Система классификации технологий в сфере искусственного интеллекта для кадрового прогнозирования

Система классификации технологий в сфере искусственного интеллекта для кадрового прогнозирования

Автор: Гуртов Валерий Алексеевич, Аверьянов Александр Олегович, Корзун Дмитрий Жоржевич, Смирнов Николай Васильевич

Журнал: Экономические и социальные перемены: факты, тенденции, прогноз @volnc-esc

Рубрика: Научно-технологическое и инновационное развитие

Статья в выпуске: 3 т.15, 2022 года.

Бесплатный доступ

Развитие российской экономики, в том числе за счет масштабного внедрения цифровых технологий и технологий искусственного интеллекта, требует соответствующих ресурсов. Одним из них являются квалифицированные кадры. Потребность в подготовленных специалистах ставит перед государственными институтами важные вопросы - кого и сколько необходимо подготовить, что, в свою очередь, требует детализации кадровой потребности. В статье представлены результаты разработки системы классификации технологий искусственного интеллекта для решения задач кадрового прогнозирования. Теоретическая значимость результатов исследования заключается в создании системы классификации, которая структурирует существующие знания о технологиях в сфере искусственного интеллекта и обладает потенциалом для получения новых знаний. Новизна подхода к построению классификации технологий искусственного интеллекта состоит в использовании трехкомпонентной структуры технологий «методы - инструменты - области применения», а также профилировании классификации под задачи прогнозирования потребности экономики в кадрах с компетенциями в сфере искусственного интеллекта. В основу классификации легли результаты анализа научных публикаций по тематике искусственного интеллекта (журналы первого квартиля Q1 и конференции уровня A/A*). Для их исследования применялся метод Systematic Literature Review. Также были проанализированы все тематические публикации, индексируемые в Scopus. Практическая значимость результатов раскрывается применительно к задачам кадрового прогнозирования в сфере искусственного интеллекта. Разработанная классификация позволяет структурировать кадровую потребность на разных уровнях детализации технологий искусственного интеллекта. Другим направлением развития предложенной классификации является сопоставление компетенций (знания, умения и практический опыт) по востребованным группам профессий с компонентами областей технологий искусственного интеллекта (методы, инструменты, области применения) для разработки образовательных программ в соответствующей сфере. Предложенная классификация имеет потенциал для развития: одним из путей является экспертная оценка приоритетных направлений развития искусственного интеллекта. В тексте статьи кратко представлены результаты такого приложения классификации.

Еще

Цифровая экономика, кадровая потребность, прогнозирование, искусственный интеллект, технологии, классификация, фронтиры

Короткий адрес: https://sciup.org/147238087

IDR: 147238087   |   DOI: 10.15838/esc.2022.3.81.6

Список литературы Система классификации технологий в сфере искусственного интеллекта для кадрового прогнозирования

