CC BY
22
The paper considers the application of new technologies in construction using AM installations. The principle of operation of a construction 3D printer is described. The process of erecting walls with an AM installation is presented.
Key words: AM-technologies, AM-installations, 3D-printer, composite materials.
Chechuga Anton Olegovich, student, chechugaanton@mail.ru, Russia, Tula, Tula State University
УДК 004
DOI: 10.24412/2071-6168-2021-11-314-319
О ВОЗМОЖНОСТИ ПОСТРОЕНИЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ ОБЕСПЕЧЕНИЯ ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ НА ПЛАТФОРМЕ 1С
М.С. Никаноров, А.Н. Лосев
В работе рассматривается способ реализации информационной системы в связке с платформой 1С для управления экономической безопасностью. Предлагаются способы организации взаимодействия платформы 1С с информационной системой, построенной на алгоритме машинного обучения. Выбраны алгоритмы и наиболее подходящие языки программирования для реализации решений поставленной задачи. Особо отмечается, что всё это возможно только при наличии информационного пространства, реализованного на платформе 1С.
Ключевые слова: программирование, 1С, информационная система, организация взаимодействия.
За последние несколько лет экономической безопасности хозяйствующего субъекта стало уделяться всё больше внимания как в современной научной литературе, так и в практической деятельности ведения бизнеса. Всевозможные риски, существующие в России и за рубежом, дестабилизируют экономику, что в первую очередь отражается на предпринимательстве. На сегодняшний день в жёстких условиях рынка организациям для непрерывного функционирования и получения растущей выручки необходимо обеспечить высокую защищенность своей внутренней и внешней среды [1].
В свою очередь система управления экономической безопасностью предприятия представляет собой комплекс организационно-управленческих, режимных, технических, профилактических и пропагандистских мер, направленных на защиту интересов, а также собственности предприятия как от внешних, так и от внутренних угроз [2].
Если рассматривать с технической точки зрения управления экономической безопасностью, то 1С: Предприятие - это единая платформа для автоматизации деятельности организации: бухгалтерского, кадрового, управленческого и финансового учета. Интеграция соответствующих прикладных решений (конфигураций) программы позволяет управлять всеми аспектами деятельности нескольких компаний, одной компании, ее подразделений и разными направлениями бизнеса в универсальной рабочей среде. Пользователь самостоятельно выбирает нужные прикладные решения для своего предприятия и работает с ними в единой защищенной системе управления бизнес-процессами. Все конфигурации построены на общих принципах, их можно настраивать и изменять под специфику организации [3].
В результате накопления таких данных возникает необходимость в ее обработке и анализе. Но вместе с тем некоторые особенности традиционных операций могут противоречить специфике обработки больших данных. В связи с этим, наиболее приемлемые результаты дает применение технологии машинного обучения, оно позволяет эффективно строить нелинейные зависимости, более точно описывающие наборы данных.
Основная часть. Формулировка задачи: рассмотреть способы организации взаимодействия платформы 1С с информационной системой, построенной на алгоритме машинного обучения.
В соответствие с поставленной задачей необходимо:
Алгоритмы машинного обучения в системе обеспечения экономической безопасности;
Выбрать и обосновать язык программирования для реализации алгоритмов машинного обучения;
Определить алгоритмы машинного обучения в проектируемой информационной системе (далее Искусственный интеллект (ИИ)).
Рассмотреть способы развертывания платформы 1С и ее взаимодействие с ИИ;
Рассмотрим эти подзадачи последовательно по этапам решения поставленной задачи.
За последние несколько лет разработки в области искусственного интеллекта достигли пика популярности. Сейчас алгоритмы машинного обучения используется во всех областях — от бизнеса до медицины, особенно в экономике и финансах. Бесспорно, что на экономическое развитие любого государства и его экономическую безопасность может оказывать существенное влияние алгоритмы машинного обучения. Собственно развитие и внедрение алгоритмов машинного обучения является стратегическим аспектом инновационных технологий в условиях глобальной конкуренции во всех сферах жизнедеятельности и, особенно, в инициации и практической реализации стратегически важных программ [18].
