CC BY
7
Источники:
1. Gartner. Why Data And Analytics Are Key To Digital Transformation [Электронный_ресурс]. URL:https://www.gartner.com/smarterwithgartner/why-data-and-analytics-are-key-to-digital-transformation (дата обращения: 30.09.23).
2. Сервис - Yandex cloud [Электронный ресурс]. URL: https://cloud.yandex.ru/.
3. ESET Secure Business [Электронный ресурс]. URL: https://www.esetnod32.ru/business/products/ (дата обращения: 30.09.23).
4. Меры безопасности на стороне Yandex Cloud [Электронный ресурс]. URL: https://cloud.yandex.ru/docs/security/standarts (дата обращения: 30.09.23).
5. Чек-лист по безопасности Yandex [Электронный ресурс]. URL: https://cloud.yandex.ru/docs/security/domains/checklist (дата обращения: 30.09.23).
6. Система интеллектуального ценообразования RAMAX [Электронный ресурс]. URL:https://www.ramax.ru/directions/sistema-intellektualnogo-tsenoobrazovaniya (дата обращения: 30.09.23).
7. Соловьев И. В., Майоров А. А. Проектирование информационных систем. Фундаментальный курс. - М.: Академический проект, 2009. - 398 с.
8. Исаев Г.Н. Проектирование информационных систем. Учебное пособие. - М.: Омега-Л, 2015. - 424 с.
9. Котеров Д.В., Симдянов И.В. PHP 7 (В подлиннике). - СПб.: БХВ-Петербург, 2017. - 1008 с.: ил.
10. Шаблоны проектирования [Электронный ресурс]. URL: https://designpatternsphp.readthedocs.io/ru/latest/Creational/README.html (дата обращения: 30.09.23).
11. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Паттерны объектно-ориентированного проектирования. - СПб: Питер, 2020. - 448 с.: ил.
12. ORM библиотека RedBean [Электронный ресурс]. URL: https://redbeanphp.com/index.php/ (дата обращения: 30.09.23).
13. Никсон Р. Создаем динамические веб-сайты с помощью PHP, MySQL, JavaScript, CSS и HTML5. 6-е изд. - СПб.: Питер, 2023. - 832 с.: ил.
14. Bootstrap [Электронный ресурс]. URL: https://getbootstrap.com/ (дата обращения: 30.09.23).
15. MySQL [Электронный ресурс]. URL: https://dev.mysql.com/doc/ (дата обращения: 30.09.23).
16. Дюбуа П. MySQL. Сборник рецептов / Пер. с англ. - СПб: Символ-Плюс, 2016. - 1056 с.: ил.
17. Кудрявцев Л.Д. Курс математического анализа: в 3-х томах. Гриф МФТИ и МО. - М.: Юрайт, 2021. - Т. 1: Учебник для бакалавров. - 703 с.
18. Кондратенко Н. А., Филимонова Е. В., Машегов П. Н., Култыгин О. П., Нечаев А. М. Построение математической модели системы поддержки принятия решений в области ценообразования для электронной коммерции // Прикладная информатика. 2022. Т. 17. № 6. С. 5-17. DOI: 10.37791/2687-0649-2022-17-6-5-17
19. Гальперин В.М., Игнатьев С.М., Моргунов В.И. Микроэкономика: в 3-х томах / Под. общ. ред. В.М. Гальперина. - СПб.: ГУ-ВШЭ, 2015. - Т. 2. - 528 с.
20. Федеральная налоговая служба [Электронный ресурс]. URL: https://www.nalog.gov.ru/rn77/taxation/taxes/usn/ (дата обращения: 30.09.23).
