CC BY
122
266
Международный журнал
Источники:
1. Владыкин А.А. Финансовый анализ как инструмент эффективного управления бизнес-процессами в хозяйствующих субъектах /
А.А. Владыкин, Ю.А. Чурсина. - М.: ИНФРА-М, 2016. - 224 с.
2. Герами, В. Д. Городская логистика. Грузовые перевозки: учебник для вузов / В. Д. Герами, А. В. Колик. - Москва: Издательство
Юрайт, 2021. - 343 с.
3. Григорьев, М. Н. Коммерческая логистика: теория и практика: учебник для среднего профессионального образования /
М. Н. Григорьев, В. В. Ткач. - 3-е изд., испр. и доп. - Москва: Издательство Юрайт, 2021. - 507 с.
4. Левкин, Г. Г. Коммерческая логистика: учебное пособие для вузов / Г. Г. Левкин. - 2-е изд., испр. и доп. - Москва: Издательство
Юрайт, 2021.
5. Неруш, Ю. М. Транспортная логистика: учебник для вузов / Ю. М. Неруш, С. В. Саркисов. - Москва: Издательство Юрайт, 2021.
6. Попов, А. М. Экономико-математические методы и модели: учебник для вузов / А. М. Попов, В. Н. Сотников ; под общей редакцией А. М. Попова. - 3-е изд., испр. и доп. - Москва : Издательство Юрайт, 2021. - 345 с.
EDN: SHQWYY
H.В. Седых - к.э.н., доцент кафедры экономики и финансов, Кубанский государственный технологический университет, Краснодар, Россия, 3791860@mail.ru,
N.V. Sedykh - candidat of economic sciences, associate professor of the department of economics and finance, Kuban state technological university, Krasnodar, Russia;
И.П. Фоканов - студент, Кубанский государственный технологический университет, Краснодар, foka-nov.igor@mail.ru
I.P. Fokanov - student, Kuban state technological university, Krasnodar, Russia.
ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ РАЗВИТИЯ ТЕХНОЛОГИИ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА PROBLEMS AND PROSPECTS OF ARTIFICIAL INTELLIGENCE TECHNOLOGY DEVELOPMENT
Аннотация. Технология искусственного интеллекта в настоящее время является одной их самых передовых и наиболее перспективных. Как показал проведённый анализ, современный бизнес возлагает на технологии искусственного интеллекта большие надежды, поэтому ведущие компании мира активно финансируют разработки с применением данной технологии, внедряя ее в свои бизнес-процессы.
В статье предпринята попытка теоретического исследования понятия «искусственный интеллект», в процессе которого интеллект рассматривается через системный подход в его широком понимании. Рассмотрены существующие варианты применения искусственного интеллекта в секторах экономики и направления вложений в развитие технологий искусственного интеллекта в коммерческой деятельности. Целью исследования является авторское прогнозное предположение вектора развития использования технологий искусственного интеллекта и машинного обучения на основе проблем субъективной оценки данной технологии, рассмотрения существующих вариантов применения искусственного интеллекта и направлений вложений в развитие технологий искусственного интеллекта в бизнесе.
Abstract. Artificial intelligence technology is currently one of the most advanced and most promising. As the analysis showed, modern business has high hopes for artificial intelligence technologies, so the world's leading companies are actively financing developments using this technology, introducing it into their business processes.
The article attempts to theoretically study the concept of «artificial intelligence», in the process of which intelligence is considered through a systematic approach in its broad sense. Theexisting options for the use of artificial intelligence in the sectors of the economy and the direction of investments in the development of artificial intelligence technologies in commercial activities are considered. The purpose of the study is the author's forecast assumption of the vector of development of the use of artificial intelligence and machine learning technologies based on the problems of subjective assessment of this technology, consideration of existing options for the use of artificial intelligence and investments in the development of artificial intelligence technologies in business.
Ключевые слова: искусственный интеллект; коммерческий банк; человеческое мышление; феноменология интеллекта; машинное обучение; большие данные.
Keywords: artificial intelligence; commercial bank; human thinking; phenomenology of intelligence; machine learning; big data.
В современном мире происходят достаточно быстрые глобальные технологические изменения, связанные с внедрением и развитием информационно-коммуникационных технологий[1]. Искусственный интеллект - одна из таких передовых современных технологий, которая может кардинально изменить рынок в будущем. Поэтому данная проблема является актуальной для многих сфер бизнеса и затрагивает государственные интересы.
В результате осмысления перспектив развития данной технологии многие авторы делают выводы, что в научном понимании проблематика искусственного интеллекта связана с распознаванием систем искусственного интеллекта и обычного человеческого мышления.
Искусственный интеллект - это свойства интеллектуальных систем, которые обладают важными способностями человеческого разума, такими как понимание языка, способность общаться, рассуждать, учиться, решать проблемы, действовать, делать выводы и прочее. Ключевой особенностью искусственного интеллекта является его способность решать проблемы с помощью алгоритма, аналогичного алгоритму человеческого мозга.
Основная цель ИИ - научиться понимать человека и давать различные советы на основе анализа полученных данных, сравнения их с результатами других людей и выявления закономерностей, затем воспринимать обратную связь и учиться на основе своих результатов. Разработки в области искусственного интеллекта также используются для анализа больших данных, построения прогнозных моделей и других моделей.
За последний год технологии нейросети вышли на новый уровень, примером является технология GPT-3 от OpenAl.
И воплощение гносеологических характеристик мышления в современных системах не только достаточно успешны. Разрешение проблемы «китайской комнаты» кажется вполне реальным.
К тому же, продолжают проводиться множество исследований, направленных на выявление и понимание феноменологической способности искусственного интеллекта как одного из факторов его существования с использованием различ-
Естественно-гуманитарные исследования № 44 (6), 2022_267
ных комбинаций существующих технологий анализа данных.
