МЕТОДОЛОГИЧЕСКИЕ ПОДХОДЫ К ПРОЕКТИРОВАНИЮ И ВНЕДРЕНИЮ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ В ЭКОНОМИКЕ

METHODOLOGICAL APPROACHES TO THE DESIGN AND IMPLEMENTATION OF INTELLIGENT INFORMATION SYSTEMS IN ECONOMICS

Staroverov Artem Sergeevich

Postgraduate student, Moscow University «Synergy»,

Russia, Moscow

Chemeris Olga Sergeevna

Candidate of Economic Sciences, Associate Professor at the HSBI, SPbPU,

Russia, Saint Petersburg

Associate Professor at the Department of Applied Mathematics, Moscow University «Synergy»,

Russia, Moscow

АННОТАЦИЯ

Данная работа посвящена комплексному анализу интеллектуальных информационных систем (ИИС) предприятий и организаций как ключевого инструмента цифровой трансформации в сфере экономики и управления. В статье рассматриваются основные понятия и признаки ИИС, включая системы поддержки принятия решений, экспертные системы, нейронные сети, машинное обучение и многоагентные системы. Особое внимание уделяется современным технологиям, лежащим в основе ИИС, таким как генеративный искусственный интеллект (GenAI), блокчейн и Интернет вещей (IoT).

Целью данной работы является исследование методологических подходов к проектированию и внедрению ИИС, в том числе использование CASE-технологий и системного анализа.

В результате исследования были систематизированы определения и классификации ИИС в экономике, выявлен и охарактеризован комплекс современных технологий, лежащих в их основе, включая генеративный ИИ, блокчейн и Интернет вещей, а также проведен сравнительный анализ ведущих платформ бизнес-аналитики (Tableau, QlikView, Power BI) с точки зрения их инструментальных возможностей поддержки экономического анализа и моделирования.

Практическая ценность работы заключается в том, что ее результаты могут быть использованы руководителями и ИТ-менеджерами для обоснования выбора и внедрения ИИС, разработчиками для формирования требований и архитектуры систем, а также в учебном процессе для структурированного изучения предметной области.

Направлениями дальнейших исследований являются разработка моделей оценки эффективности ИИС, углубленное изучение этико-правовых аспектов использования автономных систем и создание адаптивных архитектур, способных к непрерывному обучению в условиях быстро меняющейся среды.

ABSTRACT

This paper is devoted to a comprehensive analysis of intelligent information systems (IIS) of enterprises and organizations as a key tool for digital transformation in the fields of economics and management. The article covers the basic concepts and characteristics of IIS, including decision support systems, expert systems, neural networks, machine learning, and multi-agent systems. Special attention is paid to modern technologies underlying IIS, such as generative artificial intelligence (GenAI), blockchain, and the Internet of Things (IoT).

The purpose of this work is to study methodological approaches to the design and implementation of IIS, including the use of CASE technologies and system analysis.

As a result of the study, definitions and classifications of IIS in economics were systematized, the complex of modern technologies underlying them, including generative AI, blockchain, and the Internet of Things, was identified and characterized, and a comparative analysis of leading business intelligence platforms (Tableau, QlikView, Power BI) was conducted in terms of their instrumental capabilities to support economic analysis and modeling.

The practical value of the work lies in the fact that its results can be used by managers and IT specialists to justify the choice and implementation of IIS, by developers to form system requirements and architecture, as well as in the educational process for structured study of the subject area.

Directions for further research include the development of models to evaluate the effectiveness of IIS, in-depth study of the ethical and legal aspects of the use of autonomous systems, and the creation of adaptive architectures capable of continuous learning in a rapidly changing environment.

Ключевые слова: экономические информационные системы, интеллектуальные информационные системы, системы поддержки принятия решений, математические модели, статистические методы, инструментальные методы в экономике, искусственный интеллект, машинное обучение, большие данные, бизнес-аналитика, системный анализ, нейронные сети, IoT, блокчейн.

Keywords: economic information systems, intelligent information systems, decision support systems, mathematical models, statistical methods, instrumental methods in economics, artificial intelligence, machine learning, big data, business analytics, systems analysis, neural networks, IoT, blockchain.