EDN: PGNTXJ
А.В. Батищев - к.э.н., доцент, заведующий кафедрой искусственный интеллект и анализ данных, Московский фи-нансово-промышленныйуниверситет «Синергия», Москва, Россия, [email protected],
A. V. Batishchev - candidate of economic sciences, Associate Professor, Head of the Department of Artificial Intelligence and Data Analysis, Synergy University, Moscow, Russia;
Р.С. Мамедов - преподаватель кафедры искусственный интеллект и анализ данных, Московский финансово-промышленный университет «Синергия», Москва, Россия, [email protected],
R.S. Mamedov - Lecturer, Department of Artificial Intelligence and Data Analysis, Synergy University, Moscow, Russia;
Н.А Кондратенко - преподаватель кафедры искусственный интеллект и анализ данных, Московский финансово-промышленный университет «Синергия», технический директор ООО МТК «Технософт», Москва, Россия, [email protected],
N.A. Kondratenko - Lecturer, Department of Artificial Intelligence and Data Analysis Synergy University, Technical Director LLC MTK Technosoft, Moscow, Russia;
А.В. Волков - преподаватель кафедры искусственный интеллект и анализ данных, Московский финансово-промышленный университет «Синергия», директор отдела разработки технических и образовательных решений ООО МТК «Технософт», Москва, Россия, [email protected],
A.A. Volkov - Lecturer, Department of Artificial Intelligence and Data Analysis Synergy University, Director of Technical and Educational Solutions Development Department LLC MTK Technosoft, Moscow, Russia.
ДОСТИЖЕНИЕ БИЗНЕС-ЦЕЛЕЙ ПОСРЕДСТВОМ ИСПОЛЬЗОВАНИЯ NLP ACHIEVING BUSINESS GOALS THROUGH THE USE OF NLP
Аннотация. Технология обработки естественного языка (NLP) использует машинное обучение и глубокое обучение для понимания и обработки человеческого языка. Новые разработки включают нейронные сети и предварительно обученные языковые модели, которые улучшают точность анализа настроений, суммаризации текста, машинного перевода и ряда других задач. Технологии NLP также используются в разработке чат-ботов и виртуальных помощников, которые могут выполнять сложные задачи. Однако, все еще есть проблемы, такие как сложность обработки неоднозначного языка и предвзятость языковых моделей. Несмотря на это, NLP имеет потенциал для дальнейшего развития и использования в бизнесе, таких как интеллектуальный анализ данных, автоматическое распознавание речи, обработка текста, анализ настроений, чат-боты, рекомендательные системы и персонализация. В работе рассматривается вопрос, как эти технологии могут помочь организациям достигнуть поставленных целей в маркетинге и рекламе.
Abstract. Natural language processing (NLP) technology uses machine learning and deep learning to understand and process human language. New developments include neural networks and pre-trained language models that improve the accuracy of mood analysis, text summarization, machine translation, and a number of other tasks. NLP technologies are also used in the development of chatbots and virtual assistants that can perform complex tasks. However, there are still problems, such as the complexity of processing an ambiguous language and the bias of language models. Despite this, NLP has the potential for further development and use in business, such as data mining, automatic speech recognition, text processing, mood analysis, chatbots, recommendation systems, and personalization. The paper examines how these technologies can help organizations achieve their marketing and advertising goals.
Ключевые слова: обработка естественного языка, машинное обучение, искусственный интеллект, бизнес-анализ и бизнес-интеллект, обработка текста, анализ настроений, чат-боты, рекомендательные системы, маркетинг, реклама
Keywords: Natural Language Processing, Machine Learning, Artificial Intelligence, Business Analysis and Business Intelligence, Text Processing, Sentiment Analysis, Chatbots, Recommender Systems, Marketing, Advertising.
Введение
В современном мире, взаимодействие человека с машиной с помощью искусственного интеллекта (ИИ) не является ничем новым [1]. Государственные организации и предприятия уже давно применяют технологии обработки данных и машинного обучения. Однако, одной из наиболее быстро развивающихся технологий искусственного интеллекта сейчас является обработка естественного языка [2].
Задачи NLP
Обработка естественного языка позволяет компьютерам анализировать, понимать и генерировать естественный язык, который используется в повседневной жизни людей. Применения NLP включают в себя такие задачи, как распознавание речи, машинный перевод, суммаризация текста, анализ тональности и многое другое.
Многие компании в различных отраслях применяют технологии обработки естественного языка в своих бизнес-процессах. Например, NLP может быть использован для анализа отзывов клиентов, мониторинга социальных медиа, автоматической обработки обращений в службу поддержки и многое другое.
