Системы поддержки принятия решений на базе искусственного интеллекта: интеграция, адаптация и оценка эффективности

Цель. Провести комплексный анализ систем поддержки принятия решений (СППР), основанный на технологиях искусственного интеллекта (ИИ), с акцентом на их интеграцию в бизнес-процессы и оценку эффективности.

Задачи. Исследовать главные этапы развития СППР на базе ИИ; определить ключевые показатели эффективности для оценки их финансового, операционного и стратегического воздействия; выбрать основные вызовы при таких внедрениях и долгосрочные эффекты систем; сформулировать рекомендации по повышению их интерпретируемости и адаптивности.

Методология. Авторами применены методы системного анализа, обобщения практического опыта и исследования. Рассмотрены современные тенденции в применении ИИ, успешные кейсы из практики крупных компаний (JPMorgan Chase, General Electric, Amazon) и концепции «J-кривой продуктивности» для анализа долгосрочных эффектов.

Результаты. Интеграция ИИ в СППР дает лучший потенциал в повышении эффективности работы, снижении затрат и повышении качества управленческих решений. Разработана комплексная модель оценки эффективности, включающая в себя и количественные, и качественные показатели.

Выводы. Применение СППР на базе ИИ позволяет не только повысить точность и скорость управленческих решений, но и оптимизировать использование ресурсов, адаптироваться к динамичной рыночной среде. Однако успешная интеграция таких систем требует решения ряда задач, включая повышение качества данных, улучшение интерпретируемости алгоритмов и адаптацию персонала к новым технологиям. Гибридные модели, сочетающие возможности ИИ и когнитивные методы, открывают перспективное направление, способное повысить эффективность и адаптивность СППР в условиях неопределенности. Внедрение предлагаемых подходов приводит к росту конкурентоспособности и устойчивости компаний.  

1. Gartner top 10 strategic technology trends for 2024 // Gartner. 2024. URL: https://www.gartner.com/en/articles/gartner-top-10-strategic-technology-trends-for-2024 (дата обращения: 11.09.2024).

2. Brynjolfsson E., Rock D., Syverson C. The productivity J-curve: How intangibles complement general purpose technologies // American Economic Journal: Macroeconomics. 2021. Vol. 13. No. 1. P. 333–372. DOI: 10.1257/mac.20180386

3. The state of AI in early 2024: Gen AI adoption spikes and starts to generate value // McKinsey & Company. May 30, 2023. URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai (дата обращения: 12.09.2024).

4. Oppioli M., Sousa M. J., Sousa M., de Nuccio E. The role of artificial intelligence for management decision: A structured literature review // Management Decision. 2023. DOI: 10.1108/MD-08-2023-1331

5. Duan Y., Edwards J. S., Dwivedi Y. K. Artificial intelligence for decision making in the era of Big Data — evolution, challenges and research agenda // International Journal of Information Management. 2019. Vol. 48. P. 63–71. DOI: 10.1016/j.ijinfomgt.2019.01.021

6. Barredo Arrieta A., Díaz-Rodríguez N., Del Ser J., et al. Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI // Information Fusion. 2020. Vol. 58. P. 82–115. DOI: 10.1016/j.inffus.2019.12.012

7. Искусственный интеллект в России в 2023 году: тренды и перспективы // ICT.Moscow. 2023. URL: https://ict.moscow/projects/ai/research/iskusstvennyi-intellekt-v-rossii-v-2023-godu-trendy-i-perspektivy/ (дата обращения: 12.09.2024).