Введение

Актуальность темы исследования обусловлена стремительной цифровой трансформацией экономики, при которой данные становятся ключевым стратегическим активом. В этих условиях эффективность управления и конкурентоспособность предприятий и организаций напрямую зависят от способности оперативно обрабатывать большие объемы информации и извлекать из них обоснованные прогнозы и решения на основе математического моделирования, статистического анализа и инструментальных методов обработки больших данных. Интеллектуальные информационные системы (ИИС), интегрирующие методы искусственного интеллекта и анализа данных, становятся центральным инструментом для решения задач математического и статистического анализа экономических процессов [12,13]. Однако их разработка и внедрение сопряжены с комплексом проблем, включая терминологическую разрозненность, быструю эволюцию технологического стека, сложности интеграции и обеспечения безопасности, что и определяет необходимость их системного изучения.

Новизна исследования заключается в комплексном и структурированном подходе к анализу интеллектуальных информационных систем. В отличие от узкоспециализированных работ, данное исследование объединяет анализ теоретических основ (признаки, классификации), современных технологических трендов (Generative AI, AI TRiSM, блокчейн, IoT) и практических аспектов их внедрения (требования, методологии разработки, сравнительный анализ рынка BI-платформ) в рамках единого исследования. Результатом является целостная картина экосистемы ИИС, связывающая теорию с практикой внедрения.

Объект исследования – экономические информационные системы, использующие методы искусственного интеллекта и интеллектуального анализа данных.

Предмет исследования – методология и инструментарий проектирования и внедрения интеллектуальных информационных систем для поддержки принятия управленческих решений в экономике.

Литературный обзор

Исследование показывает, что проблема интеллектуальных информационных систем активно разрабатывается в научной среде. Так, Костерин А.С. дает общее определение ИИС, акцентируя их роль в поддержке решений и автоматизации [4], в том числе в задачах экономического анализа, прогнозирования и оптимизации управленческих решений. Луценко Е.В. предлагает детализированную классификацию, выделяя такие признаки, как наличие экспертных систем, многоагентность и самообучение [6]. Вопросы технологического обеспечения раскрываются в работах Кузовковой Т.А., которая исследует Generative AI и вопросы управления доверием (AI TRiSM) [10], и в работах [4,6], анализирующих роль блокчейна и IoT. Дополняя технологический анализ, в работе [14] предлагается математическая модель оптимизации производственных ресурсов наукоемких компаний с учетом доли импорта, демонстрируя применение инструментальных методов в задачах экономического моделирования, аналогичных задачам интеллектуальных ИС.

Методологические аспекты, в частности применение CASE-технологий и системного анализа, освещены в трудах Зыкова С.В. [4] и Спициной И.А. [9], а Баранов А.Н. и Лебедев В.В. формулируют комплекс требований к проектированию ИИС [2]. Анализ современных инструментов представлен в работах Петрова Я.А. и др., посвященных системам Business Intelligence [11]. Таким образом, существует значительный массив исследований, однако зачастую они носят разрозненный характер, что подтверждает необходимость их синтеза в рамках данного исследования.

Цель исследования – провести комплексный системный анализ интеллектуальных информационных систем, обосновав методы их проектирования и внедрения, а также синтезировав теоретические подходы к их определению и классификации с современными технологическими трендами и практиками внедрения,

Материалы и методы исследования. В работе применялся комплекс общенаучных и специальных методов. В их числе: метод системного анализа (для рассмотрения ИИС как целостного объекта, этапы которого описаны Спициной И.А. [9]), сравнительный анализ (для сопоставления функциональности BI-платформ на основе данных отчета Gartner Magic Quadrant), классификация (для структурирования признаков и типов ИИС) и анализ литературных источников (труды упомянутых авторов и отраслевые отчеты). Материалами для исследования послужили научные публикации, статьи в рецензируемых журналах и открытые аналитические отчеты по рынку информационных технологий.

Результаты и обсуждение

Костерин А.С. дает следующее понятие [4]: «Интеллектуальные информационные системы – это автоматизированные системы, использующие методы искусственного интеллекта, такие как машинное обучение, экспертные системы и обработка естественного языка, для сбора, хранения, анализа и интерпретации данных с целью поддержки принятия решений, автоматизации процессов и повышения эффективности деятельности в различных сферах».

По мнению Луценко Е.В. основными признаками интеллектуальных информационных систем являются [7]:

1. Системы поддержки принятия решений включают интеллектуальные базы данных, NLP-интерфейсы, гипертекстовые системы, системы когнитивной графики (Power BI, QlikView и RapidMiner).

2. Экспертные системы решают сложные задачи, имитируют принятие решений экспертами в узкой области (Myscin, Dendral, IBM Watson Health).

3. Многоагентные системы – это динамические системы, где несколько агентов параллельно решают задачи (балансировка энергосетей)

4. Гипертекстовые системы предназначены для поиска информации по ключевым словам в базе данных.

