CC BY
19Научная статья УДК 004.056
doi: 10.47576/2949-1894_2023_2_26
ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ УПРАВЛЕНИЯ ИНФОРМАЦИЕЙ И ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
Исраилова Хава Аднановна
Чеченский государственный педагогический университет, Грозный, Россия, mvakaraeva@mail. ru
Едреев Тамерлан Шайх-Магомедович
Чеченский государственный университет имени А. А. Кадырова, Грозный, Россия, edreevtam@mail.ru
Джабраилов Ильяс Абубакарович
Яндекс Практикум, ilyasDzhabrailov@yandex
Аннотация. В статье основное внимание уделяется перспективам применения технологии интеллектуального анализа больших данных и управления информацией в различных отраслях, чтобы способствовать развитию экономики в нашей стране. Отмечается, что технология интеллектуального анализа больших данных и технология управления информацией применяются ко всем аспектам производства в различных отраслях, что значительно повышает экономические выгоды от производства.
Ключевые слова: технология интеллектуального анализа больших данных; управление информацией; перспективы применения; регрессия; классификация.
Для цитирования: Исраилова Х. А., Едреев Т. Ш.-М., Джабраилов И. А. Применение технологии управления информацией и интеллектуального анализа данных // Инновационная экономика: информация, аналитика, прогнозы. - 2023. - № 2. - С. 26-30. https://doi. org/10.47576/2949-1894_2023_2_26.
Original article
APPLICATION OF INFORMATION MANAGEMENT AND DATA MINING TECHNOLOGY
Israilova Khava A.
Chechen State Pedagogical University, Grozny, Russia, mvakaraeva@mail.ru Edreev Tamerlan Sh.
Chechen State University named after A. A. Kadyrov, Grozny, Russia, edreevtam@mail.ru
Dzhabrailov Ilyas A.
Yandex Practicum, ilyasDzhabrailov@yandex
Abstract. The article focuses on the application prospects of big data mining and information management technology in various industries in this technology in order to better promote to the development of various industries in our country. It is noted that big data mining technology and information management technology are applied to all aspects of production in various industries, which greatly enhances the economic benefits of production in various industries.
Keywords: big data mining technology; information management; application prospects; regression; classification.
For citation: Israilova Khava A., Edreev T. Sh., Dzhabrailov I. A. Application of information management and data mining technology. Innovative economy: information, analysis, prognoses, 2022, no. 2, pp. 26-30. https://doi.org/10.47576/2949-1894_2023_2_26.
Интеллектуальный анализ данных заключается в изучении законов, лежащих в основе данных, с помощью определенных технических средств. Академический круг обычно выражает это таким образом. Технология интеллектуального анализа данных заключается в использовании определенных алгоритмов из большого количества неполных, зашумленных, нечетких и случайных данных о промышленном производстве.
Существуют различные классификации задач интеллектуального анализа данных. Задачи интеллектуального анализа данных обычно можно разделить на две категории: классификация и регрессия. Для такого рода задач может быть определенное единство между двумя алгоритмами для разных алгоритмов [3].
При выполнении задач интеллектуального анализа данных, как правило, необходимо определить, к какой категории относится задача, будь то регрессия или классификация, в соответствии с конкретной задачей, а затем выбрать соответствующий алгоритм в соответствии с различными задачами, чтобы эффект интеллектуального анализа данных был лучше.
При проведении интеллектуального анализа данных необходимо понимать, что данные являются основой интеллектуального анализа данных. Только изучая текущие данные и получая потенциальные законы данных, мы можем лучше выполнять определен -ные операции с будущими данными [5].
Но такого рода прогнозы - это определенная вероятность, поэтому выводы, сделанные с помощью интеллектуального анализа данных, обычно имеют статистические закономерности. Коротко говоря, чем больше объем данных, тем точнее будут правила, когда алгоритм постоянен, и тем точнее будет прогноз.
Чтобы лучше способствовать развитию различных отраслей, многие технологии интеллектуального анализа данных широко используются во всех аспектах производства в
различных отраслях. Различные модели данных часто используются для разных ссылок. Как правило, в процессе применения технологии интеллектуального анализа данных к различным отраслям в стране и за рубежом это в основном достигается за счет создания различных моделей интеллектуального анализа данных для улучшения развития различных отраслей.
В России соответствующие технологии интеллектуального анализа данных в основном применяются для оценки резервуаров в различных отраслях промышленности, выбора методов строительства, прогнозирования показателей добычи и диагностики различных отраслевых систем. Для разных задач часто используются разные алгоритмы.
Методы, основанные на глубоком обучении, могут применяться к различным связям, таким как классификация и регрессия. Однако алгоритмы интеллектуального анализа данных с глубоким обучением часто требуют большого набора данных для обучения и в то же время нуждаются в ручной калибровке набора данных и т. д., но производительность методов, основанных на глубоком обучении, часто намного превышает традиционное машинное обучение. Это связано с тем, что алгоритм глубокого обучения может иметь следующие характеристики: первая -изучение глубоких функций, вторая - автономное обучение, третья - нелинейное отображение, четвертая - сильная способность к обобщению [4].
