CC BY
0
Voronov Gennady Gennadievich, master's, Russia, Voronezh, [email protected] Voronezh State University of Engineering Technologies,
Kleymenova Natalia Leonidovna, candidate of technical sciences, docent, [email protected], Russia, Voronezh, Voronezh State University of Engineering Technologies,
Voronov Gennady Gennadievich, postgraduate, [email protected], Russia, Voronezh, Voronezh State University of Engineering Technologies,
Solyanik Anatoly Ivanovich, doctor of technical sciences, professor, [email protected], Russia, Voronezh, Academy of Standardization, Metrology and Certification (educational) (Voronezh branch of ASMS)
УДК 004.89
DOI: 10.24412/2071-6168-2023-12-529-530
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В СИСТЕМЕ ЭЛЕКТРОННОГО ДОКУМЕНТООБОРОТА НА ГАЗОСНАБЖАЮЩЕМ ПРЕДПРИЯТИИ
А.Ф. Кулакова
В современном мире технологии занимают все более значимое место в жизни предприятий. Особенно это касается таких крупных и важных отраслей, как газоснабжение. На протяжении многих лет предприятия, занимающиеся поставками газа населению, сталкивались с различными проблемами, связанными с документооборотом: от ошибок в документации до затратного времени на обработку больших объемов информации. Искусственный интеллект предлагает решения для многих из этих проблем, делая процесс управления документами более эффективным, быстрым и надежным. В статье рассмотрены современные тенденции и практические применения искусственного интеллекта в сфере газоснабжения.
Ключевые слова: документооборот, искусственный интеллект, автоматизация задач, большие объемы
данных/
В настоящее время тематика искусственного интеллекта (кратко ИИ) охватывает огромный перечень научных направлений, начиная с таких задач общего характера, как обучение и восприятие, и заканчивая такими специальными задачами, как игра в шахматы, доказательство математических теорем, сочинение поэтических произведений и диагностика заболеваний. В ИИ систематизируются и автоматизируются интеллектуальные задачи и поэтому эта область касается любой сферы интеллектуальной деятельности человека. В этом смысле ИИ является поистине универсальной научной областью [1]. Также Национальная стратегия развития ИИ на период до 2030 года является основным программным продуктом, направленным на развитие и внедрение отечественных решений, формирующих внедрение инноваций во все сферы экономической деятельности и повседневной жизни граждан [2].
Постоянный рост объемов документооборота, необходимость сокращения ошибок и стремления к автоматизации и оптимизации бизнес-процессов с учетом расширения рынка и увеличения числа потребителей газа требует более продвинутых методов управления документооборотом.
ИИ в системе электронного документооборота решает задачу автоматизации рутинных операций, тем самым сокращая время на обработку документов, уменьшая вероятность ошибок со стороны человека [3]. Также он может анализировать большие объемы данных за считанные секунды, предоставляя необходимую информацию без задержек. С помощью анализа данных и предиктивной аналитики ИИ может предсказывать определенные ситуации, помогая принимать обоснованные решения [4]. Управление взаимодействием с клиентами также достигается с помощью автоматизации процесса обработки заявок, платежей и других клиентских запросов, повышая уровень удовлетворенности потребителей. Таким образом, внедрение ИИ в систему электронного документооборота газопостав-ляющего предприятия является не только актуальной, но и крайне необходимой задачей, направленной на оптимизацию работы предприятия и улучшение качества обслуживания клиентов.
История развития документооборота. Документооборот на предприятиях всегда был важным аспектом бизнеса, и его развитие тесно связано с технологическим прогрессом и изменениями в корпоративной культуре. На рисунке представлена история развития документооборота.
В начале прошлого века документооборот на предприятиях был полностью ручным. Все документы создавались, передавались и хранились в бумажном виде. Это был трудоемкий и медленный процесс, часто сопровождающийся ошибками из-за человеческого фактора. В середине 20 века, благодаря машинописи и копированию, стало возможным ускорить процесс создания и дублирования документов.
К 80-м годам 20 века компьютеры стали частью офисной жизни, что позволило автоматизировать многие процессы, связанные с документами [5]. Электронные таблицы, текстовые процессоры и базы данных привнесли революцию в управление документацией. К началу 21 века многие предприятия начали переходить на полностью электронные системы документооборота, позволяя обмениваться, хранить и обрабатывать информацию быстрее и эффективнее.
Искусственный интеллект в системах документооборота. В 90-е годы 20 века, когда ИИ только начал свое развитие, эксперты начали исследовать возможности применения ИИ в управлении документацией, в основном это были попытки автоматического распознавания текста и простейших систем классификации [6]. В 2000-х годах с развитием машинного обучения стало возможным анализировать большие объемы данных, что привело к созданию систем, способных автоматически категоризировать и обрабатывать документы.