5. Системы контекстной помощи требуют от пользователя самостоятельного поиска информации по заданной схеме и позволяют пользователю описать свою проблему или ситуацию.

6. Самообучающиеся системы (машинное обучение) используют алгоритмы для классификации и прогнозирования (Netflix, Amazon, чат-боты и виртуальные ассистенты (Siri)).

7. Индуктивные системы используют обобщение примеров от частного к общему.

8. Нейронные сети – параллельные устройства вычислений из взаимодействующих процессоров, обрабатывающих сигналы. Искусственная нейронная сеть – модель, состоящая из простых нейронов. Нейронные сети обучаются на примерах для распознавания образов, обработки сигналов и прогнозирования.

Модель искусственного нейрона представляет собой дискретный преобразователь информации, в котором входные сигналы, для i = 1, …, n,  где n – размерность пространства входных сигналов, взвешиваются соответствующими коэффициентами. Эти взвешенные сигналы суммируются для определения потенциала нейрона, служащего основой для дальнейшей обработки. Потенциал нейрона определяется по Формуле 1 [8].

где w_i – весовой коэффициент сигнала x_i

Формула 1. Потенциал Нейрона

Как пример, Tesla Autopilot – автономное вождение на основе искусственной нейронной сети [4].

9. Когнитивное моделирование (Google Duplex – звонки-ассистенты) – это метод анализа, основанный на структурировании знаний об объекте и внешней среде с помощью когнитивных карт и PEST-анализа (Policy, Economy, Society, Technology) [7].

10. Интеллектуальный анализ данных (Data Mining) – выявление скрытых закономерностей в данных (Semantic Scholar).

Ключевые технологии, лежащие в основе искусственного интеллекта, включая машинное обучение, нейронные сети, обработку естественного языка и алгоритм, формируют фундамент для развития более сложным и интеллектуальных систем. Внедрение таких методов способствует повышению точности экономической аналитики, автоматизации управленческих процессов и снижению влияния человеческого фактора при принятии решений.

Кузовкова Т.А. выделяет следующие технологии [10]:

1. Генеративный искусственный интеллект (GenAI), который служит инструментом для анализа больших объемов текстовой информации с использованием запросов на естественном языке, а также для улучшения качества цифровых изображений, редактирования материалов и быстрого прототипирования производственных процессов.

2. Базовые модели – масштабные предварительно обученные ИИ-модели, такие как крупные языковые модели (LMM), предназначенные для обобщения, генерации текста, классификации и формирования ответов на вопросы.

Инструменты управления доверием, рисками и безопасностью (AI TRiSM), направленные на обеспечение надежности, справедливости, эффективности и защиты данных. Эти системы помогают соблюдать этические нормы, обеспечивают конфиденциальность пользователей и минимизируют возможные риски при использовании ИИ-технологий [10].

Кемалов О.А. рассматривает блокчейн как передовую технологию, основанную на создании цепочки, связанных между собой блоков, каждый из которых содержит определенную информацию [5]. Эта система использует методы криптографической защиты для обеспечения целостности и безопасности данных, делая каждый блок уникальным и практически неизменным. Основной особенностью блокчейна является его способность функционировать в децентрализованной и распределенной сети, где информация хранится на множестве устройств. Такой подход повышает уровень защиты и надежности, поскольку изменить или уничтожить данные становится чрезвычайно сложно без согласия большинства участников сети.

Интернет вещей (IoT) – это сеть физических устройств, начиная от бытовых предметов и заканчивая промышленным оборудованием, которые подключены к сети Интернет для обмена и сбора данных. Благодаря развитию беспроводных технологий и микросервисной архитектуры сформировалась интегрированная экосистема, в которой устройства взаимодействуют друг с другом и обмениваются информацией в рамках глобальной сети.

Ключевыми особенностями IoT являются: связь (устройства подключены к Интернету), сенсоры (оснащены датчиками, которые собирают информацию), обработка данных (устройства способны анализировать полученные данные). Практическое применение IoT широко распространено в умных домах, торговых системах, здравоохранении, энергетике и других сферах [5].

Зыков С.В. указывает, что на этапе разработки системы широко используются CASE-технологии (Computer Aided Software Engineering) для быстрого создания прототипов и макетов. Использование CASE-технологий способствует привлечению пользователей к работе с прототипами, что помогает уточнить и дополнить требования к системе, выявленные на ранних этапах [3]. Методологии внедрения ИИС, включая стандарты PRINCE2, дополняют CASE-технологии подходами, описанными в [1], где акцентируется управление проектами разработки экономических ИС.

