CC BY
2УДК 65.011.56
doi:10.52210/2224669X_2023_1_105
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕНЕДЖМЕНТЕ НАУКОЕМКИХ ПРЕДПРИЯТИЙ
В.А. Ключко, В.Б. Чечнев
Аннотация. В статье рассмотрено влияние технологий искусственного интеллекта в менеджменте. Целью данной работы являлась разработка принципов внедрения искусственного интеллекта для повышения эффективности управления наукоемкими предприятиями. Актуальность темы обусловлена стремительным технологическим развитием цифровых систем, необходимостью их масштабного внедрения и сохраняющимися противоречивыми оценками этого процесса. Проанализирована актуальная литература и современные практики, конкретизированы типы систем с использованием технологий искусственного интеллекта, выявлены положительные стороны и потенциальные риски от их внедрения. В результате исследования была разработана последовательность внедрения современных систем искусственного интеллекта на наукоемких предприятиях, состоящая из 11-ти шагов. Данная структура с некоторыми корректировками может быть использована на любом предприятии, которому необходимо повысить экономическую эффективность бизнес-процессов, уменьшить потери рабочего времени менеджеров, минимизировать человеческие риски и создавать конкурентоспособную продукцию.
Ключевые слова: искусственный интеллект, менеджмент, цифровизация бизнеса, наукоемкие предприятия, внедрение искусственного интеллекта, классификация искусственного интеллекта.
ARTIFICIAL INTELLIGENCE TECHNOLOGIES
IN THE MANAGEMENT OF KNOWLEDGE-INTENSIVE ENTERPRISES
V.A. Klyuchko, V.B. Chechnev
Abstract. The article considers the impact of artificial intelligence technologies in management. The purpose of this work was to develop principles for the introduction of artificial intelligence to improve the efficiency of managing hightech enterprises. The relevance of the topic is due to the rapid technological development of digital systems, the need for their large-scale implementation and the continuing conflicting assessments of this process. The current literature and modern practices are analyzed, the types of systems using artificial intelligence technologies are specified, the positive aspects and potential risks from their implementation are identified. As a result of the study, a sequence of implementation of modern artificial intelligence systems in high-tech enterprises was developed, consisting of 11 steps. This structure, with some adjustments, can be used in any enterprise that needs to increase the economic efficiency of
business processes, reduce the loss of managers' working time, minimize human risks and create competitive products.
Keywords: artificial intelligence, management, digitalization of business, knowledge-intensive enterprises, introduction of artificial intelligence, classification of artificial intelligence.
Технологии искусственного интеллекта (далее - ИИ) уже прочно и достаточно давно вошли в жизнь каждого жителя современного мегаполиса. Каждый из нас сталкивается с ними практически каждый день. От ИИ зависит, сколько и как Вы будете ехать по своему городу, -и тут уже даже не важно, пользуетесь ли Вы навигаторами, в которых невозможно обойтись без данных технологий, или же не пользуетесь, ведь все равно большинство светофоров, маршрутов общественного транспорта и даже отдельных автомобилей будут действовать согласно указаниям ИИ. Алгоритмы рекомендаций в индустрии развлечений давно и с каждым годом все успешнее и успешнее выступают в роли главного советника по вопросам потребляемого людьми контента. 2022 г. отметился, с одной стороны, локальными, но, с другой стороны, крайне значимыми событиями в области развития и применения технологий ИИ. Так, американская компания «OpenAI», которая занимается разработками в сфере машинного обучения, 30 ноября 2022 г. представила свою новую разработку - чат-бот ChatGPT, который умеет отвечать на различные вопросы пользователей, создавать собственные тексты, имитируя при этом человеческую манеру речи и даже сам составляет какие-либо отдельные элементы программного кода. Одним из главных отличий данной нейросети является возможность выполнять совершенно разные задачи из не смежных областей, что было одной из преград для большинства подобных систем.
Вышеуказанные примеры характеризуют ИИ лишь с точки зрения применения в повседневной жизни людей, но в какой степени он используется в работе наукоемких предприятий? Масштабный анализ статистических данных по данному вопросу был проведен Центром стратегических разработок «Северо-Запад» в докладе «Искусственный интеллект в промышленности». В результате данного анализа была получена комплексная оценка как текущей ситуации, так и перспектив развития [5]. На основе данных указанного доклада, представленных на рисунке 1, можно сделать вывод, что сектора, которые традиционно представлены большим количеством
■ ПОиГГ
□ Кибербез опасность
■ Оборонный сектор
■ Финансовый сектор
□ Производство Я Здравоохранение
■ Транспорт и логистика
■ Рнтейл
ш Другое
Рисунок 1. Объем рынков ИИ в секторах экономики в 2021 г., % [5, с. 16]
Примечание: составлено авторами
наукоемких предприятий, входят в пятерку крупнейших участников рынка технологий ИИ.
Современный менеджмент также претерпевает не меньшие изменения под воздействием увеличивающегося объема информации и роста технологического развития. По результатам анализа Т.Ю. Стукеной, Т.А. Лапиной и О.С. Коржовой менеджеры среднего звена в российских компаниях тратят около половины рабочего времени на подготовку отчетов, заполнение документов и выполнение работы в качестве специалиста [13]. Это является следствием множества факторов, но их общим источником является переизбыток рабочих функций и задач в рамках управляемого ими подразделения, а также низкая степень автоматизации работы руководителей.
Все это обусловливает актуальность проблемы применения технологий ИИ в менеджменте наукоемких предприятий.
Целью данной работы является разработка принципов внедрения ИИ для повышения эффективности управления наукоемкими
предприятиями. Для достижения данной цели в работе решены следующие задачи: проведен анализ актуальной литературы и современных практик, конкретизированы типы систем с использованием технологий ИИ, выявлены положительные стороны и потенциальные риски от их внедрения.
Тематика искусственного интеллекта является одной из самых новых в научной литературе. Так, по данным научной электронной библиотеки eLIBRARY.RU, активный рост количества статей по данному вопросу произошел лишь в 2017 г., что видно из графика на рисунке 2 [9]. Несмотря на новизну, уже сейчас существует большое количество исследований, которые выявили множество важных элементов, необходимых при комплексном рассмотрении ИИ. Исходя из всего этого, необходимо подробно рассмотреть ключевые релевантные работы.
2000 1800 1600 1400
«
1200
В 1000
| 800 £
600 400 200 0
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Год
Рисунок 2. Количество публикаций научных публикаций по теме ИИ по данным eLIBRARY.RU [9]
Примечание: составлено авторами
Подавляющее большинство авторов сходятся на том, что использование технологий ИИ будет и дальше расширяться, принося все большую выгоду как предприятиям, так и потребителям. Например, А.А. Лагузова, А.С. Молькова и другие исследователи приводят оценку международной консалтинговой компании «PwC», в которой прогнозируется, что использование в операционной деятельности ИИ может принести в мировую экономику к 2025 г. до 6,6 трлн долл. от повышения производительности и 9,1 трлн долл. от уменьшения побочного потребления [7].
В целях дальнейшего анализа положительных и отрицательных сторон применения систем с использованием ИИ необходимо провести их классификацию. На настоящий момент существует весьма большое количество типологий, поэтому следует привести некоторые из них к единому виду.
Чаще всего встречается типизация, основанная на принципе работы. Данный подход достаточно очевиден и прост, но в то же время является весьма эффективным. Однако у него присутствует значительный недостаток - крайне быстрое устаревание, которое может проявляться как в утрате полноты представления, так и в чрезмерном упрощении. Рассмотрим пример такой классификации, приведенный в таблице 1.
Представленная классификация была приведена в 2021 г. на основе данных 2020 г. Но меркам многих других областей знания она должна являться крайне актуальной, но в контексте исследования ИИ типология, являющаяся весьма полной на период 2021 г., должна быть несколько изменена по итогам 2022 г. Так, следует добавить следующие типы ИИ:
1. Причинно-следственный ИИ, который способен выявлять и использовать причинно-следственные связи, чтобы выйти за рамки моделей прогнозирования, основанных на корреляции, и перейти к системам ИИ, которые могут более эффективно предписывать действия и совершать их более автономно.
2. Инструменты генерации кода машинного обучения - вид моделей ML, который подключается к интегрированным средам разработки и позволяют создавать программный код на основе описания на естественном языке или фрагментов кода. Эти инструменты возникли на стыке генеративного, адаптивного и дополненного ИИ, на текущий момент их выделяют в отдельную категорию.
Таблица 1
Классификация ИИ на основе их принципа работы от Г.Ю. Силкиной и С.Ю. Шевченко
Название Описание
Генеративный ИИ Относится к программам, которые могут использовать существующий контент для создания нового правдоподобного контента. Основной инструмент технологии - генеративно-состязательные сети - алгоритм машинного обучения, который работает на основе двух нейронных сетей: генератора и дискриминатора. Алгоритм генератора создает образцы, а алгоритм дискриминатора старается отличить правильные («подлинные») образцы от неправильных. Обе нейронные сети конкурируют друг с другом во время обучения и создают условия для обоюдной эволюции
Адаптивный ИИ Обычное машинное обучение работает по принципу открытой системы: готовятся данные, строится нейронная сеть, проводится обучение и тестирование, и, если все устраивает, - можно решать пользовательские задачи. Но в приложениях, где данных очень много и их характер постепенно меняется, нужны другие методы. Системы, которые адаптируются и обучают сами себя, организуют в закрытые, самообучающиеся контуры, и они должны работать бесперебойно. Они и реализуют адаптивное машинное обучение
Дополненный ИИ К системам дополненного интеллекта относят средства автоматизации, помогающие повышать продуктивность умственного труда человека. Они помогают организовать «партнерство» между людьми и ИИ, в котором первые играют главенствующую роль
Эмоциональный ИИ Это подкатегория ИИ, благодаря которой компьютерные системы и алгоритмы могут распознавать и интерпретировать человеческие эмоции, отслеживая выражения лица, язык тела или речь. Эмоциональный ИИ можно описать как инструмент, который обеспечивает более непринужденное взаимодействие между машинами и людьми: он может анализировать тончайшие изменения в человеческой мимике, голосе, жестикуляции и реагировать на них подобно человеку
Ответственный ИИ Ориентирован на обеспечение этичного, прозрачного и подотчетного использования технологий ИИ в соответствии с ожиданиями пользователей, организационными ценностями, социальными законами и нормами. Ответственный ИИ гарантирует, что автоматизированные решения оправданы, и помогает поддерживать доверие пользователей
Объясняемый ИИ Относится к методам искусственного интеллекта, которым можно доверять и которые легко понять людям. Это контрастирует с концепцией «черного ящика» в машинном обучении, где даже их проектировщики не могут объяснить, почему ИИ пришел к определенному решению
Источник: [12]
Ключевыми среди всех вышеперечисленных видов в рамках повышения эффективности менеджмента наукоемких организаций стоит отметить следующие:
1. Генеративный ИИ - потенциальны спектр применения может охватывать огромную часть работы, например, ведение деловой переписки, создание отчетов, генерация рекомендаций по управлению компанией и персоналом и т.д.
2. Дополненный ИИ - такой подход чрезвычайно важен в формате менеджмента, поскольку на текущий момент ИИ не способен полностью заменить управленца, в следствии чего необходимо им придется работать совместно.
3. Ответственный ИИ - поможет выполнять социальные функции менеджера и сохранит взаимоотношения в коллективе на высоком уровне, а также поможет не только повышать эффективность работы и прибыль, но и будет преследовать цели компании.
4. Причинно-следственный ИИ - такой тип ИИ поможет компании выявлять неочевидные связи между какими-либо параметрами, что может привести к росту эффективности бизнеса.
Среди работ по классификации систем ИИ необходимо отметить также и статью В.М. Еськова, О.Е. Филатовой, В.А. Галкина и Е.Г. Мельниковой, в которой они выделяют два подхода [3]:
1. По типу производства новых знаний:
1.1. Объективно новые знания.
1.2. Субъективно новые знания.
2. По типу действия:
2.1. Алгоритмизируемые интеллектуальные системы.
2.2. Не алгоритмизируемые интеллектуальные системы.
Наиболее полной спектр различных классификаций, изображённых на рисунке 3, представил в своей работе В.И. Кукшев [6]. Следует также отметить, что перечень позиций на данной схеме соответствует актуальному ГОСТ Р 59277-2020, который устанавливает принципы классификации систем искусственного интеллекта с целью повышения эффективности их использования [1].
Применение вышеуказанных классификаций позволит комплексно оценить все положительные и отрицательные стороны от внедрения какой-либо системы с использованием ИИ на предприятии. Рассмотрение целесообразности применения ИИ в менеджменте
Рисунок 3. Схема классификации систем ИИ [6, ^ 64]
организаций необходимо начать с конкурентных преимуществ, которые может получить компания. В своем исследовании Е.В. Попова и В.В. Масленников с помощью регрессивного анализа значимости конкурентоспособности предпринимательства от человеческого и технологического факторов показали, что внедрение ИИ позволит
значительно повысить конкурентоспособность и эффективность путем повышения производительности труда, увеличения гибкости производства, оптимизации производственных запасов и повышения эффективности производственных объектов [11]. К подобным результатам приходят многие исследователи. В их числе П.А. Левчаев и Б. Хезазна, которые отмечают, что в условиях цифровизации многократно возрастает эффективность управленческих решений на основе использования цифровых технологий, и, в частности, алгоритмов и возможностей искусственного интеллекта [8]. Преимуществами, которые следует отметить в рамках данной работы являются оценка деятельности персонала и степень удовлетворенности клиентов, что в своем исследовании выделил Д.Ф. Юсупов [15].
Чаще всего, говоря о применении технологий ИИ в менеджменте, исследователи подразумевают системы поддержки принятия управленческих решений (далее - СИЛУР), что является одним из частных случаев возможного применения. Так, в своей работе Д.Ю. Денисов приходит к выводу, что развитие цифровых инноваций СППУР на уровне среднего менеджмента позволяет эффективнее перераспределять рутинные и сложные операционные задачи, передавать часть из них цифровым алгоритмам, сократить временные затраты и стимулировать развитие новых профессиональных навыков руководителей [2].
У каждой технологии существуют как свои плюсы, так и свои минусы, поэтому следует также рассмотреть и последние. Научного материала по этому вопросу уже сейчас существует достаточно большое количество, что говори о важности комплексной оценки всех перспектив от внедрения. Упомянутые выше Е.В. Попова и В.В. Масленников в своей работе отметили и множество рисков, например, риск дезинтеграции и нарушения работы, риск ошибок в работе и риск ограниченности возможностей [11]. Однако общий уровень рисков менеджмента промышленного предприятия при внедрении ИИ аналогичен текущей практике, а переход рисков из человеческой в техническую форму упрощает риск-менеджмент - отмечают исследователи.
Многие авторы видят крайне важную проблему ИИ в отсутствии естественных для человека гуманистических представлений, из чего выходят многие отмечаемые ограничения. Об этом пишет и О С. Суртаева, когда приходит к выводу об отсутствии понимания
«gib*
МФЮА МОСКОВСКИЙ ФИНАНСОВО-ЮРИДИЧЕСКИЙ УНИВЕРСИТЕТ
ИИ психологии людей, их интересов и желаний [14]. И.М. Пожариц-кая также задается вопросам о возможности выделения в ведение ИИ когнитивных аспектов в профессиях с высоким уровнем неопределенности и степенью мыслительной деятельности, к коим относится и менеджмент [10].