Интеграция современных систем искусственного интеллекта. К 2010-м годам предприятия начали активно внедрять ИИ в свои системы документооборота. Благодаря технологиям, таким как глубокое обучение и обработка естественного языка, ИИ стал помогать в автоматическом составлении отчетов, анализе контрактов, прогнозировании тенденций на основе документированных данных и многих других задачах [7]. Таким образом, ИИ, начиная с первых экспериментов и заканчивая современными высокотехнологичными системами, стал неотъемлемой частью электронного документооборота, привнося в него эффективность, скорость и новые возможности.
Множество задач, которые может решать ИИ в документообороте газоснабжающего предприятия автоматизируя и оптимизируя процессы представлены в таблице.
Развитие процесса документооборота в прошлом
Задачи, решаемые искусственным интеллектом в документообороте
Задача Решаемая проблема Библиотеки и модели
Распознавание показаний счетчиков ИИ может использоваться для автоматического считывания показаний газовых счетчиков, освобождая клиентов от необходимости вручную вводить данные. Алгоритмы машинного зрения могут быть использованы для анализа фотографий счетчиков, полученных от клиентов, и извлечения числовой информации. Библиотеки Tesseract, Pytesseract (для OCR -оптического распознавания символов), а также модели глубокого обучения, такие как CNN (Convolutional Neural Network), обученные на больших наборах данных для распознавания цифр и символов на изображениях счетчиков.
Привязка документов к лицевому счету ИИ может автоматически распознавать и классифицировать документы, полученные от клиентов (например, счета, договоры, заявления) и привязывать их к соответствующему лицевому счету. Технологии обработки естественного языка (Natural Language Processing, NLP) могут помочь извлекать важные данные из текстовых документов. Библиотеки SpaCy, NLTK (для обработки естественного языка), scikit-learn. Модели Модели для классификации текста и извлечения информации из документов, такие как BERT (Bidirectional Encoder Representations from Transformers).
Анализ действий клиента ИИ может анализировать историю взаимодействия клиента с компанией на основе данных из электронных писем, чатов, заявлений и других документов. Системы машинного обучения могут выявлять паттерны поведения клиентов, что полезно для предсказания их потребностей или возможных проблем. Библиотеки scikit-learn, TensorFlow, PyTorch (для машинного обучения). Модели Модели машинного обучения, такие как логистическая регрессия, SVM, или нейронные сети, для анализа временных рядов и паттернов в действиях клиентов.
Автоматическая обработка заявок ИИ может автоматизировать процесс обработки заявок от клиентов, определять приоритетность и направлять их соответствующим специалистам или автоматизированным системам. Использование чат-ботов на основе ИИ для ответов на типичные вопросы и запросы клиентов. Библиотеки Rasa, Microsoft Bot Framework, Dialogflow (для создания чат-ботов). Модели Модели обработки естественного языка (NLP) для автоматического понимания и обработки запросов клиентов.
Мониторинг и оповещения ИИ может непрерывно мониторить данные о расходе газа и, при необходимости, отправлять оповещения клиентам о возможных утечках или необычно высоких расходах. Автоматическое создание отчетов о потреблении газа и рекомендации по оптимизации расходов. Библиотеки scikit-learn, TensorFlow, PyTorch (для машинного обучения). Модели Модели временных рядов и алгоритмы машинного обучения для мониторинга данных о потреблении газа и определения аномалий, а также системы уведомлений.
Прогнозирование спроса и оптимизация ресурсов ИИ может анализировать данные о потреблении газа, погодных условиях и других факторах для прогнозирования спроса на газ. На основе этих прогнозов можно оптимизировать производственные процессы и распределение ресурсов. Библиотеки Prophet (Facebook), Statsmodels (для временных рядов). Модели временных рядов, а также алгоритмы оптимизации для прогнозирования спроса на газ и оптимизации распределения ресурсов.
Планирование и оптимизация маршрутов ИИ может анализировать данные о распределении клиентов, местоположении счетчиков и других факторах для оптимизации маршрутов обслуживающего персонала, что способствует экономии времени и ресурсов. Библиотеки Google OR-Tools, OptaPlanner, NetworkX (для работы с графами). Модели Алгоритмы маршрутизации, такие как алгоритмы на основе жадных методов или генетические алгоритмы.
Продолжение таблицы
Управление инвентарем ИИ может прогнозировать потребность в запасах и управлять инвентарем газоснабжающих материалов, оборудования и запасных частей. Библиотеки Apache Kafka (для потоковой обработки данных), scikit-learn (для машинного обучения в анализе инвентаря). Модели временных рядов для прогнозирования потребности в запасах, алгоритмы кластеризации для оптимизации распределения запасов.