Применение NLP в бизнесе позволяет снизить расходы, улучшить качество обслуживания и принимать более обоснованные решения на основе анализа больших объемов текстовой информации. Однако, важно понимать, что использование NLP требует экспертизы и специализированных знаний, чтобы достичь максималь-
ной эффективности и избежать ошибок в обработке этих данных.
По итогам 2022 года частные инвестиции в искусственный интеллект в глобальном масштабе составили приблизительно $91,9 млрд. Это на 26,7 % меньше по сравнению с показателем за 2021-й. Соответствующие цифры отражены в отчёте Стэнфордского университета, опубликованном 3 апреля 2023 года [3,4]. Отмечается, что мировые затраты в сфере ИИ в 2022-м сократились впервые за десятилетие (рисунок 1). Годом ранее были зафиксированы рекордные вложения со стороны частных инвесторов - примерно $125,4 млрд. В 2022 году объём частных инвестиций в ИИ был в 18 раз больше, чем в 2013 году.
Рисунок 1 - Глобальные корпоративные инвестиции в искусственный интеллект по инвестиционной активности, 2013-2022 гг.
Естественная языковая инференция
Естественная языковая инференция, также известная как текстовая следственность, представляет собой способность искусственных интеллектуальных систем определять, является ли гипотеза истинной, ложной или нерешенной на основе представленных предпосылок.
Одной из форм естественной языковой инференции является абдуктивная естественная языковая инференция (abductive natural language inference, aNLI) [5]. Она требует, чтобы из ограниченного и неопределенного набора предпосылок сделать правдоподобные выводы. Например, если анализировать текст «Иван вернулся к своей машине после ужина в ресторане и обнаружил разбитое окно и отсутствие своего ноутбука, который он оставил на заднем сидении», то можно заключить, что в машину ворвался злодей и украл ноутбук.
Абдуктивная естественная языковая инференция является сложной задачей и базовый уровень человека оставался непревзойденным до 2022 года. Тогда ИИ-система набрала балл 93,65 % на проверке aNLI [5], которая включала 170000 пар предпосылок и гипотез (рисунок 2).
Рисунок 2 - Абдуктивная естественная языковая инференция - точность
Таким образом, естественная языковая инференция и ее форма - абдуктивная естественная языковая ин-ференция - являются важными задачами в области искусственного интеллекта и требуют постоянных улучшений, чтобы системы могли делать более точные выводы на основе предоставленных данных.
ChatGPT стал лидером в доле внимания пользователей социальных сетей среди моделей для обработки естественного языка, занимая более 50 % рынка к концу 2022 года (рисунок 3).
Применение NLP в маркетинге
Обработка естественного языка является актуальной областью исследований в сфере искусственного интеллекта. В последние годы значительный прогресс в МЬР позволил алгоритмам машинного обучения лучше понимать, анализировать и даже создавать текст и речь. Учитывая, насколько маркетинг зависит от языка для передачи идей о потребителях и продуктах, неудивительно, что МЬР стал ключевым элементом маркетинговых стратегий. В данном докладе мы рассмотрим российский опыт применения МЬР в маркетинге.
Рисунок 3 - Доля внимания пользователей в социальных сетях к моделям искусственного интеллекта
по кварталам в 2022 г.
Генерация контактов с помощью чат-ботов
Российские компании Сбер и Тинькофф, активно используют чат-ботов для обработки запросов клиентов и сбора информации о посетителях веб-сайтов. Благодаря МЬР, чат-боты стали более «живыми» и способными адаптироваться к сложным разговорам, обеспечивая более гладкий и естественный диалог с клиентами.
Голосовой поиск для привлечения широкой аудитории
Компании Яндекс и 'УХ, активно разрабатывают и внедряют голосовые ассистенты (Алиса и Маруся соответственно), которые позволяют пользователям осуществлять голосовой поиск и взаимодействовать с сервисами с помощью голосовых команд. Это расширяет возможности по привлечению новых пользователей и повышает удобство использования сервисов.
Анализ тональности для лучшего понимания потребителей
Российские компании Яндекс и УК, используют анализ тональности для анализа отзывов пользователей о своих продуктах и услугах. Это позволяет им оперативно реагировать на проблемы, определять векторы развития и укреплять отношения с клиентами.