М.Ю. Каталкина, Е.Ю. Кузьмина и А.В. Савченко в своей работе выделили множество сложностей при внедрении систем с использованием технологий ИИ [4]:
- сопротивление изменениям со стороны высшего руководства и сотрудников;
- опасения по поводу передачи контроля;
- недостаток знаний о технологиях на основе ИИ;
- недостаток собственных навыков и экспертизы для внедрения и управления;
- множество нерешенных этических вопросов;
- большие затраты на внедрение содержание, степень возврата которых не всегда возможно корректно оценить.
Все вышеперечисленные исследования говорят о том, что на текущий момент каждой конкретной организации следует грамотно взвесить все значимые для нее преимущества и потенциальные риски. Для этого необходимо иметь определенный набор принципов внедрения ИИ с целью повышения эффективности управления наукоемкими предприятиями. Перечислим их, согласно предполагаемой хронологической последовательности выполнения:
1. Выявление проблем. Несмотря на то, что в рамках данной работы было перечислено множество типичных трудностей в управлении наукоемкими предприятиями в каждом конкретном случае необходима индивидуальная диагностика.
2. Определение целевых показателей. Создание измеримого и конкретного видения будущих результатов работы организации после внедрения ИИ является одним из ключевых этапов, который позволит определить тип необходимой системы, рациональные объемы выделяемых ресурсов и грамотную команду по внедрению.
3. Выбор подходящего ИИ. Исходя из данных, определенных в п. 1 и п. 2 необходимо определить тип системы ИИ. Как уже отмечалось ранее, наиболее подходящими в общем виде являются: Генеративный ИИ, Дополненный ИИ, Ответственный ИИ и При-
чинно-следственный ИИ. Согласно классификации ГОСТ Р 59277-2020: гибридные экспертно-аналитические системы поддержки принятия решений [1].
4. Подбор команды. Необходимо провести анализ как существующих вариантов во внешней среде организации, так и во внутренней, а также определить
5. Составление плана внедрения.
6. Обеспечение данными. Важными факторами корректной работы ИИ на базе любой организации является полнота, достоверность и своевременность исходных данных. На данный момент не все системы, которые обеспечивают это (например, ЕЯР-системы, ВРМ-системы и СЯМ-системы) работают на должном уровне. Это может привести к сбоям в функционировании управленческих системы с использованием нейронных сетей, поэтому крайне важно провести подготовительные работы по систематизации процесса сбора данных.
7. Внедрение прототипа. Необходимо протестировать систему с меньшим количеством целевых показателей, но с предполагаемым объемом данных. От этого зависит точность обучения модели. Если на этом этапе у компании достаточно данных для одного целевого параметра, проект должен затрагивать только его. И даже в случае, когда есть данные по нескольким параметрам, лучше сконцентрироваться на одном-двух.
8. Предварительная оценка эффективности. Часто на предыдущей стадии удается выявить и устранить разнообразные ошибки и неточности, которые могут сказаться на дальнейшей эффективности использования ИИ. После их устранения можно оценить эффективность всего проекта. Понять, как скоро можно ожидать возврата инвестиций, а также выявить сопутствующие эффекты для бизнеса.
9. Запуск полноценного проекта. После получения необходимой точности ИИ можно переходить к полномасштабному внедрению полноценного проекта. На данном этапе бизнес-задачи и целевые параметры откалиброваны. Однако результаты тестовых данных не всегда могут совпадать с результатами реальных данных. Поэтому на этом этапе важно предусмотреть возможность доработки и улучшения системы.
10. Адаптация компании под ИИ. Операционные и бизнес-процессы компании необходимо подстроить под ИИ, провести обучение персонала. Ключевой задачей тут является правильное позиционирование проекта. В частности, необходимо донести до сотрудников цель внедрения и выгоду для конкретно каждого из них.