Автоматизированная обработка платежей Системы ИИ могут автоматизировать процессы проверки и обработки платежей от клиентов, а также выявлять аномалии или задержки в оплате Библиотеки Stripe, PayPal (для обработки онлайн-платежей), Apache Flink (для обработки потоков данных). Модели: Алгоритмы детекции мошенничества, модели машинного обучения для анализа и классификации платежей.
Энергетический аудит ИИ может проводить анализ данных о потреблении энергии и газа для выявления возможных областей оптимизации и повышения энергетической эффективности Библиотеки pandas (для работы с данными), scikit-learn (для машинного обучения в анализе энергопотребления). Модели временных рядов для анализа и прогнозирования энергопотребления, алгоритмы кластеризации для выявления областей оптимизации.
Предсказание и управление рисками ИИ может использоваться для анализа данных и предсказания возможных рисков, таких как отказы оборудования, изменения законодательства или финансовые аспекты, что позволяет предпринимать превентивные меры Библиотеки scikit-learn, XGBoost (для машинного обучения в задачах классификации и регрессии). Модели классификации для определения рисков, алгоритмы байесовского анализа для оценки вероятности событий.
Персонализированный сервис для клиентов ИИ может анализировать данные о потреблении газа для предоставления клиентам персонализированных рекомендаций по оптимизации расходов и выборе тарифных планов Библиотеки Flask, Django (для веб-разработки), TensorFlow, PyTorch (для создания и обучения персонализированных моделей). Модели Рекомендательные системы на основе коллаборативной фильтрации, нейронные сети для предсказания предпочтений клиентов.
Обработка жалоб и обратной связи ИИ может автоматически анализировать тексты жалоб и обратной связи от клиентов для выявления наиболее распространенных проблем и предоставления рекомендаций по их решению Библиотеки TextBlob, NLTK, SpaCy (для обработки естественного языка). Модели BERT (Bidirectional Encoder Representations from Transformers), LSTM (Long Short-Term Memory) для анализа тональности и выделения ключевых фраз в текстах обращений.
Системы прогнозирования аварий ИИ может анализировать данные о состоянии оборудования, погодных условиях и других факторах для предсказания возможных аварийных ситуаций и предложение мер по их предотвращению Библиотеки scikit-learn, TensorFlow, PyTorch (для машинного обучения). Модели временных рядов для анализа и прогнозирования параметров, также можно использовать алгоритмы классификации для выявления потенциальных аварийных ситуаций.
Потенциальные проблемы и ограничения при внедрении ИИ в системы электронного документооборот:
1. Вопросы безопасности данных. Системы на базе ИИ, как и любое другое программное обеспечение, могут содержать уязвимости, которые могут быть эксплуатированы злоумышленниками. Если данные, обрабатываемые ИИ, не шифруются должным образом, это может привести к утечке чувствительной информации. Ошибки в настройке системы могут случайно предоставить доступ к данным неправомерным лицам. Необходимо проводить регулярные аудиты безопасности и внедрять надежные методы защиты данных на всех этапах разработки ИИ [8].
2. Искажение модели. Атака, направленная на манипулирование результатами моделей машинного обучения. Злоумышленники могут попытаться внедрить в модель вредоносные данные, что приведет к неправильной классификации данных моделью и принятию неверных решений. Это эффективный способ обмануть системы ИИ, потому что невозможно сказать, приведет ли конкретный ввод к искаженному прогнозу, пока не будет получен результат [9].
Внедряя строгие политики управления доступом для ограничения доступа к обучающим данным, компании могут предотвратить подделку входных данных модели злоумышленниками.
3. Трудности с адаптацией всей инфраструктуры под новые технологии. В большинстве случаев бизнес предпочитает разворачивать ИИ-решения на базе собственной инфраструктуры, соответственно, постоянно повышается нагрузка на инфраструктуру хранения и обработки данных, используемых для ИИ-сервисов. К этому нужно прибавить недостаток квалифицированных кадров как специалистов, так и преподавателей в области ИИ. [10]. Некоторые сотрудники могут воспринимать внедрение ИИ как угрозу их рабочим местам или просто бояться нововведений. Персоналу требуется обучение для эффективной работы с новыми системами, что может потребовать времени и ресурсов. Ошибочное понимание работы системы ИИ может привести к неправильному использованию и, как следствие, к ошибкам в документообороте.
