусственный интеллект повышает точность прогнозирования, способствует оптимизации затрат и обеспечивает рост эффективности управления [14].

Однако существующие барьеры – значительные финансовые вложения, нехватка специалистов, сложности технологической интеграции и проблемы интерпретируемости решений – подчёркивают необходимость системного и поэтапного внедрения ИИ-технологий.