На современном этапе персональные цифровые помощники наиболее активно развиваются на платформах Google, Apple, Amazon и Facebook. ИТ-компании, такие как Stash, Acorns, Betterment, Weatherfront и Personal Capital, активно разрабатывают финансовых чат-ботов, а Digit, Mint, WealRo и Cleo - это технологии, которые отслеживают поведение клиентов с цифровыми кошельками. В частности, эти технологии используются гонконгским мобильным банком Neat, приложения которого сочетают в себе технологии искусственного интеллекта и биометрической защиты [3].
В сочетании с голосовыми помощниками разрабатывается когнитивная технология, такая как распознавание изображений, которая может распознавать оптические, графические, цифровые и закодированные изображения.
В банковской сфере распознавание изображений обладает огромным потенциалом - например, изображение каждого клиента, использующего приложение, может быть довольно точным (вплоть до определения оттенков настроения путем анализа силы нажатия клавиш, анализа ответа на приветствие, поисковых запросов и т. д.). В банковской сфере распознавание изображений имеет огромный потенциал) распознается программным обеспечением, и на основе полученной информации голосовой помощник корректирует свое поведение с клиентом.
Международные компании, такие как Uber, возлагают большие надежды на создание автомобильного автопилота, позволившего решить проблему дефицита квалифицированных трудовых ресурсов.
Ключевой технологией искусственного интеллекта является машинное обучение, то есть создание сложного алгоритма для анализа больших наборов данных, сравнения, поиска взаимосвязей, построения прогностических моделей, а также обучения на основе анализа результатов.
Ключевым компонентом машинного обучения является способность машины учиться самостоятельно и совершенствовать изначально заданный алгоритм для достижения наилучших результатов.
Первая и самая простая форма машинного обучения - это построение регрессионных моделей, которые позволяют прогнозировать значение переменной на основе имеющихся данных, например, определение стоимости залогового удержания. Однако в условиях экспоненциального увеличения неструктурированных данных появились более сложные методы машинного обучения, такие как глубокое машинное обучение, в котором в качестве входных данных используются результаты других алгоритмов машинного обучения, а также методы «случайного леса», «усиления градиента», байесовские методы, нейронные сети и другие. На текущем уровне разработки, помимо построения регрессионной модели, вы можете использовать алгоритмы машинного обучения для классификации, группировки и построения зависимостей.
Феноменология интеллекта - это психологическое образование, формирующееся в ходе жизни человека под влиянием ряда факторов, которые обуславливают его уровень и специфические индивидуальные особенности [2]; восприятие интеллекта в разные исторические эпохи философами и учеными других отраслей знаний, а также выделение искусственного интеллекта как особой отрасли науки и анализ имеющихся в ней проблем. В настоящее время проводятся многочисленные исследования с целью привития и фиксирования факта феноменологической способности искусственного интеллекта как одного из факторов его существования с помощью различных комбинаций существующих технологий анализа данных.
Искусственный интеллект - это способность копировать из чего-либо естественного в сфере приобретения и применения знаний и навыков, осуществляемая компьютером. Когда машина имитирует человеческий разум, самостоятельно осуществляет мыслительный процесс, этот процесс и является воплощением искусственного интеллекта. Компьютеры сконструированы таким образом, что могут выполнять множество действий, некоторыми из них являются обучение, распознавание речи, восприятие, планирование, рассуждение, решение проблем, способность управлять и перемещать объекты вокруг. Таким образом, проблема ИИ фокусирует внимание на создании интеллектуальных машин, которые работают и реагируют, как люди.
Машинное обучение (ML - machine learning) - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме. ML стало постоянным элементом в fintech, создавая почти безграничные возможности, поскольку оно продолжает расширяться и развиваться.
Технология искусственного интеллекта является актуальной как для финансового сектора, как и для других секторов экономики, которые зависят от данных и их качественной обработки.
Глобальные расходы на ИИ увеличились в 2021 г. на 108 % и достигли 66,8 млрд долларов. Медианный размер сделок на поздних стадиях вырос на 70 % по сравнению с 2020 годом идостиг 85 млн долларов. Количество сделок выросло на 16 % по отношению к 2020 г. и достигло 2 841 [3].
Можно сделать вывод, что данная технология становится все более доступной для бизнеса.
Очевидны преимущества, которые дает использование искусственного интеллекта и технологий, связанных с ним возможность получить бизнесу конкурентные преимущества и автоматизировать свою работу, решить проблемы эффективности и прочее. Внедрения технологий работы с большими данными позволит персонализировать предложения для достижения лояльности клиентов [4].
Однако существуют и проблемы, которые пока не позволяют осуществить прорыв во многих сферах бизнеса и применять данную технологию. Это связанно с качеством и ошибками в результате его использования, субъективизмом и отсутствием необходимой инфраструктуры.
Источники:
1. Адаменко, А. А. Потребность в формировании эффективной инновационной системы в форме кластеров в развитии регионов России / А. А. Адаменко, Т. А. Литвинюк // Вестник Академии знаний. - 2022. - № 50(3). - С. 10-12.
2. Kozyr, N. S. Modern approaches assessing global competitiveness / N. S. Kozyr, N. E. Petrovskaya, V. L. Zazimko // European Research
Studies Journal. - 2018. - Vol. 21. - No 4. - P. 1034-1041.
3. Альманах «Искусственный интеллект». URL: https://www.aiReport.ru.
4. Седых, Н. В. Основные тенденции и перспективы применения искусственного интеллекта в российском банковском секторе / Н. В.
Седых, Ю. М. Сухина, В. А. Божко // Вестник Адыгейского государственного университета. Серия 5: Экономика. - 2018. - N°
4(230). - С. 293-297.