Юридические аспекты разработки, производства и использования роботов и технологий искусственного интеллекта затрагивались во многих работах, направлениях, в научных статьях В.В. Архипова и В.Б. Наумова [10], А.В. Нестерова [11] С.М. Рыковой [12]. А также в работах таких иностранных авторов, как Edwina L. Rissland [13], Hendrik Prakken [14], Michael Guihot, Anne F. Matthew, Nicolas Suzor [15].
В России одну из первых попыток создать основные правила сосуществования человечества с киберфизическими системами предприняли В.В. Архипов, В.Б. Наумов, А.В. Незнамов [16], разработав проект Модельной конвенции о робототехнике и искусственном интеллекте. Наиболее полное теоретико-правовое исследование в части искусственного интеллекта рассмотрены Морхатом П.М. в научной монографии «Искусственный интеллект: правовой взгляд» [17].
В отечественной науке пока нет системных исследований, которые основательно бы предложили научно обоснованную возможность использования алгоритмов машинного обучения в целях обеспечения экономической безопасности.
В данной работе считаем приемлемым взять за основу сформулированное И.В. Пон-киным и А.И. Редькиной понятие «искусственный интеллект», как «искусственная сложная кибернетическая компьютерно-программно-аппаратная система (электронная, в том числе, виртуальная, электронно-механическая, биоэлектронно-механическая или гибридная).
За основу может быть взята любая информационная платформа, такие как 1С, My SAP, Галактика, Парус и др. В работе будет рассмотрена 1С: Предприятие, как одна из самых распространенных платформ в Российской Федерации.
В следующей подзадаче необходимо определиться с языком программирования на основе которого будет реализован ИИ, одним из таких языков может быть Python. Он считается самым простым языком программирования—именно поэтому он самый распространенный. Помимо простоты, у Python есть еще один плюс — он довольно легко взаимодействует с другими языками, особенно с C и C++. Более того, у него отличная производительность при обработке данных. Одна из основных причин, почему Python используется для машинного обучения состоит в том, что у него есть множество фреймворков, которые упрощают процесс написания кода и сокращают время на разработку [4].
В свою очередь алгоритмы решения этой задачи хорошо изучены и представлены в специальной литературе. Они реализованы на языке программирования Python виде модулей специальной библиотеки Scikit-learn [5,6,7].
Для решения поставленной подзадачи будет использоваться алгоритм классификации. Схема работы представлена на рис. 1.
Рис. 1. Схема работы алгоритма классификации
315
Для того чтобы создать прогнозную модель, необходимо сначала сформировать эталонный набор, так называемые тренировочные данные с метками. Эти данные будут разбиты на обучающий (train) и тестовый (test) набор данных, для того чтобы оценить обобщающую способность модели, которая будет построена. Тестовый набор данных используется по желанию для проверки качества построенной модели.
Так как алгоритмов машинного обучения существует большое множество, были выбраны те, которые себя зарекомендовали в практическом применении, это [8]:
Логистическая регрессия;
Метод опорных векторов или линейный SVM;
Построение случайного леса;
Градиентный бустинг деревьев регрессии.
Данные алгоритмы будут собраны в конвейер и добавлены к нему модификаторы, будет проведено обучение и получение прогнозов.
Конвейер - это поэтапная предварительная обработка данных, включающий в себя выделение признаков, отбор признаков, масштабирование и классификацию (алгоритмы машинного обучения).
На рис. 2 проиллюстрирован конвейер, включающий модификаторы (T1, T2, ..., Tn) и классификатор (Classifier).
Обучение (fit)
X Tl.fit(Xl.y) |
Tl.transform(X) j T2.fit(Xl,y)
Tn.transform(Xn) Xll+ 1 у)
Прогнозирование ||)1чч1к1|
X Т1 ЛгапБ&гт(Х) X 1 Т2Лгапв<:огт(Х1) Хп Тп.Шш5Й>гт(Хп) Хй+ 1 с1азз'йег-Рге<МХд+1,) у Рис. 2. Схема конвейера, предназначенного для обучения и получения прогнозов
Следующим этапом будем развертывание платформы «1С:Предприятие», она поддерживает два варианта работы: файловый и клиент-серверный. И в том, и в другом варианте все прикладные решения работают полностью идентично для пользователя [9]:
Файловый вариант работы рассчитан на персональную работу одного пользователя или работу небольшого количества пользователей в локальной сети. В этом варианте все данные информационной базы располагаются в одном файле - в файловой базе;
Клиент-серверный вариант работы предназначен для использования в рабочих группах или в масштабе предприятия. Он реализован на основе трехуровневой архитектуры «клиент-сервер». В этом варианте информационная база хранится в одной из поддерживаемых систем управления базами данных, а взаимодействие между клиентским приложением и СУБД осуществляет кластер серверов 1С:Предприятия.