Автоматическое реферирование для раннего выявления закономерностей
Агрегация релевантных новостей является еще одной областью применения МЬР в маркетинге [6]. Современные техники автоматического реферирования позволяют маркетологам извлекать информацию о своих брендах из интернет-новостей, публикаций и других источников данных, превращая ее в полезный материал для маркетинговых кампаний.
В России компании используют автоматическое реферирование для анализа новостей и выявления тенденций, которые могут повлиять на их бизнес. Например, контентная платформа «Дзен» агрегируют новостные статьи из различных источников, используя МЬР-технологии для генерации кратких аннотаций к каждой статье. Это позволяет пользователям быстро ознакомиться с ключевыми моментами и определить, какие новости им интересны.
Таким образом, автоматическое реферирование становится важным инструментом для российских маркетологов, позволяя им оперативно реагировать на изменения в рыночной среде, анализировать тенденции и адаптировать свои маркетинговые стратегии с учетом новой информации. По прогнозам к 2026 году рынок разговорного А1 России может вырасти в 12 раз до 41 млрд. руб. [7] (рисунок 4).
Рисунок 4 - Анализ 11 лет рынка Отечественного рынка разговорного А1
Сегмент голосовых технологий возник на рынке в числе первых, но теперь раскрывает обширные возможности для инноваций в области распознавания эмоций, звуков, диаризации и биометрии. Увеличение использования голосовых технологий связано с ростом сопутствующего сегмента решений. В связи с повышением доступности моделей и открытых наборов данных, рынок постепенно становится коммодифицированным, а с появлением новых участников и инхаус-разработок возникает значительное ценовое давление. Например, Тинькофф и Just AI активно вкладываются в собственные технологии и продукты в области голосовых технологий.
Сегмент NLP/NLU/DM-платформ [NLU — Natural language understanding: понимание естественного языка; DM— Dialog Management: управление диалогами] увеличивает свой рост за счет привлечения новых отраслей бизнеса и разработчиков в область разговорного AI. В ближайшие несколько лет продукты могут быть недоступными для широкого круга пользователей из-за сложности управления ML-диалогами.
Спрос на NLP-платформы со стороны крупного бизнеса будет увеличиваться в течение следующих нескольких лет (рисунок 5). Это будет происходить, во-первых, из-за включения новых отраслей - розничной торговли, страхования, транспорта, услуг в сфере гостеприимства (HoReCa), которые следуют за лидерами - IT-компаниями, банками, телеком-операторами. Во-вторых, бизнес расширяет области применения NLP-платформ: после текстовых чат-ботов переходит на голосовые каналы, внедряет текстовые и голосовые подсказки в контакт-центрах, заменяет традиционные автоматизированные телефонные системы с интерактивным голосовым меню (IVR) на IVR с пониманием естественного языка, интегрирует голосовое управление в мобильные приложения и создает индивидуальных голосовых помощников. Более того, NLP -технологии находят применение в маркетинге.
Мировой рынок обработки естественного языка
Отчет Statista показывает, что рынок обработки естественного языка (NLP) вырастет до 43,9 миллиарда долларов к 2025 году [8], рисунок 5.
Рисунок 5 - Мировой рынок обработки естественного языка
Заключение
В целом, использование МЬР в маркетинге значительно расширяет возможности российских компаний по привлечению клиентов, анализу их потребностей и предоставлению востребованных ими товаров и услуг. Основные направления применения КЬР в маркетинге включают генерацию контактов с помощью чат-ботов, голосовой поиск, анализ тональности и автоматическое реферирование. Благодаря активному использованию представленных технологий, российские компании могут укреплять свою конкурентоспособность и достигать успеха на рынке.
Стратегии компаний, таких как Сбер, Яндекс и УК, существенно влияют на направление будущего развития индустрии разговорного ИИ в России, что ведет к формированию конкурентоспособного рынка и возможностям выхода на международную арену, активному развитию успешных стартапов, которые в свою очередь помогут корпорациям стать глобальными игроками. Большие компании могут стимулировать этот процесс, создавая открытые и конкурентные среды для разработчиков, устанавливая технологические партнерства, формируя условия для ускоренного роста стартапов и инвестируя в них, в том числе посредством поглощения более маленьких компаний, созданные на базе стартапов.