Хотя модель глубокого обучения требует много человеческих и материальных ресурсов для обучения и отладки, после того как модель обучена, ее можно использовать все время. Многие исследователи в нашей стране применили технологию глубокого обучения интеллектуального анализа данных для проверки методов добычи тяжелой нефти и добились хороших результатов, превзойдя традиционные алгоритмы интеллектуального анализа данных в различных аспектах производительности.
Согласно соответствующим опросам, технология управления информацией на данном этапе широко используется в различных отраслях промышленности в Российской Федерации. Технология управления информацией может интегрировать ресурсы предприятия, оптимизировать эффективность работы предприятия, повысить эффективность управления знаниями и материалами и значительно улучшить производство продукции.
Многие компании осознали, что управление информацией может значительно повысить эффективность управления, но активно не развивали эту технологию. Основная причина в том, что управление информационными технологиями сопряжено с большими рисками безопасности. Правонарушители могут использовать информационные технологии для кражи информации из информационных систем, и информационная безопасность находится под серьезной угрозой.
С другой стороны, из-за открытости информационных технологий трудно гарантировать абсолютную безопасность информационных технологий. Кражи корпоративных секретов принесли компании серьезные экономические потери.
Дадим характеристику технологии интеллектуального анализа данных на основе больших данных:
Релевантность - очень важная характеристика технологии больших данных. В среде больших данных, анализируя корреляцию между данными, мы часто можем сделать очень важные выводы. Конкретный процесс реализации заключается в анализе важных статистических факторов, лежащих в основе данных, посредством корреляционного анализа большого количества данных, а затем использовании этих статистических факторов для дальнейшего анализа для получения ожидаемых результатов.
Существует множество технических средств для корреляционного анализа. Обычные средства основаны на методе наименьших квадратов или использовании моделей множественной регрессии для построения моделей больших данных, а затем выполняется регрессионный анализ для получения основных факторов, влияющих на переменные, и затем эти факторы могут широко использоваться в различных отраслях промышленности. В инженерии прогнозиро-
вания рисков геодезии этот процесс не требует использования средств, основанных на оценке рисков.
Часто влияющие факторы, полученные с помощью больших данных, могут быть непосредственно использованы в процессе каждого звена производства в различных отраслях, а также могут эффективно прогнозировать тенденцию развития тех или иных показателей производства в различных отраслях. Поэтому на фоне технологии больших данных большое количество данных заложило основу для развития каждого звена производства в различных отраслях [2].
Благодаря соответствующему анализу параметров различных показателей производства в различных отраслях и оценке ситуации риска можно сформулировать производственные планы различных отраслей промышленности более научно и обоснованно.
Облачные вычисления обеспечивают надежную поддержку технологии интеллектуального анализа больших данных.
Технология облачных вычислений делает возможными технические вычисления больших данных и в то же время расширяет технические рамки, такие как виртуальные технологии, распределенные технологии и параллельные технологии, и предоставляет гибкие и масштабируемые прикладные службы, службы хранения ресурсов и т. д. для вычислений больших данных.
Облачные сервисы охватывают практически все информационные ресурсы. В том числе ресурсы данных, приложения, вычислительные ресурсы, ресурсы хранения, инфраструктура и т. д. могут быть получены из облачных сервисов. Однако облачные вычисления имеют большие риски безопасности, что также является очень важным фактором, ограничивающим их развитие, но облачные вычисления обеспечивают большую скорость и надежность. С помощью облачных сервисов инженеры-аудиторы могут создать облако данных, чтобы использовать большой объем в облаке данных для проведения аудита развития и внедрения бизнеса.
Рассмотри применение технологий интеллектуального анализа больших данных и технологий управления информацией:
1. Может эффективно увеличить выпуск различных отраслей.
С непрерывным развитием информационных технологий во всех аспектах производства в различных отраслях были реализованы автоматизация, интеллектуальность и информатизация. В данной статье в качестве примера рассматривается применение технологии управления информацией и технологии интеллектуального анализа данных в нефтяной про -мышленности. С помощью различных интеллектуальных датчиков и технологии интернета можно собирать различные данные в процессе добычи на нефтяном месторождении.
Эти типы данных могут храниться в базе данных, которая предоставляет данные из первых рук для исследования алгоритмов интеллектуального анализа данных. Через систему управления информацией управление каждым звеном связано с отраслевыми звеньями, особенно представленными системой A5 различных отраслей промышленности в России [1].
Продвижение системы A5 и внедрение системы интернета для добычи нефти и газа A11 внесли важный вклад в сбор данных в производственных связях различных отраслей, а затем использовали технологию интеллектуального анализа данных, чтобы предложить скрытые законы, лежащие в основе данные, с тем чтобы лучше направлять производство различных отраслей промышленности. Это может гарантировать экономическую эффективность предприятий в различных отраслях промышленности [6].