Была выбрана «клиент-серверная» архитектура, так как она поддерживает стороннюю БД, к которой можно подключить ИИ с помощью стандартных протоколов. ИИ будет находиться на том же сервере, что и БД, это исключит утечку или перехват данных, передаваемых из БД в ИИ и обратно. А также будет осуществляться взаимодействие со сторонними БД находящихся в глобальной сети по средствам использования защищенных протоколов передачи данных. Особо стоит отметить внешние БД, которыми могут выступать различные, как государственные (Налоговая служба, ФинМониторинг и др.), так и коммерческие сервисы (Финансовый директор, ПервыйБит и др.) на основе договорного взаимодействия. На рис. 3 продемонстрировано взаимодействие 1С с ИИ.
Кластер Серверов 1С
Информационна« система
Конмйср (алгоритмы машнннсмо обучения}
Рис. 3. Схема взаимодействия 1С и ИИ
В соответствие с разработанной схемой взаимодействия, ИИ будет получать данные о состоянии предприятия, а также и из внешних источников, на основе которых будет спрогнозирована непосредственная оценка вероятности успешного противодействия угрозам. В результате это прогноза будут сформированы меры превентивного характера, что позволит значительно повысить эффективность защиты от угроз.
Заключение:
1. Необходимо на федеральном уровне предусмотреть нормативно установленную возможность использования алгоритмов машинного обучения в целях обеспечения экономической безопасности.
2. Алгоритмы машинного обучения необходимо включить в элементы экономической безопасности России путем дополнения Стратегии экономической безопасности Российской Федерации на период до 2030 года, принятой Указом Президента РФ от 13 мая 2017 г. No 208.
3. Для реализации взаимодействия 1С и ИИ в разрезе системы управления безопасностью необходимым и достаточным будет использования языка программирования Python с библиотеками Scikit-leam. А использование конвейера позволит улучшить прогнозную оценку вероятности успешного противодействия угрозам, так как будет использоваться поэтапная обработка данных. В результате будут сформированы критерии оптимального управления экономической безопасностью предприятия.
Список литературы
1. И.А. Гунина, Ю.Н. Посаженникова «Система управления экономической безопасностью предприятия», ЭКОНОМИНФО. 2018. Т.15. № 1
2. Мошкова Р.А. Система управления экономической безопасностью внутренней бизнес-среды промышленного (6/2012г.) [Электронный ресурс] URL: http://cvberleninka.ru/ article/ n/sistemaupravlenivaekonomicheskovbezopasnostvu - vnutrennev - biznes - sredvpromvshlennogo-predprivativa (дата обращения: 10.08.2021).
3. Информационный ресурс 1cbit [Электронный ресурс] URL: https://www. 1cbit.ru/ blog/opisanie-i-vozmozhnosti-1s-predprivatie-8/ (дата обращения: 10.08.2021).
4. Информационный ресурс nuancesprog [Электронный ресурс] URL: https:// nuancesprog.ru/p/3639/ (дата обращения: 10.08.2021).
5. Грас Дж. Data Science. Наука о данных с нуля: Пер. с англ. -СПб.: БХВ-Петербург, 2017. 336 с.
6. Жерон Орельен Прикладное машинное бучение с помощью Scikit-Learn и TensorFliw: концепции, инструменты и техники для создания интеллектуальных систем.: Пер. с англ. СпБ.: ООО «Альфа-книга», 2018. 688 с.
7. Рашка С., Мирджалили В. Pvthon и машинное обучение: машинное и глубокое обучение с использованием Pvthon, Scikit-learn и TensorFlow 2, 3-е изд..: Пер. с англ. -СПб.: ООО «Диалектика», 2020. 848с.