Интеграция технологий обработки естественного языка (КЬР) в маркетинговые операции российских предприятий значительно повышает их способность привлекать и удерживать клиентов. Усовершенствованные инструменты взаимодействия, включая чат-боты, голосовой поиск, анализ настроений и автоматическое резюмирование, обеспечивают более эффективное понимание и удовлетворение потребностей клиентов, тем самым способствуя улучшению рыночного позиционирования компаний и расширению горизонтов развития в сфере разговорных А1-систем. Сравнительный анализ методов КЬР, осуществлённый в данной работе, акцентировал внимание на критических атрибутах и критериях успеха, включая точность распознавания запросов и эффективность взаимодействия с клиентами. Данные аналитические находки послужили основой для классификации и систематизации подходов КЬР, определения перспективных направлений для инвестиций и развития, а также
потенциал применения в различных маркетинговых контекстах. Исследование выявило необходимость синхронизации инновационных NLP технологий с коммуникативными процессами компаний. Предполагается, что адаптивные AI-системы с самообучающимися и оптимизирующимися в реальном времени функциями смогут ответить на динамичные требования рынка (со стороны потребителей товаров и услуг) и обеспечить более гибкий подход к бизнес-процессам. Разработка гибких AI-платформ, которые легко интегрируются в маркетинговые структуры и адаптируются к эволюционирующим бизнес-стратегиям, станет ключом к созданию технологически эффективных корпоративных интеллектуальных информационных систем. Эти системы должны предоставлять компаниям не только способность реагировать на текущие потребности рынка, но и прогнозировать будущие тенденции потребительского поведения.
Источники:
1. Рассел Стюарт, Норвиг Питер. Искусственный интеллект. Современный подход. Том 1. Решение проблем. Знания и рассуждения Вильямс, 2021 г. ISBN: 978-5-907365-25-4.
2. Natural Language Processing with Python - Analyzing Text with the Natural Language Toolkit. Steven Bird, Ewan Klein, and Edward Loper. [Электронный_ресурс]. URL:https://www.nltk.org/book/.
3. Artificial Intelligence Index Report 2023. [Электронный ресурс]. URL:https://aiindex.stanford.edu/wp-content/uploads/2023/04/HAI_AI-Index-Report_2023.pdf
4. Искусственный интеллект (мировой рынок). [Электронный ресурс]. URL:https://www.tadviser.ra/mdex.php/.
5. Дэн Юрафски, ДжеймсХ. Мартин. Обработка речи и языка (3-е издание). [Электронный ресурс]. URL: https://web.stanford.edu/~jurafsky/slp3/.
6. How is NLP used for Marketing Analytics? | Analytics Steps. [Электронный ресурс]. URL:https://www.analyticssteps.com/blogs/how-nlp-used-marketing-analytics.
7. Рынок разговорного ИИ в России 2020-2025. [Электронный ресурс]. URL:https://ict.moscow/research/rynok-razgovornogo-ii-v-rossii-2020-2025/.
8. Natural Language Processing (NLP) Use Cases in Business - MobiDev. [Электронный ресурс]. URL:https://mobidev.biz/blog/natural-language-processing-nlp-use-cases-business.
9. Исследование. Рынок разговорного ИИ в России 2020-2025 | Умные чат-боты и голосовые ассистенты для сложных бизнес-задач. [Электронный ресурс]. URL:https://just-ai.com/blog/issledovanie-rynok-razgovornogo-ii-v-rossii-2020-2025.
EDN: RAKSYL
Е.К. Буканов - преподаватель кафедры медицинской физики, математики и информатики, Донецкий государственный медицинский университет имени М. Горького, Донецк, Россия, [email protected],
E.K. Bukanov - lecturer, Department of Medical Physics, Mathematics and Computer Science, M. Gorky Donetsk State Medical University, Donetsk, Russia.