Применение технологии интеллектуального анализа данных к производственным звеньям различных отраслей промышленности имеет много преимуществ, оно может гарантировать, что менеджеры сформулируют соответствующие производственные технологии на основе прогнозируемых показателей и оценки рисков. Менеджеры используют эти индикаторы для управления производством в различных отраслях, что часто может эффективно улучшить добычу, извлечение, эффективность и выгоды нефтяных месторождений.
2. Развитие сети.
В последние годы с непрерывным развитием информационных технологий в различных отраслях отраслевая технология Интернета, основанная на управлении информацией, также значительно улучшилась. Надзорный и управленческий персонал может эффективно контролировать все аспекты производства в различных отраслях промышленности в любом месте.
С другой стороны, с развитием промышленных сетевых систем производственные связи различных отраслей промышленности становятся все более и более интеллектуальными. Умные датчики могут анализировать соответствующие параметры системы с помощью технологии интеллектуального анализа данных.
Как правило, если отклонения обнаружены, они сообщат соответствующему руководству через систему управления. Система отправляет отчеты об ошибках, чтобы можно было выполнить ремонт неисправности. Сетевые технологии позволяют людям усилить контроль над производственным процессом, тем самым способствуя развитию различных отраслей промышленности.
3. Экологически безопасное технологическое производство.
В настоящее время экономическое развитие оказало определенное разрушительное воздействие на окружающую среду, но применение технологии интеллектуального анализа данных, основанной на больших данных, обеспечивает реальное решение этой проблемы.
Подводя итог, можно сказать, что технологии управления информацией и технологии интеллектуального анализа больших данных могут максимизировать экономические выгоды предприятий в различных отраслях. Выводы, сделанные на основе больших данных, часто более надежны, чем выводы, сделанные субъективно, а полученные закономерности более универсальны.
Список источников
1. Баженов Р. И., Лопатин Д. К. О применении современных технологий в разработке интеллектуальных систем // Журнал научных публикаций аспирантов и докторантов. 2014. № 3 (93).
2. Кошевенко С. В., Сильченкова С. В. Структура информационной системы образовательного менеджера // Инновации на основе информационных и коммуникационных технологий. 2015. Т. 1. С. 69-71.
3. Козлов С. В. Перспективы внедрения интеллектуальных цифровых технологий в процессы управления // Цифровой регион: опыт, компетенции, проекты : сборник статей международной научно-практической конференции (г. Брянск, 30 ноября 2018 г.). Брянск: БГИТУ, 2018. С. 236-240.
4. Максимова Н. А. Моделирование информационно-образовательной среды учебного заведения // Концепт. 2016. № 5. С. 195-200.
5. Мунерман В. И. Реализация параллельной обработки данных в облачных системах // Современные информационные технологии и ИТ-образование. 2017. Т. 13. № 2. С. 57-63.
6. Соколов Н. П. Введение в теорию многомерных матриц. Киев: Наукова думка, 1972. 176 с.
References
1. Bazhenov R. I., Lopatin D. K. On the application of modern technologies in the development of intelligent systems. Journal of scientific publications of postgraduates and doctoral students. 2014. No. 3 (93).
2. Koshevenko S. V., Silchenkova S. V. The structure of the educational manager information system. Innovations based on information and communication technologies. 2015. Vol. 1. Pp. 69-71.
3. Kozlov S. V. Prospects for the introduction of intelligent digital technologies into management processes. Digital region: experience, competencies, projects : collection of articles of the international scientific and practical conference (Bryansk, November 30, 2018). Bryansk: BGITU, 2018. Pp. 236-240.
4. Maksimova N. A. Modeling of information and educational educational institution environments. Concept. 2016. No. 5. Pp. 195-200.
5. Munerman V. I. Implementation of parallel data processing in cloud systems. Modern information technologies and IT education. 2017. Vol. 13. No. 2. Pp. 57-63.
6. Sokolov N. P. Introduction to the theory of multidimensional matrices. Kiev: Naukova dumka, 1972. 176 p.
Сведения об авторах
ИСРАИЛОВА ХАВА АДНАНОВНА - кандидат технических наук, доцент технологии и дизайна, Чеченский государственный педагогический университет, Грозный, Россия, mvakaraeva@mail.ru
ЕДРЕЕВ ТАМЕРЛАН ШАЙХ-МАГОМЕДОВИЧ - старший преподаватель кафедры гражданского права и процесса юридического факультета, Чеченский государственный университет имени А. А. Кадырова, Грозный, Россия, edreevtam@mail.ru
ДЖАБРАИЛОВ ИЛЬЯС АБУБАКАРОВИЧ - аналитик данных, Яндекс Практикум, ilyasDzhabrailov@yandex
Information about the authors
ISRAILOVA KHAVA A. - Candidate of Technical Sciences, Associate Professor of Technology and Design, Chechen State Pedagogical University, Grozny, Russia, mvakaraeva@mail.ru
EDREEV TAMERLAN SH. - Senior Lecturer, Department of Civil Law and Procedure, Faculty of Law, Chechen State University named after A. A. Kadyrov, Grozny, Russia, edreevtam@mail.ru
DZHABRAILOV ILYAS A. - Data Analyst, Yandex Practicum, ilyasDzhabrailov@yandex