По мнению Баранова А. Н., Лебедева В. В., при проектировании интеллектуальных информационных систем необходимо соблюдать комплекс требований, обеспечивающих эффективность, надежность и безопасность системы [2]. Рассмотрим требования, разделенные по ключевым аспектам: функциональные (сбор, хранение и обработка данных, автоматизация процессов принятия управленческих решений, отчетность, удобный интерфейс, поддержка аналитических функций: моделирование бизнес-процессов, прогнозирование, сценарный анализ), нефункциональные (надежность, масштабируемость, производительность, безопасность, удобство использования), технические (интеграция с существующими ИС, современные технологии разработки, обновления без остановки системы), данные (качество, актуальность, различные форматы, обработка Big Data), архитектура (модульная структура, распределенная архитектура), развитие и поддержка (обновление знаний и правил системы, легкость внесения изменений в бизнес-логику без необходимости полной переработки системы), нормативные стандарты (например, ГОСТ Р ИСО/МЭК 27001) [11, 2].

Основная сложность при создании интеллектуальной информационной системы заключается в трудности восприятия всей системы как единого целого. Для преодоления этой проблемы рекомендуется использовать системный анализ, который помогает получить комплексное представление об объекте автоматизации и разрабатываемой информационной системы. Процесс проведения системного анализа, согласно исследованиям Спициной И. А., включает следующие этапы [9]:

1. Определение объекта автоматизации и его назначения – выявление предметной области и целей автоматизации;

2. Формулирование целей создаваемой системы – что именно должна решать ИС для повышения эффективности работы;

3. Анализ внутренней и внешней среды объекта – изучение текущего состояния, факторов влияния и прогнозирование возможных изменений;

4. Построение моделей автоматизируемых процессов – создание схем и диаграмм, отражающих текущие операции и взаимодействия;

5. Разработка новых моделей с учетом выявленных проблем – проектирование улучшенных процессов, устраняющих недостатки предыдущих;

6. Создание модели информационной системы – определение архитектуры, компонентов и алгоритмов работы системы;

7. Реализация и внедрение системы – создание программного продукта, его тестирование и интеграция в бизнес-процессы.

В процессе разработки ИС активно взаимодействуют пользователи, аналитики и разработчики: пользователи предоставляют знания о предметной области, аналитики формулируют требования, а разработчики реализуют их в виде функционирующего продукта [9].

Петров Я.А. и его коллеги в своей статье указывают, что современные подходы к информационно-аналитическому обеспечению управленческих решений тесно связаны с технологиями Business Intelligence (BI) [11]. Эти системы позволяют эффективно обрабатывать и визуализировать большие объемы бизнес-данных, что способствует более обоснованному принятию управленческих решений на основе математических и статистических методов анализа бизнес-данных. Передовые BI-платформы используют модели машинного обучения и аналитические алгоритмы для автоматического анализа данных, обеспечивая сквозной доступ к необходимой информации в реальном времени.

Ключевым элементом таких систем является аналитическая платформа, которая объединяет сбор данных из различных источников – как внутренних, так и внешних – и предоставляет инструменты для их анализа и визуализации. Благодаря этому руководители получают возможность создавать персонализированные отчеты, отслеживать ключевые показатели эффективности и выявлять тенденции в бизнесе. Инструменты BI включают в себя модули для интеграции данных, аналитические панели, системы отчетности и дашборды, что делает их незаменимыми для современных организаций, стремящихся к оперативному управлению и стратегическому развитию [11].

В настоящее время на рынке представлено более 20 различных платформ бизнес-аналитики, однако лидирующие позиции занимают такие решения, как Tableau и QlikView. Эти системы отличаются высокой популярностью благодаря своей удобству, функциональности и широким возможностям по визуализации данных.

Составим сравнительную таблицу самых популярных Business Intelligence-платформ, используемых как инструментальные средства экономического анализа (Таблица 1).

Таблица 1.

Сравнительная таблица Business Intelligence-платформ

Анализ подтверждается работой [1] по использованию BI в стратегическом управлении, где подчеркивается роль статистических методов и дашбордов для поддержки решений, что усиливает позиции платформ типа Power BI. Разработка и интеграция интеллектуальных информационных систем сопряжены с рядом сложностей: необходимость совместимости с существующей информационной инфраструктурой, обеспечение безопасности данных, защита от несанкционированного доступа и утечек информации. Также важной задачей является обучение персонала работе с новыми системами, изменение управленческих процессов для их эффективного использования. Не менее актуален и вопрос ответственности за автоматические решения системы.