  • Баксанский О.Е. (2005). Когнитивные науки. От познания к действию. М.: URSS. 182 с.
  • Гуртов В.А., Ершова Н.Ю., Сигова С.В. (2013). Востребованные компетенции для решения «задач будущего» по приоритетным направлениям науки, техники и технологий: встраивание в ООП // Мат-лы Междунар. науч.-метод. Конф. «Высокие интеллектуальные технологии и инновации в национальных исследовательских университетах»: пленарные доклады (28 февраля – 01 марта 2013 г.). СПб: Издательство Политехнического университета. С. 107−114.
  • Калиновская И.Н. (2021). Разработка программ развития человеческих ресурсов организации с применением технологий искусственного интеллекта // Тенденции экономического развития в XXI веке: Мат-лы III Междунар. науч. конф., Минск, 01 марта 2021 г. / редколл.: А.А. Королёва (гл. ред.) [и др.]. Минск: Белорусский государственный университет. С. 654–657.
  • Колин К.К. (2019). Новый этап развития искусственного интеллекта: национальные стратегии, тенденции и прогнозы // Стратегические приоритеты. № 2 (22). С. 4–12.
  • Кузнецов Н.В., Лизяева В.В., Прохорова Т.А., Лесных Ю.Г. (2020). Подготовка кадров для реализации национальной программы «Цифровая экономика Российской Федерации» // Современные проблемы науки и образования. № 1. URL: https://science-education.ru/ru/article/view?id=29520 (дата обращения 24.03.2022). DOI: 10.17513/spno.29520
  • Лексин В.Н. (2020). Искусственный интеллект в экономике и политике нашего времени. Статья 1. Искусственный интеллект как новая экономическая и политическая реальность // Российский экономический журнал. № 4. С. 3–30. DOI: 10.33983/0130-9757-2020-6-3-32
  • Любимов А.П. (2020). Основные подходы к определению понятия «искусственный интеллект» // Научно-техническая информация. Серия 2: Информационные процессы и системы. С. 1–6. DOI: 10.36535/0548-0027-2020-09-1
  • Мигуренко Р.А. (2010). Человеческие компетенции и искусственный интеллект // Известия Томского политехнического университета. № 6 (317). С. 85–89.
  • Разин А.В. (2019). Этика искусственного интеллекта // Философия и общество. № 1 (90). С. 57–73.
  • Романова О.А., Пономарева А.О. (2020). Промышленная политика: новые реалии, проблемы формирования и реализации // Экономические и социальные перемены: факты, тенденции, прогноз. Т. 13. № 2. С. 25–40. DOI: 10.15838/esc.2020.2.68.2
  • Сигова С.В., Серебряков А.Г., Лукша П.О. (2013). Формирование перечня востребованных компетенций: первый опыт России // Непрерывное образование: XXI век. Вып. 1. URL: http://lll21.petrsu.ru/journal/atricle.php?id=1946
  • Ушаков Е.В. (2017). Философия техники и технологии. М.: Юрайт. 307 с.
  • Abbass H. (2021). Editorial: What is artificial intelligence? IEEE Transactions on Artificial Intelligence, 2(2), 94–95. DOI: 10.1109/tai.2021.3096243
  • Bokovoy A., Muravuev K., Yakovlev K. (2020). Map-Merging Algorithms for Visual SLAM: Feasibility Study and Empirical Evaluation. DOI: 10.1007/978-3-030-59535-7_4
  • Buevich A., Sergeev A., Shichkin A., Baglaeva E. (2021). A two-step combined algorithm based on NARX neural network and the subsequent prediction of the residues improves prediction accuracy of the greenhouse gases concentrations. Neural Computing and Applications, 33. DOI: 10.1007/s00521-020-04995-4
  • Gurtov V., Pitukhina M., Sigova S. (2015). Hi-tech skills anticipation for sustainable development in Russia. International Journal of Management, Knowledge and Learning, 3(2), 3–17.
  • Gust H., Kühnberger K.-U. (2006). The Relevance of Artificial Intelligence for Human Cognition.
  • Jin C. (2020). Relevance between Artificial Intelligence and Cognitive Science. In: Proceedings of the 2020 International Symposium on Artificial Intelligence in Medical Sciences (ISAIMS 2020). DOI: 10.1145/3429889.3429917
  • Khokhlova M., Migniot C., Morozov A., Sushkova O., Dipanda A. (2019). Normal and pathological gait classification LSTM model. Artificial Intelligence in Medicine, 94, 54–66. DOI: 10.1016/j.artmed.2018.12.007
  • Lu H., Li Y. (2019). Editorial: Cognitive science and artificial intelligence for human cognition and communication. Mobile Networks and Applications, 25, 995–996. DOI: 10.1007/s11036-019-01265-z
  • Snyder H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. DOI: 10.1016/j.jbusres.2019.07.039
  • Vartanov A.V., Ivanov V., Vartanova I. (2020). Facial expressions and subjective assessments of emotions. Cognitive Systems Research, 59, 319–328. DOI: 10.1016/j.cogsys.2019.10.005
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp