XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Введение. Современный бизнес сталкивается с множеством вызовов, связанных с быстрым развитием технологий, которые кардинально изменяют подходы к управлению и организации процессов. В условиях глобализации и цифровизации компании вынуждены адаптироваться к новым реалиям, где инновации становятся ключевым фактором успеха. Проблема заключается в том, что не все организации способны эффективно интегрировать новые технологии в свою деятельность, что может привести к снижению конкурентоспособности и потере позиций на рынке.

Цель данной работы заключается в исследовании влияния новейших технологий, таких как искусственный интеллект, блокчейн и аналитика больших данных, на бизнес-процессы и экономическое развитие. В рамках исследования будут рассмотрены ключевые аспекты, касающиеся внедрения этих технологий и их воздействия на различные отрасли экономики.

На формирование данной темы оказали влияние такие персоны, как ведущие эксперты в области технологий, предприниматели, внедряющие инновации в своих компаниях, а также исследователи, анализирующие последствия цифровой трансформации. Их работы и идеи способствовали пониманию того, как технологии могут изменить традиционные бизнес-модели и создать новые возможности для роста.

Актуальность темы новейших технологий в бизнесе и экономике не вызывает сомнений как в России, так и в мире. В условиях стремительного технологического прогресса компании, которые не успевают адаптироваться, рискуют остаться позади. В то же время, успешное применение технологий может привести к значительным улучшениям в эффективности, снижению затрат и повышению качества услуг.

Ключевые технологические драйверы трансформации:

Искусственный интеллект (ИИ)

Это отрасль информатики, специализирующаяся на построении систем, способных решать задачи на уровне человеческого интеллекта или выше его. Например:

• следование инструкциям по созданию новых решений, контента или проектов;

• прогнозирование будущих тенденций;

• распознавание сложных закономерностей в представленных данных;

• улучшение производительности с течением времени без дополнительного программирования;

• работа в динамичной и неструктурированной среде.

Системы на основе ИИ используют математические алгоритмы для работы с большими данными, выявления закономерностей во входные данные и принятия решений или прогнозов на их основе. Но прежде, чем система будет готова к реальному использованию, ИИ должен сначала пройти обширное обучение. 

Системы ИИ обучаются на больших наборах данных, содержащих подходящие примеры. Во время обучения система корректирует свои параметры для повышения точности обработки или анализа. После достаточного обучения ИИ может обрабатывать новые, ранее неизвестные ему данные в том же формате, что и файлы, на которых обучалась модель.

Наиболее впечатляющее преимущество технологий ИИ заключается в том, что их можно использовать для автоматизации повторяющихся задач.

Распространённые сценарии применения ИИ:

• анализ медицинских изображений (рентгеновских снимков, МРТ) и данных пациентов для диагностики заболеваний;

• оценка и прогнозирование финансовых рисков на основе исторических данных;

• рекомендация товаров пользователям на основе истории просмотров, предпочтений и поведения при покупках;

• анализ схем транзакций для выявления мошеннических действий;

• навигация автономных транспортных средств, распознавание объектов на пути следование и принятие решений при вождении;

• оценка заданий и экзаменов;

• создание музыки, произведений искусства и статей на основе пользовательских рекомендаций;

• проверка резюме, планирование собеседований и помощь в подборе персонала.

Типы искусственного интеллекта

Теоретики выделяют два типа ИИ: слабый (или узкий искусственный интеллект (ANI)) и сильный (или общий искусственный интеллект (AGI)).

Слабый ИИ предназначен для выполнения одной или узкого круга задач в ограниченном контексте. Он хорошо справляется с выполнением чётко определённых и повторяющихся заданий. Примеры ANI: 

• системы распознавания речи;

• спам-фильтры;

• рекомендательные системы;

• распознавание изображений в беспилотных автомобилях;

• функции предиктивного ввода текста и автозаполнения в смартфонах и текстовых редакторах;

• алгоритмы торговли акциями.

Слабый ИИ работает на основе предопределённых алгоритмов и правил. Он не может выполнять задачи вне своей тематической области.

Сильным ИИ (AGI) называют гипотетическую систему, которая продемонстрирует универсальный интеллект, подобный человеческому. В отличие от слабого, сильный ИИ будет обладать способностью понимать, учиться и применять знания в различных областях. В результате он сможет выполнять когнитивные задачи без специальной подготовки. Сильный ИИ пока что остаётся теоретической концепцией.

Машинное обучение (МО)

Это класс алгоритмических методов, с помощью которых компьютеры выполняют задачи на основе шаблонов и логических выводов. Обучение этих алгоритмов позволяет создавать модели машинного обучения — программы, которые принимают ранее неизвестные входные данные и приходят к определённым выводам.

Все модели машинного обучения выполняют один из двух основных типов задач: классификацию или регрессию.

Отличия ИИ от МО

Несмотря на то, что между МО и ИИ много общего, эти две области, несомненно, отличаются друг от друга.

Цели

Основная цель создания ИИ — разработка машин, имитирующих когнитивные способности человека, такие как:

• рассуждение;

• обучение;

• решение проблем;

• восприятие;

• понимание естественного языка;

• понимание контекста;

• принятие решений в каждом конкретном случае. 

С другой стороны, основная цель создателей моделей МО — дать компьютерам возможность учиться и делать прогнозы или принимать решения. То есть создать системы, которые автоматически обнаруживают закономерности, извлекают идеи и обобщают данные для выполнения задач классификации и регрессии.

Методы обучения

ИИ охватывает множество методов обучения:

• Символическое обучение (подходы, основанные на логике). Подразумевает использование явно определённых правил, логики и символических представлений для выполнения рассуждений и принятия решений. Упор делается на созданные человеком базы знаний и правила вывода для решения проблем и принятия решений.

