Искусственный интеллект: методы машинного обучения в управлении инновациями

Данная статья посвящена анализу методов машинного обучения и оценке их эффективности в решении задач, связанных с исследованием инновационных процессов. В экономических исследованиях использование данных методов уже нашло свое отражение в научных публикациях.

Авторы статьи отмечают, что проблемы, решаемые с помощью машинного обучения, как правило, можно классифицировать по следующим категориям:

• Классификация: Отнесение объектов к определенным категориям.
• Регрессия: Прогнозирование непрерывных значений.
• Уменьшение размерности: Сокращение количества признаков данных без потери существенной информации.
• Кластеризация: Группировка объектов на основе их сходства.
• Поиск аномалий: Выявление необычных или выбросных данных.

В статье рассматриваются ключевые методы машинного обучения и их потенциальные приложения в исследованиях творческой деятельности. Авторы приходят к выводу, что включение методов машинного обучения в традиционные методологии позволит более глубоко проанализировать инновационные процессы в различных экономических системах.

Искусственный интеллект и машинное обучение: движущие силы инноваций

Искусственный интеллект (ИИ) и машинное обучение (МО) занимают ведущее место в технологических инновациях, кардинально преобразуя различные отрасли и оптимизируя бизнес-процессы. Применение ИИ и МО позволяет компаниям совершенствовать процессы принятия решений, повышать эффективность операций и открывать новые перспективы для роста.

Вот как ИИ и МО стимулируют инновации в различных секторах:

1. Усовершенствование анализа данных:

• Значение: ИИ и МО способны быстро и точно обрабатывать огромные объемы данных, выявляя ценную информацию для стратегического планирования. Эта возможность позволяет компаниям понимать тенденции, прогнозировать результаты и принимать обоснованные решения.
• Реализация: Использование аналитических инструментов на базе ИИ для анализа данных клиентов, рыночных трендов и операционных показателей. Платформы, такие как Tableau, Microsoft Power BI и Google Analytics, интегрируют ИИ для предоставления глубоких аналитических выводов и прогнозной аналитики.

2. Автоматизация рутинных задач:

• Значение: Автоматизация рутинных операций с помощью ИИ минимизирует количество ошибок, повышает эффективность и освобождает сотрудников для более сложных и стратегических задач. Такой переход может существенно повысить производительность и стимулировать инновации.
• Реализация: Внедрение инструментов автоматизации на базе ИИ для задач, таких как ввод данных, обслуживание клиентов и управление запасами. Инструменты, такие как UiPath, Blue Prism и Automation Anywhere, предлагают надежные решения для автоматизации бизнес-процессов.

3. Персонализация клиентского опыта:

• Значение: ИИ и МО позволяют компаниям предоставлять персонализированные клиентские взаимодействия, анализируя предпочтения и поведение отдельных клиентов. Такая персонализация увеличивает удовлетворенность клиентов и лояльность, стимулируя рост доходов.
• Реализация: Применение систем управления взаимоотношениями с клиентами (CRM) на базе ИИ для настройки маркетинговых кампаний, рекомендаций продуктов и взаимодействия с клиентами. Платформы, такие как Salesforce Einstein, HubSpot и Zoho CRM, используют ИИ для улучшения персонализации.

4. Ускорение исследований и разработок:

• Значение: ИИ и МО могут ускорить процессы исследований и разработок (R&D), выявляя закономерности и прогнозируя результаты быстрее традиционных методов. Такое ускорение приводит к более быстрым циклам инноваций и сокращению времени вывода новых продуктов на рынок.
• Реализация: Интеграция ИИ в процессы R&D для анализа больших данных, моделирования сценариев и оптимизации дизайна. Инструменты, такие как IBM Watson, TensorFlow и Amazon SageMaker, поддерживают инициативы по исследованиям и разработкам на базе ИИ.

5. Улучшение результатов в здравоохранении:

• Значение: В здравоохранении ИИ и МО могут привести к значительным улучшениям в диагностике, лечении и уходе за пациентами. Эти технологии позволяют более точно прогнозировать и разрабатывать персонализированные планы лечения, улучшая результаты для пациентов.
• Реализация: Внедрение диагностических инструментов и систем управления пациентами на базе ИИ для повышения качества медицинской помощи. Решения, такие как PathAI, Zebra Medical Vision и DeepMind Health, используют ИИ для трансформации практик здравоохранения.

6. Усиление кибербезопасности:

• Значение: ИИ и МО играют критическую роль в усилении кибербезопасности, выявляя угрозы и аномалии в режиме реального времени. Эти технологии могут прогнозировать и предотвращать кибератаки, обеспечивая безопасность данных и непрерывность бизнеса.
• Реализация: Развертывание решений для кибербезопасности на базе ИИ для мониторинга сетей, выявления угроз и реагирования на инциденты. Инструменты, такие как Darktrace, Cylance и Symantec Endpoint Protection, используют ИИ для укрепления защиты от киберугроз.

Управление инновациями

В наши дни искусственный интеллект всё активнее внедряется в экономику, занимая всё более значимое место. Методы машинного обучения, являющиеся ключевым элементом технологий искусственного интеллекта, позволяют пользователям эффективно решать задачи в динамично меняющейся среде.

Благодаря способности к обучению с течением времени и использованию существующих алгоритмов для анализа, прогнозирования и принятия решений, машинное обучение становится незаменимым инструментом для управления во многих сферах деятельности [1].

Авторы считают, что управление инновационными процессами на различных уровнях иерархии тесно связано с этой областью.

Управление инновациями требует применения соответствующих инструментов для решения возникающих проблем в контексте новых технологических возможностей. Методы машинного обучения дополняют традиционные подходы к анализу, прогнозированию и принятию решений, выступая в качестве дополнительных инструментов решения задач [7].

Целью данного исследования является обзор фундаментальных методов машинного обучения, которые в настоящее время используются и могут быть применены для решения задач исследования творческой активности различных социально-экономических структур.

Ввиду стремительного развития науки о данных и машинного обучения не представляется возможным рассмотреть все доступные программные решения. В этом разделе внимание будет сосредоточено на разработке нейронных сетей с использованием наиболее известных библиотек и фреймворков машинного обучения. На сегодняшний день Python является наиболее популярным языком программирования для построения нейронных сетей [1].

Исследования в области машинного обучения берет свое начало от ранних попыток создать искусственный интеллект. В то время ученые стремились обучить машины учиться на данных, используя символические подходы и модели, которые позже оказались вариантами линейных моделей вероятности и статистики. Этот фокус на логике и знаниях привел к разделению искусственного интеллекта и машинного обучения. Теоретические и практические трудности сбора и обработки данных также тормозили развитие вероятностных систем.

К 1980-м годам экспертные системы, основанные на правилах, стали доминирующей технологией в области искусственного интеллекта. Несмотря на успехи в разработке символических систем, область статистических исследований, в частности, в области распознавания образов и поиска данных, оказалась за рамками интересов ИИ.

Только в 1990-х годах машинное обучение оформилось как самостоятельная область. В этот период акцент сместился на решение реальных, измеримых задач, а вместо символических методов, унаследованных от искусственного интеллекта, началось активное использование вероятностно-статистических подходов и моделей.

Приступая к созданию автоматизированной информационной системы или алгоритма на базе технологии машинного зрения, первостепенное значение имеет понимание инструментов и решений, необходимых для обеспечения оптимальной функциональности конечного продукта.

Рассмотрим, например, разработку автоматизированной информационной системы для распознавания номерных знаков движущихся автомобилей. В этом случае компьютерное зрение, также известное как машинное зрение, будет выполнять процесс идентификации элементов на изображении. Для принятия решений относительно дальнейших действий необходимо изучить соответствующую теоретическую литературу.

Алгоритмы компьютерного зрения можно разделить на две категории: “традиционные” методы и алгоритмы машинного обучения. Алгоритмы машинного обучения демонстрируют значительный прогресс в этой области, поскольку нейронные сети, архитектурно схожие с человеческим мозгом, способны делать прогнозы и выводы на основе размеченных данных, где объекты интереса были предварительно четко идентифицированы.

Особое внимание следует уделить стратегии трансфертного обучения. Трансферное обучение – это направление машинного обучения, направленное на перенос знаний, полученных при решении одной задачи, на другую. Ранее для глубокого обучения требовался доступ к обширным чистым наборам данных и навыкам создания и обучения собственных эффективных моделей.

Использование нейросетевых технологий для решения задач разработки избавляет специалистов от необходимости самостоятельного проектирования сложной нейросетевой модели. Данный метод позволяет периодически применять оптимальные архитектуры, экономя время и ресурсы.

Для успешной передачи обучения требуется модель, обученная на наборе данных, аналогичном целевому. Например, модель, обученная на фотографиях лиц, покажет низкую эффективность при решении задачи распознавания слов [6]. Поэтому широко распространены модели, обученные на обширных и разнородных наборах данных.

В силу своей уникальной архитектуры нейронная сеть способна обнаруживать объекты, ранее присутствовавшие на других “чистых” изображениях. Однако время обучения, количество слоев, число весовых коэффициентов, математическое обоснование и другие отличительные характеристики алгоритмов на основе нейронных сетей также играют существенную роль.

Для упрощения выбора архитектуры нейронной сети можно воспользоваться веб-инструментом “paperswithcode.com”. На этом сайте представлена информация о ряде значимых топологий нейронных сетей, широко используемых в информатике [7].