Заключение

Проведенное исследование позволяет сделать вывод о том, что интеллектуальные информационные системы представляют собой закономерный этап эволюции информационных технологий, переходящий от пассивной обработки данных к активному генерированию интеллектуальных решений. На основе анализа работ различных авторов было уточнено понятие ИИС и выделен широкий спектр их видов, от классических экспертных систем до самообучающихся нейросетей. Было установлено, что современные ИИС базируются на конвергенции нескольких прорывных технологий, таких как машинное обучение, блокчейн и Интернет вещей, что создает синергетический эффект. Методологической основой успешной разработки ИИС являются системный анализ, математическое моделирование и статистические методы, а соблюдение комплекса функциональных, нефункциональных и архитектурных требований обеспечивает создание надежной и масштабируемой системы. Сравнительный анализ платформ бизнес-аналитики демонстрирует зрелость рынка решений для визуализации и анализа данных. Несмотря на значительный потенциал, внедрение ИИС сопряжено с рядом вызовов, включая проблемы технологической интеграции, обеспечения кибербезопасности, трансформации бизнес-процессов и решения этико-правовых вопросов ответственности за решения, принимаемые искусственным интеллектом. Таким образом, дальнейшее развитие интеллектуальных информационных систем будет определяться не только прогрессом в области алгоритмов ИИ, но и способностью организаций адаптироваться к новым технологическим реалиям, выстраивая эффективное взаимодействие между человеком и интеллектуальной системой. Особое значение приобретает развитие математического и инструментального аппарата анализа данных в экономике.

Список литературы:

1. Ампилогова, Э. Ф. Разработка программного обеспечения на основе концепции MVC-модели / Э. Ф. Ампилогова и др. // Научный редактор. – 2025. – С. 6.
2. Баранов, А. Н. Модели и методы интеллектуальных систем : учеб. курс / А. Н. Баранов, В. В. Лебедев. – Москва : Альянс-пресс, 2015. – 256 с.
3. Зыков, С. В. Проектирование и разработка корпоративных информационных систем : учеб. пособие / С. В. Зыков. – Москва : Ай Пи Ар Медиа, 2023. – 210 с. – ISBN 978-5-4497-1829-7.
4. Костерин, А. С. Основы проектирования интеллектуальных информационных систем / А. С. Костерин. – Москва : Издательство МГУ, 2017. – 160 с.
5. Кемалов, О. А. Блокчейн и Интернет вещей (IoT): взаимодействие и перспективы интеграции / О. А. Кемалов // Инновации и инвестиции. – 2024. – № 8. – С. 393–397.
6. Китанин, С. С. Перспективы применения технологии блокчейн в энергетическом секторе экономики / С. С. Китанин, Б. Д. Смольянов, О. С. Чемерис // Дискуссия. – 2024. – № 5 (126). – С. 51–57.
7. Луценко, Е. В. Интеллектуальные информационные системы : учеб. пособие / Е. В. Луценко. – Краснодар : КубГАУ, 2013. – 280 с.
8. Громов, Ю. Ю. Интеллектуальные информационные системы и технологии : учебное пособие / Ю. Ю. Громов, О. Г. Иванова, В. В. Алексеев и др. – Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2013. – 244 с. – ISBN 978-5-8265-1178-7. – С. 34.
9. Спицина, И. А. Метод поддержки принятия решений при разработке информационных систем на основе мультиагентного подхода / И. А. Спицина, К. А. Аксенов. – Москва : Издательский дом Академии естественных наук, 2023. – 150 с. – ISBN 978-5-91327-775-6. – DOI 10.17513/np.572.
10. Кузовкова, Т. А. Анализ перспектив развития искусственного интеллекта / Т. А. Кузовкова, М. М. Шаравова, Д. А. Катунин // Экономика и качество систем связи. – 2024. – № 1. – С. 135–140.
11. Петров, Я. А. Business Intelligence как современный инструмент бизнес-аналитики / Я. А. Петров и др. // Информационные технологии и системы: управление, экономика, транспорт, право. – 2020. – № 1. – С. 135–140.
12. ГОСТ Р ИСО/МЭК 27001-2021. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания. – Москва : Стандартинформ, 2021. – 24 с.
13. Gartner BI Magic Quadrant (2023): Обзор лидеров рынка. – Режим доступа: https://www.thoughtspot.com/data-trends/business-intelligence/gartner-magic-quadrant-bi-analytics. – Дата обращения: 16.08.2024.
14. Chemeris, O. Optimization of production resources in science-based companies: a mathematical model including a fixed share of imports / O. Chemeris, B. Borysenko // Technoeconomics: An International Journal. – 2024. – Vol. 3, No.4.