• Субсимвольное обучение (подходы, основанные на данных). Подразумевает использование статистических и вычислительных методов для изучения шаблонов и представлений непосредственно из данных. Этот подход опирается на нейронные сети и модели МО, улучшающие качество своей работы по мере накопления опыта.

• Гибридные подходы к обучению. Сочетают символическое и субсимвольное обучение.

Основные методы обучения в МО включают:

• Контролируемое обучение. Использует размеченные данные во время обучения модели. Каждый фрагмент входных данных сопоставляется с соответствующим выходом, и модель обучается на корреляциях между парами вход-выход.

• Неконтролируемое обучение. Опирается на неразмеченные данные. Модель должна находить закономерности и взаимосвязи, не полагаясь на предопределённые метки ввода-вывода.

• Полуконтролируемое обучение. Комбинированное использование размеченных и неразмеченных обучающих данных.

• Обучение с подкреплением. Позволяет алгоритму взаимодействовать с окружающей средой и получать штрафы или вознаграждения в зависимости от точности работы. Модель учится, выясняя, как максимизировать кумулятивные вознаграждения с течением времени.

• поведения децентрализованных агентов [1].

Блокчейн

В настоящее время многие из нас всё чаще сталкиваются с терминами "биткоин" и "криптовалюты" из различных источников. Несмотря на их популярность в разных странах, многие люди не полностью понимают эти понятия или вовсе не знакомы с ними. Тем не менее, важно обратить внимание на систему, на которой основаны эти технологии, а именно на блокчейн.

Блокчейн (англ. «blockchain», «block» - блок, «chein» - цепь) - это распределенная база данных, состоящая из «цепочки блоков», устройства хранения блоков не подключены к общему серверу, база данных позволяет контролировать достоверность транзакций без надзора каких либо финансовых регуляторов. Проверкой транзакций занимаются так называемые майнеры - участники системы, которые подтверждают подлинность совершенных действий, а затем формируют из записей транзакций блоки.

Реестр хранится одновременно у всех участников системы и автоматически обновляется при малейшем изменении. Каждый имеет доступ к информации о любой транзакции, когда-либо осуществленной. Пользователи выступают в качестве коллективного нотариуса, который подтверждает истинность информации в базе данных.

Блокчейн является распределенной и децентраливанной базой данных, сформированной участниками, в которой невозможно фальсифицировать данные из-за хронологической записи и публичного подтверждения всеми участниками сети транзакции. Основной и главной особенностью блокчейна является использование алгоритмов математического вычисления, и исключение «человека» и человеческого фактора при принятии решения системой [2].

Роботизация и автоматизация в производстве

Роботизация и автоматизация в производстве — это процессы, которые уже давно существуют в промышленности, но с развитием новых технологий они приобрели еще большую значимость. Роботы и автоматизированные системы способны выполнять разнообразные задачи, которые ранее могли выполнять только люди, и делают это с большей эффективностью и точностью.

Одной из основных причин внедрения роботизации и автоматизации является рост производительности и снижение производственных затрат. Роботы могут работать круглосуточно без перерывов, что позволяет сократить время на производство и увеличить объем выпускаемой продукции. Кроме того, автоматизированные системы отличаются высокой точностью и надежностью, что способствует уменьшению количества бракованной продукции и повышению качества.

Тем не менее, внедрение роботизации и автоматизации может привести к сокращению рабочих мест, особенно в тех секторах, где ранее требовалось много человеческого труда. Также внедрение новых технологий может потребовать значительных инвестиций и затрат на обучение сотрудников.

Несмотря на это, роботизация и автоматизация производства открывают большие перспективы для развития промышленности и создания новых бизнес-возможностей. В частности, автоматизированные системы могут быть использованы для создания более гибких и адаптивных производственных линий, которые могут быстро подстраиваться под изменения на рынке.

Кроме того, роботизация и автоматизация могут помочь в решении различных экологических проблем, таких как снижение выбросов вредных веществ и уменьшение потребления энергии. Например, автоматизированные системы могут использоваться для мониторинга и управления энергопотреблением в производственных помещениях. В целом, роботизация и автоматизация в производстве представляют собой важное направление для дальнейшего развития промышленности и экономики в целом. Однако необходимо учитывать и решать проблемы, связанные с социальными последствиями и экологическими рисками, возникающими при внедрении новых технологий [3].

Заключение. Современные технологии в области экономики и бизнеса открывают широкий спектр возможностей для развития и внедрения инноваций. Искусственный интеллект, блокчейн, интернет вещей, большие данные и автоматизация — это не просто популярные тренды, а важные инструменты, которые становятся основой для бизнеса сегодня. Осваивая эти технологии, компании могут не только улучшить свою эффективность, но и получить конкурентное преимущество на стремительно меняющемся рынке. Важно адаптироваться к новым условиям и использовать возможности, которые предлагают эти технологические достижения, чтобы опережать соперников.

СПИСОК ИСТОЧНИКОВ

1. Искусственный интеллект = машинное обучение? - URL: https://habr.com/ru/companies/sberbank/articles/840820/ (дата обращения: 22.02.2025).- Текст : электронный.

2. Понятие блокчейн и возможности его использования - URL: https://cyberleninka.ru/article/n/ponyatie-blokcheyn-i-vozmozhnosti-ego-ispolzovaniya/viewer (дата обращения: 22.02.2025).- Текст : электронный.

3. Роботизация и автоматизация в производстве- URL: https://spravochnick.ru/avtomatizaciya_tehnologicheskih_processov/robotizaciya_i_avtomatizaciya_proizvodstva_preimuschestva_i_nedostatki/ (дата обращения: 22.02.2025).- Текст : электронный.

Код для цитирования: Скопировать