АНАЛИЗ И ПРОГНОЗИРОВАНИЕ ДАННЫХ В МЕНЕДЖМЕНТЕ КАЧЕСТВА ГОСУДАРСТВЕННЫХ СТРУКТУР С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

ANALYSIS AND FORECASTING OF DATA IN QUALITY MANAGEMENT OF GOVERNMENT STRUCTURES USING MACHINE LEARNING METHODS

Roman Muravyov

2nd year student, master's degree course "Quality Management", Volga State Technological University,

Yoshkar-Ola, Russia

Vilena Elagina

Scientific supervisor, Candidate of Economic Sciences, Associate Professor, Volga State Technological University,

Russia, Yoshkar-Ola

АННОТАЦИЯ

Данная статья посвящена анализу и прогнозированию данных в менеджменте качества государственных структур с использованием методов машинного обучения. Основной акцент делается на возможностях прогнозирования значений целевых переменных, выявлении проблемных областей и группировке данных на основе сходства. Рассмотрены положительные и отрицательные стороны применения данных методов.

ABSTRACT

This article is devoted to the analysis and forecasting of data in the quality management of government agencies using machine learning methods. The main focus is on the possibilities of predicting the values of target variables, identifying problem areas and grouping data based on similarity. The positive and negative sides of the application of these methods are considered.

Ключевые слова: индустрия 4.0, искусственный интеллект, машинное обучение, менеджмент качества, государственные структуры.

Keywords: industry 4.0, artificial intelligence, machine learning, quality management, government agencies.

В условиях Индустрии 4.0 организации все больше осознают необходимость использования аналитики данных для повышения менеджмента качества деятельности в целях улучшения своей эффективности и принятия взвешенных решений. Государственные структуры не являются исключением. Они сталкиваются с различными вызовами, такими как повышение эффективности систем менеджмента качества оказываемых услуг, улучшение взаимодействия с гражданами и оптимизация процессов внутри организации.

Анализ и прогнозирование данных играют ключевую роль в управлении качеством не только государственных, но и иных структур. Правильная интерпретация данных позволяет идентифицировать причины проблем и рассчитать наиболее эффективные стратегии для их разрешения, минуя ограничения, установленные традиционными методами анализа.

Целью исследования является – анализ применения методов машинного обучения в менеджменте качества государственных структур с целью анализа и прогнозирования данных в условиях Индустрии 4.0.

Объектом исследования являются - научные труды отечественных и зарубежных теоретиков.

Методы исследования - Анализ научных статей и публикаций прессы по исследуемой проблематике; Сбор, обработка и анализ информации в области применения методов машинного обучения для аналитики и прогнозирования данных.

Впервые термин «Машинное обучение» был введён Артуром Сэмюэлем, подразумевающим - автоматическое обучение компьютера на базе математических представлений данных без необходимости дополнительных инструкций [4, с. 41].

По мнению Михеева, под машинным обучением подразумевается одно из направлений искусственного интеллекта, основной функцией которого является создание систем, постоянно обучающихся на основе получаемых им данных [6, c. 108].

Машинное обучение имеет свои особенности. Во-первых, для достижения непредвзятого решения вычислительной системе необходимо основываться на репрезентативных, релевантных и правильно размеченных наборах данных.

Во-вторых, алгоритмы работы нейронных сетей часто сложны для интерпретации, и поэтому результаты их работы могут вызывать сомнения и быть отвергнуты человеком. Отсутствие понимания того, как искусственный интеллект достигает результатов, становится причиной недоверия к современным технологиям искусственного интеллекта и может затруднять их развитие [3, c. 44].

В соответствии с Указом Президента РФ от 9 мая 2017 г. N 203 «О Стратегии развития информационного общества в Российской Федерации на 2017-2030 годы» машинное обучение стало все более широко используемым благодаря ряду вычислительных систем, основанных на принципах нейронных сетей, которые имитируют работу человеческого мозга. Это привело к заметному повышению качества разрабатываемых технологических решений. Дальнейшую основу применения машинного обучения в государственных структурах заложил Федеральный проект «Цифровое государственное управление» национальной программы «Цифровая экономика Российской Федерации» реализуемый в рамках государственной программы «Информационное общество». Согласно указанному проекту целью цифровой трансформации системы государственного управления, выступает обеспечение качественно нового уровня предоставления услуг как гражданам, так и бизнесу.

Государственные организации становятся все более заинтересованными в применении машинного обучения для решения сложных задач. Множество областей государственной деятельности, в рамках менеджмента качества требуют анализа больших объемов данных, и машинное обучение делает это возможным. Однако стоит указать, что представляет из себя менеджмент качества государственных структур и как машинное обучение влияет на его работу.

Менеджмент качества государственных структур подразумевает систематическую организацию и управление процессами, целями и задачами, направленными на обеспечение и повышение качества предоставления государственных услуг, выполнение задач государственных организаций и достижение стратегических целей государства. Главной задачей менеджмента качества государственных структур является улучшение качества и эффективности государственного управления, повышение удовлетворенности граждан и повышение доверия общества к государственным органам.

В рамках менеджмента качества рассматриваются такие аспекты, как планирование и управление процессами, контроль качества, управление рисками, стандартизация и сертификация, участие граждан, анализ данных и постоянное совершенствование системы управления качеством.

Машинное обучение может помочь государственным структурам в принятии решений на основе объективных данных. Алгоритмы машинного обучения могут анализировать большие наборы данных и выявлять скрытые закономерности и тенденции, которые могут быть незаметны для человеческого взгляда.

Машинное обучение также может быть использовано для оптимизации работы государственных служб и улучшения процесса принятия решений.

Одной из основных задач в менеджменте качества государственных структур является контроль и улучшение качества предоставляемых услуг. Для этого необходимо иметь надежный инструмент, который будет анализировать данные и предоставлять прогнозы по их развитию. Методы машинного обучения позволяют создать такой инструмент, который способен обрабатывать большие объемы данных и выявлять скрытые закономерности.

Одним из методов машинного обучения, используемых в анализе данных в менеджменте качества государственных структур, является классификация [7, c. 202]. Этот метод позволяет разделить данные на классы в зависимости от определенных признаков. Например, он может использоваться для классификации заявок граждан по степени их сложности или для классификации предприятий по степени соответствия требованиям качества.

Другим методом машинного обучения, применяемым в анализе и прогнозировании данных в менеджменте качества государственных структур, является регрессия. С его помощью можно строить модели, которые предсказывают зависимость одной переменной от других. Например, можно создать модель, которая будет прогнозировать количество жалоб на дорожные работы в зависимости от погодных условий или темпа строительства.

Кроме того, методы кластеризации также находят применение в анализе и прогнозировании данных в менеджменте качества государственных структур. Эти методы позволяют выделить группы схожих значений и определить их типичные характеристики. Например, можно выделить кластеры предприятий, которые имеют схожие проблемы с качеством и разработать для них единые рекомендации по улучшению [7, c. 202].

Роль машинного обучения в государственных структурах также может быть связана с автоматизацией процессов. Алгоритмы машинного обучения могут выполнять сложные задачи автоматически, освобождая государственных служащих от рутинных задач и позволяя им сосредоточиться на более важных вопросах.

Если говорить о преимуществах машинного метода, то можно выделить следующие [2, с. 29]:

• Применение методов машинного обучения. Традиционно в менеджменте использовались статистические и экономические методы для анализа данных. Однако применение методов машинного обучения позволяет обрабатывать большие объемы данных, выявлять скрытые закономерности и делать более точные прогнозы. Это позволяет повысить эффективность управления и качество работы государственных структур.
• Интеграция различных источников данных. Машинное обучение позволяет объединять данные из разных источников, таких как базы данных, социальные сети, отчеты и т.д. Это позволяет получить более полное представление о работе государственных структур и провести более точный анализ.
• Прогнозирование и оптимизация процессов. Методы машинного обучения позволяют строить модели, которые могут предсказывать возникновение проблем в работе государственных структур и предлагать оптимальные решения. Например, модель может предсказывать вероятность возникновения коррупции или недостатка квалифицированных сотрудников и предлагать меры по их предотвращению.
• Автоматизация принятия решений. Машинное обучение позволяет автоматизировать процессы анализа данных и принятия решений, ускоряя и упрощая работу государственных структур. Например, система может автоматически анализировать отчеты и предлагать рекомендации по улучшению качества работы.

Говоря о преимуществах машинного обучения нельзя отметить недостатки и препятствия, которые возникают при применении данной технологии для анализа и прогнозирования:

• Недостаток качественных данных: для успешного применения методов машинного обучения необходимы качественные и достаточно объемные данные. В государственных структурах может возникнуть проблема с доступностью и качеством данных, что может затруднить анализ и прогнозирование.
• Недостаток квалифицированных специалистов: Развитие искусственного интеллекта требует наличия квалифицированных специалистов, которые могут разрабатывать и применять соответствующие технологии. Однако, в России наблюдается недостаток таких специалистов.
• Этическая сторона: использование методов машинного обучения в государственных структурах может вызывать этические вопросы, связанные с конфиденциальностью данных и прозрачностью принимаемых решений.

В качестве устранения данных недостатков предлагается создать единство межведомственной справочной информации в виде конкретных реестров. Такие информационные реестры могут быть как отраслевыми, так и национальными. Решением кадровой проблемы является создание дополнительных курсов по повышению квалификации сотрудников в данной сфере. Дополнительно следует проводить мероприятия по обмену опытом с теми субъектами, кто значительно продвинулся в сфере применения и развития методов машинного обучения. Для разрешения проблемы этической стороны следует разработать соответствующие политики и механизмы для обеспечения этического использования методов машинного обучения.

Таким образом, изучив представленные научные материалы, были рассмотрены определения машинного обучения, отражена заинтересованность государственных структур в его применении, а также сформированы следующие выводы: Применение методов машинного обучения в менеджменте качества государственных структур предоставляет новые возможности для анализа и прогнозирования данных. Однако, необходимо учитывать ограничения и вызовы, связанные с доступностью и качеством данных, а также этическими вопросами. Дальнейшее развитие исследований в этой области поможет эффективно управлять качеством предоставляемых государственных услуг и повысить уровень удовлетворенности клиентов.

Список литературы:

1. Аныш Хуберт Применение инструментов машинного обучения и интеллектуальный анализ данных в отношении баз данных с небольшим количеством записей // Advanced Engineering Research (Rostov-on-Don). 2021. №4. URL: https://cyberleninka.ru/article/n/primenenie-instrumentov-mashinnogo-obucheniya-i-intellektualnyy-analiz-dannyh-v-otnoshenii-baz-dannyh-s-nebolshim-kolichestvom (дата обращения: 17.12.2023).
2. Артюшин, Г. О. Обзор методов машинного обучения / Г. О. Артюшин, Д. А. Коржаков, Т. Р. Хайрулин // Матрица научного познания. – 2020. – № 6. – С. 27-31. – EDN JOKFXW.
3. Газимагамадова, Д. М. Машинное обучение / Д. М. Газимагамадова // Инновационный дискурс развития современной науки и технологий: Сборник статей III Международной научно-практической конференции, Петрозаводск, 23 декабря 2021 года. – Петрозаводcк: Международный центр научного партнерства «Новая Наука» (ИП Ивановская И.И.), 2021. – С. 45-50. – EDN XRBOPF.
4. Карапетян, Д.В. Перспективы использования искусственного интеллекта в государственном управлении // Формула менеджмента. 2020. №1 (12). URL: https://cyberleninka.ru/article/n/perspektivy-ispolzovaniya-iskusstvennogo-intellekta-v-gosudarstvennom-upravlenii (дата обращения: 17.12.2023).
5. Конев, К.А. Использование методов машинного обучения в задачах принятия решений при обеспечении качества в приборостроении // Экономика. Информатика. 2022. №4. URL: https://cyberleninka.ru/article/n/ispolzovanie-metodov-mashinnogo-obucheniya-v-zadachah-prinyatiya-resheniy-pri-obespechenii-kachestva-v-priborostroenii (дата обращения: 17.12.2023).
6. Михеев, А.В. Решение задач классификации методами машинного обучения / А.В. Михеев. — Текст : непосредственный // Молодой ученый. — 2021. — № 21 (363). — С. 107-110. — URL: https://moluch.ru/archive/363/81151/ (дата обращения: 17.12.2023).
7. Морозова, В. И. Прогнозирование методом машинного обучения / В. И. Морозова, Д. И. Логунова. — Текст : непосредственный // Молодой ученый. — 2022. — № 21 (416). — С. 202-204. — URL: https://moluch.ru/archive/416/92048/ (дата обращения: 17.12.2023).
8. Незнамов, А.В. Правовые аспекты реализации национальной Стратегии развития искусственного интеллекта до 2030 года // Вестник Университета имени О. Е. Кутафина. 2019. №12 (64). URL: https://cyberleninka.ru/article/n/pravovye-aspekty-realizatsii-natsionalnoy-strategii-razvitiya-iskusstvennogo-intellekta-do-2030-goda (дата обращения: 17.12.2023).
9. Юрочкин А.Г. Проблемы машинного обучения / А.Г. Юрочкин, Н.А. Коростелева // Вестник Воронежского института высоких технологий. - 2020. - № 1. - С. 49-51. - URL: https://www.elibrary.ru/download/elibrary_ 42684551_60814187.pdf (дата обращения: 17.12.2023).