8. Floridi L., Cowls J., Beltrametti M., et al. AI4People — An ethical framework for a good AI society: opportunities, risks, principles, and recommendations // Minds and Machines. 2018. Vol. 28. No. 4. P. 689–707. DOI: 10.1007/s11023-018-9482-5

9. Benbya H., Pachidi S., Jarvenpaa S. Special issue editorial: Artificial intelligence in organizations: Implications for information systems research // Journal of the Association for Information Systems. 2021. Vol. 22. No. 2. P. 282–303. DOI: 10.17705/1jais.00662

10. Wamba S. F., Bawack R. E., Guthrie C., Queiroz M. M., Carillo K. D. A. Are we preparing for a good AI society? A bibliometric review and research agenda // Technological Forecasting and Social Change. 2021. Vol. 164. Article 120482. DOI: 10.1016/j.techfore.2020.120482

11. Stoykova S., Shakev N. Artificial intelligence for management information systems: Opportunities, challenges and future directions // Algorithms. 2023. Vol. 16. No. 8. P. 357. DOI: 10.3390/a16080357

12. Taherdoost H. Deep learning and neural networks: Decision-making implications // Symmetry. 2023. Vol. 15. No. 9. Article 1723. DOI: 10.3390/sym15091723

13. Dias W. P. S., Weerasinghe R. L. D. Artificial neural networks for construction bid decisions // Civil Engineering Systems. 1996. Vol. 13. No. 3. P. 239–253. DOI: 10.1080/02630259608970200

14. Sadeghian R., Sadeghian M. R. A decision support system based on artificial neural network and fuzzy analytic network process for selection of machine tools in a flexible manufacturing system // International Journal of Advanced Manufacturing Technology. 2016. Vol. 82. No. 9. P. 1795–1803. DOI: 10.1007/s00170-015-7440-4

15. He X., Zhao K., Chu X. AutoML: A survey of the state-of-the-art // Knowledge-Based Systems. 2021. Vol. 212. Article 106622. DOI: 10.1016/j.knosys.2020.106622

16. Zöller M. A., Huber M. F. Benchmark and survey of automated machine learning frameworks // Journal of Artificial Intelligence Research. 2021. Vol. 70. P. 409–472. DOI: 10.1613/jair.1.11854

17. Искусственный интеллект в России — 2023: тренды и перспективы // Яков и Партнеры. URL: https://yakovpartners.ru/publications/ai-future/ (дата обращения: 12.09.2024).

18. Смагин В.С. Промышленный Интернет — мечты сбываются // ИСУП. 2016. № 5. С. 61–63. URL: https://isup.ru/upload/pdf-zhurnala/2018%20i%20dalee/2016/5/060_063_ Advantek%20inzheniring.pdf (дата обращения: 20.09.2024).

19. Применение искусственного интеллекта в логистике // Itob.ru. 2024. 18 июня. URL: https://itob.ru/blog/primenenie-iskusstvennogo-intellekta-v-logistike/ (дата обращения: 20.09.2024).

20. Because AI is only half the answer // Digital Data Design Institute at Harvard. URL: https://d3.harvard.edu/ (дата обращения: 20.09.2024).

21. JPMorgan reduced lawyers’ hours by 360,000 annually by automating loan agreement analysis with machine learning software COIN // Best Practice AI. URL: https://www.bestpractice.ai/ai-case-study-best-practice/jpmorgan_reduced_lawyers’_hours_by_360%2C000_annually_by_automating_loan_agreement_analysis_with_machine_learning_software_coin (дата обращения: 20.09.2024).

22. Bromels J. 3 ways GE’s Predix is revolutionizing customers’ operations // Fox Business. URL: https://www.foxbusiness.com/markets/3-ways-ges-predix-is-revolutionizing-customers-operations (дата обращения: 20.09.2024).

23. Afzal F., Yunfei S., Nazir M., Bhatti S. A review of artificial intelligence based risk assessment methods for capturing complexity-risk interdependencies // International Journal of Managing Projects in Business. 2021. Vol. 14. No. 2. P. 300–328. DOI: 10.1108/ijmpb-02-2019-0047

24. Azeez M., Akpinar M., Ayar K. A hybrid prediction approach using multiple linear regression and decision trees // 2023 9th International сonference on information technology trends (Dubai, May 24–25, 2023). New York, NY: IEEE, 2023. P. 61–66. DOI: 10.1109/ITT59889.2023.10184242

25. Weiser A.-K., Krogh G. von. Artificial intelligence and radical uncertainty // European Management Review. 2023. Vol. 20. No. 3. P. 711–717. DOI: 10.1111/emre.12630