8. Никаноров М.С. Классификация сельскохозяйственной техники на основе алгоритмов машинного обучения, Доклады ТСХА - 2020 г.
9. Информационный ресурс v8.1c [Электронный ресурс] URL: https://v8.1c.ru/ platforma/varianty-raboty-sistemy/ (дата обращения: 10.08.2021).
10.Архипов В.В., Наумов В.Б. Искусственный интеллект и автономные устройства в контексте права: о разработке первого в России закона о робототехнике // Труды СПИИ РАН. 2017. No 6.
П.Нестеров А.В. Об электронно-цифровых платформах как основании виртуальных миров: правовой аспект (по матер. доклада «О "цифровой экономике" как части электронно-цифрового мира»). М.: Препринт, 2017.
12.Рыкова С.М. Нормативно-правовое регулирование эксплуатации автономных робо-тотехнических систем // Наукоёмкие технологии и инновации: Сб. докладов междунар. науч.-практич. конф. Ч. 12. Белгород: Белгородский государственный технологический университет им. В.Г. Шухова, 2016. 344 с.
13.Rissland E.L., Ashley K.D., Loui R.P. AI and Law: A fruitful synergy // Artificial Intelligence. 2003, November. Vol. 150. No 1-2. P. 1-15.
14.Prakken H. On how AI & law can help autonomous systems obey the law: a position paper. 2016. P. 42-46. [Электронный ресурс] URL: http://www.ai.rug.nl/~verheij/ AI4J/papers/ AI4J_ paper 12 prakken.pdf. (дата обращения: 10.08.2021).
15.Guihot M., Matthew A.F., Suzor N. Nudging Robots: Innovative Solutions to Regulate Artificial Intelligence [Электронный ресурс] URL: https://papers.ssrn.com/sol3/ papers.cfm? abstract id = 3017004 (дата обращения: 10.08.2021).
16.Наумов В.Б., Незнамов А.В. Модельная конвенция о робототехнике и искусственном интеллекте: подходы к идентификации и вопросам безопасности // Динамика институтов информационной безопасности. Правовые проблемы. Сб. науч. трудов / Отв. ред. Т.А. Полякова, В.Б. Наумов, Э.В.Талапина. М.: ИГП РАН; Канон+, Реабилитация, 2018. 264 с.
17.Морхат П.М. Искусственный интеллект: правовой взгляд: Науная монография / РОО «Институт государственно-конфессиональных отношений и права». М.: Буки Веди, 2017. 257 с.
18.Борталевич С.И., Лапин А.В., Харитонов С.С. Искусственный интеллект в системе обеспечения экономической безопасности // Вестник МИРБИС. 2019. No 2 (18). С. 18-26. DOI: 10.25634/MIRBIS.2019.2.3.
Никаноров Михаил Сергеевич, старший преподаватель кафедры, nikanorov@rgau-msha.ru, Россия, Москва, РГАУ-МСХА имени К.А. Тимирязева,
Лосев Алексей Николаевич, старший преподаватель, a.losev32@gmail.com, Россия, Москва, РГАУ-МСХА имени К.А. Тимирязева
ABOUT THE POSSIBILITY OF BUILDING AN INFORMATION SYSTEM FOR ENSURING ECONOMIC SECURITY ON THE PLATFORM 1C
M.S. Nikanorov, A.N. Losev
The paper discusses a way to implement an information system in conjunction with the 1C platform for managing economic security. Methods for organizing the interaction of the 1C platform with an information system based on a machine learning algorithm are proposed. Algorithms and the most suitable programming languages for the implementation of solutions to the problem are selected. It is especially noted that all this is possible only if there is an information space implemented on the 1C platform.
Key words: programming, 1C, information system, organization of interaction.
Nikanorov Mikhail Sergeevich, senior lecturer, nikanorov@rgau-msha.ru, Russia, Moscow, RSAU-Moscow Agricultural Academy named after K.A. Timiryazeva,
Losev Alexey Nikolaevich, senior lecturer, a.losev32@gmail.com, Russia, Moscow, RSAU-Moscow Agricultural Academy named after K.A. Timiryazeva