РАЗВИТИЕ СИСТЕМЫ ГОСУДАРСТВЕННОГО УПРАВЛЕНИЯ В ОБЛАСТИ ЗДРАВООХРАНЕНИЯ
ДОНЕЦКОЙ НАРОДНОЙ РЕСПУБЛИКИ В УСЛОВИЯХ ИНТЕГРАЦИИ DEVELOPMENT OF THE SYSTEM OF PUBLIC ADMINISTRATION IN THE FIELD OF HEALTH CARE IN THE DONETSK PEOPLE'S REPUBLIC UNDER THE CONDITIONS OF INTEGRATION
Аннотация. В статье рассматривается проблема интеграции системы государственного управления в области здравоохранения в Донецкой Народной Республике (ДНР). Базисом исследования являются федеральные законы, законы ДНР, Указы Президента России, приказы Министерства здравоохранения Донецкой Народной Республики. В работе используется опыт субъектов Российской Федерации (РФ) для формирования интегрированной структуры системы здравоохранения ДНР в РФ. Оценено текущее положение дел в системе здравоохранения ДНР. Проведено сравнение систем государственного управления в области здравоохранения в ДНР и РФ. Выявлены точки роста для эффективной интеграции в РФ. Обоснована необходимость развития новых форм оказания медицинской помощи в республике. Определены новые уровни системы здравоохранения ДНР в условиях интеграции. Предложена структура системы здравоохранения ДНР с учетом интеграции в РФ. Обозначен механизм финансирования системы здравоохранения ДНР после интеграции с РФ.
Abstract. The article deals with the problem of integration of public administration system in the field of health care in the Donetsk People's Republic (DPR). The basis of the study is federal laws, laws of the DPR, Decrees of the President of Russia, orders of the Ministry of Health of the Donetsk People's Republic. The work uses the experience of the subjects of the Russian Federation (RUS) to form an integrated structure of the health care system of the DNR in the RUS. The current state of affairs in the health care system of the DNR was assessed. The systems of state management in the field of health care in the DNR and the Russian Federation are compared. Growth points for effective integration in the Russian Federation were identified. The necessity of developing new forms of medical care in the republic was substantiated. New levels of the health care system in the DNR under the conditions of integration are defined. The structure of the health care system of the DNR is proposed, taking into account integration into the Russian Federation. The mechanism of financing the health care system of the DNR after integration with the Russian Federation is outlined.
Ключевые слова: система здравоохранения ДНР, трансформация, интеграция, система государственного управления, нормативно-правовая база.
Keywords: health care system of the DNR, transformation, integration, public administration system, legal and regulatory framework.
Введение
Опыт ведущих социально развитых государств, показывает, что чем выше уровень развития здравоохранения, тем более благополучным и продуктивным может быть общество [1]. Стремление к высокому уровню развития здравоохранения становится приоритетной задачей для многих стран, особенно для тех, где население стареет или где существует высокий уровень заболеваемости [2].
В Донецкой Народной Республике система здравоохранения была сформирована по модели государственной системы управления здравоохранением Н.А. Семашко, сохраняя ее основные принципы. С момента образования ДНР в 2014 г. и до принятия ее в состав Российской Федерации 30.09.2022 г. в республике осуществлялся процесс формирования собственной системы государственного управления в области здравоохранения, связанный с созданием собственных институций и разработкой проектов законодательных и иных нормативных правовых актов для органов государственной власти [3].
Основная часть
С 01.03.2023 г. на территории ДНР в соответствии с Федеральным законом № 16 от 17 февраля 2023 года «Об особенностях правового регулирования отношений в сферах охраны здоровья, обязательного медицинского страхования, обращения лекарственных средств и обращения медицинских изделий в связи с принятием в РФ ДНР, ЛНР, Запорожской области и Херсонской области» [4] начали действовать нормы, обеспечивающие интеграцию в российское правовое поле сферы здравоохранения республики. Исходя из этого, можно предположить, что система здравоохранения ДНР получила новый импульс развития.
Стоит отметить, что для успешной интеграции системы здравоохранения ДНР в РФ необходимо решить целый ряд задач, ключевыми из которых являются:
1) интеграция нормативно-правой базы ДНР с законодательством РФ;