11. Поддержка проекта. После запуска и адаптации внедрение ИИ не заканчивается. Систему необходимо переобучать на вновь появляющихся данных. Это позволяет бизнесу использовать ее максимально эффективно.
Таким образом, в рамках данной работы была продемонстрирована актуальность темы применения технологий ИИ в работе менеджеров наукоемких организаций, а также перечислены основные принципы их внедрения на предприятии. Данный перечень был составлен на основе нескольких рассмотренных классификаций систем, возможностей и рисков от их применения.
Библиографический список
1. ГОСТ Р 59277-2020. Классификация систем искусственного интеллекта: дата введения 2021-03-01. URL: https://docs.cntd.ru/document/1200177292 (дата обращения: 23.01.2023).
2. Денисов Д.Ю. Развитие систем поддержки принятия решений на основе искусственного интеллекта в менеджменте российских компаний// Экономические системы. 2021. № 4.
3. Еськов В.М., Филатова О.Е., Галкин В.А., Мельникова Е.Г. Классификация систем искусственного интеллекта // Сложность. Разум. Пост-неклассика. 2021. № 4.
4. Каталкина М.Ю., Кузьмина Е.Ю., Савченко А.В. Проблемы развития цифрового управления // E-Management. 2022. № 1.
5. Княгин В.Н., ЛипецкаяМ.С., Санатов Д.В., Васеев И.Е., Годунова Е.А., СеменоваМ.А., ХаритоновМ.А., Холоднова Е.М. Искусственнный интеллект в промышленности // Источники новых индустрий. 2022. № 3.
6. Кукшев В.И. Классификация систем искусственного интеллекта // Экономические стратегии. 2020. № 6.
7. ЛагузоваА.А., МольковаА.С. Влияние искусственного интеллекта (ИИ) на развитие операционного менеджмента передовых промышленных компаний до 2025 года // Управленческие науки в современном мире: сборник докладов научно-практической конференции (г. Москва, 7 ноября 2018 г.). М., 2019.
8. Левчаев П.А., Хезазна Б. Трансформация менеджмента в условиях процессов цифровизации и искусственного интеллекта // Финансы и управление. 2020. № 2.
9. Научная электронная библиотека elibrary.ru URL: https://www.elibrary. ru/defaultx.asp (дата обращения: 21 01 2023).
10. Пожарицкая И.М. Стратегия развития искусственного интеллекта в экономике и управлении // Устойчивое развитие социально-экономической системы Российской Федерации: сборник трудов XXI Всероссийской научно-практической конференции (г. Симферополь, 14-15 ноября 2019 г.). Симферополь, 2019.
11. Попова Е.В. Модель менеджмента промышленного предприятия на базе искусственного интеллекта // Цифровизация как драйвер развития науки и образования: сборник статей II Международной научно-практической конференции (г. Петрозаводск 18 марта 2021 г.). Петрозаводск, 2021.
12. Силкина Г.Ю., Шевченко С.Ю. Искусственный интеллект в моделях функционирования и инновационного развития промышленных предприятий // Стратегическое управление развитием цифровой экономики на основе умных технологий. СПб., 2021.
13. Стукен Т.Ю., Лапина Т.А., Коржовой О.С. Навыки управления временем у менеджеров среднего звена в российских компаниях // Вестник Омского университета. Серия Экономика. 2022. № 2.
14. Суртаева О.С. Возможности и ограничения при использовании искусственного интеллекта для повышения эффективности управления // Экономические системы. 2022. № 1
15. Юсупов Д.Ф. Возможности применения искусственного интеллекта в менеджменте современных компаний // Аллея науки. 2019. № 5.
В.А. Ключко
кандидат экономических наук, доцент
Московский финансово-юридический университет МФЮА
В.Б. Чечнев
магистрант
Московский государственный технический университет
им. Н.Э. Баумана
Е-mail: gegrev@yandex.ru