4. Финансовые и технические трудности при внедрении. Внедрение ИИ может потребовать значительных капиталовложений в оборудование, лицензирование программного обеспечения и экспертные услуги. Новые систе-
мы на базе ИИ могут не совместимы с существующими IT-решениями предприятия, что потребует дополнительных усилий и инвестиций для их интеграции. Если выбранное решение прекращает поддержку или обновление, это может привести к простоям и дополнительным затратам на переход на другую платформу или систему [11].
Все эти проблемы и ограничения требуют внимательного рассмотрения и планирования перед внедрением ИИ в системы электронного документооборота. Однако при правильном подходе и должной подготовке многие из этих проблем могут быть минимизированы или полностью устранены.
Заключение. В современном быстро меняющемся мире ИИ становится ключевым инструментом для оптимизации и автоматизации многих бизнес-процессов, включая документооборот. Газопоставляющие предприятия, сталкивающиеся с огромными объемами документации и необходимостью быстрой и точной обработки данных, могут извлечь значительную выгоду из применения ИИ.
С помощью ИИ возможно автоматизировать рутинные задачи, повысить точность и быстродействие обработки документов, оптимизировать процессы принятия решений и даже предсказать потенциальные проблемы или потребности в изменениях в системе документооборота.
Однако, как и любое нововведение, внедрение ИИ не лишено проблем и трудностей. Вопросы безопасности, адаптации персонала и финансовые затраты - это лишь некоторые из них. Тем не менее, с правильным планированием и подходом, преимущества, которые может принести ИИ, далеко превосходят потенциальные проблемы.
Список литературы
1. Искусственный интеллект: современный подход, Рассел, Стюарт, Норвиг, Питер, 2-е изд.: Пер. с англ. М.: Издательский дом «Вильямс», 2006. 1408 с.
2. Указ Президента Российской Федерации от 10.10.2019 № 490 о развитии искусственного интеллекта в Российской Федерации.
3. Участие искусственного интеллекта в электронном документообороте/ Е.А.Потрясаева, А.В.Кузикова// Сборник трудов IV национальной научно-практической конференции «Управление документацией в цифровой среде» : Сборник трудов М.: МИРЭА - Российский технологический университет, 2022. С.221-228.
4. Роль оптимизационных задач «контекстного» содержания в развитии цифровых компетенций будущих инженеров/ Н.А.Моисеева, Т.А.Полякова // Концепт. Научно-методический электронный журнал, 2021 [Электронный ресурс]. URL: https://e-koncept.ru/2021/211059.htm (дата обращения: 29.11.2023).
5. Цифровые технологии и рост мировой экономики / В.Г.Варнавский // Друкеровский вестник-2015. №3 (7). C. 73-80.
6. Интеллектуальные информационные системы и технологии их построения: учебное пособие/ В.В.Алексеев., М.А.Ивановский, А.И. Елисеев, Ю.Ю.Громов, Ю.А.Губсков. Тамбов: Издательский центр ФГБОУ ВО «ТГТУ», 2021. 84 с.
7. Занимательная информатика. Искусственный интеллект. Манга/ Сакамото Маки; пер. с яп. С.Л. Плеха-новойю. М.: ДМК Пресс, 2022. 188 с.
8. Защита персональных данных в информационных системах. Практикум: учебное пособие для СПО/В.И.Петренко, И.В.Мандрица. Санкт-Петербург: Лань, 2022. 108 с.
9. Машинное обучение и безопасность / К.Чио, Д.Фримэн, пер. с англ.А.В.Снастина. М.: ДМК Пресс, 2020. 388 с.
10. Филипова И.А. Правовое регулирование искусственного интеллекта: учебное пособие, 2-е издание, обновленное и дополненное. Нижний Новгород: Нижегородский госуниверситет, 2022. 275 с.
11. Щеников Я.А. Технологии нововведений: учеб.пособие. Спб.: ГУАП, 2022. 115 с.
Кулакова Айгуль Фанисовна, магистрант, [email protected]. Россия, Уфа, Уфимский государственный нефтяной технический университет
ARTIFICIAL INTELLIGENCE IN THE ELECTRONIC DOCUMENT MANAGEMENT SYSTEM AT A GAS SUPPLY
ENTERPRISE
A.F. Kulakova
In the modern world, technology is occupying an increasingly important place in the life of enterprises. This is especially true for such large and important industries as gas supply. Over the years, enterprises involved in supplying gas to the population have faced various problems related to document flow: from errors in documentation to time-consuming processing of large volumes of information. Artificial intelligence offers solutions to many of these problems, making the document management process more efficient, faster and more reliable. The article discusses current trends and practical applications of artificial intelligence in the gas supply sector.
Key words: document flow, artificial intelligence, task automation, large volumes of data.
Kulakova Aigul Fanisovna, undergraduate student, [email protected], Russia, Ufa, Ufa State Petroleum Technical University