В области компьютерного зрения, задачи поиска текста на изображении решаются двумя основными методами: с использованием метрик и с применением нейронных сетей. В последнее время наблюдается тенденция к всё большему использованию нейронных сетей в исследованиях по распознаванию текста. Для достижения высокой точности обнаружения и идентификации текстовой информации на изображении с заданной вероятностью правильных результатов, требуется наличие обширной обучающей выборки.

При решении подобных задач не всегда целесообразно начинать разработку с нуля, поскольку качество обучающих данных (как в количественном, так и качественном отношении) существенно влияет на точность обнаружения. Будущие исследования в области распознавания текста, скорее всего, будут интенсивно использовать аппаратные ресурсы системы по сравнению с методами, основанными на готовых открытых решениях.

Несмотря на это, методы распознавания с использованием метрик обладают рядом преимуществ: они требуют меньше системных ресурсов и не нуждаются в специализированном программном обеспечении, за исключением языка программирования, используемого для разработки решения. Это значительно упрощает их интеграцию в проект, не снижая при этом эффективности.

Важно подчеркнуть, что алгоритм определения области с расположением номерных знаков на изображении, помимо визуализации объекта обнаружения, возвращает текстовые данные с его разметкой.

Для оптимизации использования аппаратных и технических ресурсов рекомендуется уменьшить размер исследуемого изображения после запуска алгоритма обнаружения. В последующих этапах программы будут задействованы только модули, отвечающие за получение результатов, такие как оптическое распознавание текста. К таким данным относятся координаты расположения государственного номера автомобиля, которые используются в процессе оптического распознавания текста [6].

Выводы

Синтетические нейронные сети, благодаря исследованиям в области искусственного интеллекта, считаются одним из наиболее эффективных методов обработки данных [5]. Их значение возрастает при изучении закономерностей сложных процессов, недоступных прямому наблюдению и эмпирическому исследованию [2], особенно в сфере социально-экономических явлений.

Моделирование таких процессов с помощью нейронных сетей оправдано на разных уровнях – от макроэкономических показателей до деятельности отдельных предприятий и хозяйствующих субъектов [3]. Это позволяет использовать аппарат нейросетевого моделирования для изучения и прогнозирования инновационных процессов и явлений на различных иерархических уровнях народного хозяйства.

Алгоритм K-средний подход

Цель алгоритма заключается в классификации входных данных в соответствии с их степенью схожести.

В условиях стремительной цифровой трансформации общества методы машинного обучения пока не получили широкого распространения в сфере анализа творческой деятельности. Тем не менее, мы полагаем, что в ближайшем будущем использование таких технологий станет критически важным для решения задач данного рода.

Это обусловлено, прежде всего, необходимостью обработки колоссальных объемов данных и экспоненциальным ростом информационного потока.

Настоящая работа посвящена обзору основных методов машинного обучения, применяемых в настоящее время для исследования творческой активности социально-экономических систем с различной иерархией.

Ввиду большой широты предмета, полный спектр алгоритмов машинного обучения не рассматривается в данной статье.

Следует особо подчеркнуть огромный потенциал глубокого обучения (создание нейронных сетей) и обучения с подкреплением. Эти технологии активно используются в настоящее время при разработке проектов “умного города” во многих развитых и развивающихся странах.

Алгоритмы машинного обучения, наряду с традиционными методами, представляют собой эффективные инструменты для исследования уникальных процессов, поскольку оценка значимой информации является краеугольным камнем для выработки обоснованных выводов.

ИИ и машинное обучение являются мощными инструментами инноваций. Усовершенствование анализа данных, автоматизация рутинных операций, персонализация клиентского опыта, ускорение исследований и разработок, улучшение результатов в здравоохранении и усиление кибербезопасности – все это свидетельствует о transformative

силе ИИ и МО. Компании, которые эффективно используют эти технологии, могут получить конкурентное преимущество, стимулировать значительные инновации и достичь долгосрочного успеха.

Литература

1. Mullainathan S., Spiess J. Machine learning: an applied econometric approach, Journal of Economic Perspectives, 2017, 87–106
2. Athey S., The impact of machine learning on economics, The Economics of Artificial Intelligence: An Agenda, 2018. University of Chicago Press,
3. Martin A., TensorFlow: large-scale machine learning on heterogeneous systems, 2019.
4. Machine Learning for Humans [Electronic resource] URL: https://vas3k.ru/blog/machine_learning/
5. Pedregosa F., Scikit-learn: machine learning, Journal of Machine Learning Research, 2011, 2825
6. Flach, P. Machine Learning, DMK Press, 2015. 400
7. Spitsyn V. G. et al. Application of the Haar wavelet transform, the method of principal components and neural networks for optical character recognition in images in the presence of impulse noise, Computer Optics, 2016, 249-257pp.
8. Migran N. Review and comparative analysis of machine learning libraries for machine learning,