ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕНЕДЖМЕНТЕ СОВРЕМЕННЫХ КОМПАНИЙ

АННОТАЦИЯ

В статье рассматриваются возможности применения технологий искусственного интеллекта в системе управления современными компаниями. Систематизированы три ключевых направления использования ИИ в организациях: автоматизация бизнес-процессов, аналитическая поддержка управленческих решений и когнитивное взаимодействие. Предложена концептуальная четырёхуровневая модель интеграции ИИ в управленческие процессы. На реальных данных (Superstore Sales Dataset, n = 9 994) проведено сравнительное тестирование линейной регрессии, случайного леса и многослойного перцептрона; выполнено многокритериальное сравнение ИИ-подходов с традиционным экспертным методом. Результаты подтверждают целесообразность гибридного подхода и указывают на то, что качество данных и организационный контекст внедрения имеют не меньшее значение, чем выбор алгоритма.

Ключевые слова: искусственный интеллект, менеджмент, машинное обучение, нейронные сети, управленческие решения, прогнозирование продаж, Data Mining.

Введение

Современные компании работают в условиях, когда объём данных, необходимых для принятия управленческих решений, превысил возможности традиционных аналитических методов. Экспертные оценки и ретроспективный анализ по-прежнему востребованы, однако задачи прогнозирования спроса, управления цепочками поставок и персонализации клиентского опыта — области, в которых статистические методы с фиксированными допущениями регулярно уступают алгоритмам, способным обучаться на данных. По данным McKinsey, к 2023 году более 50 % компаний внедрили хотя бы один ИИ-инструмент в свои бизнес-процессы [3]. Вместе с тем разрыв между теоретическими возможностями ИИ и практикой его применения велик: значительная часть проектов цифровой трансформации не достигает заявленного эффекта.

Цель статьи — разработать концептуальную модель применения ИИ-технологий для поддержки управленческих решений и провести сравнительную оценку нескольких методов машинного обучения на реальных данных. Методологическую основу составляют системный анализ, экономико-математическое моделирование, методы Data Mining [4] и нейронные сети [2]; практическая часть выполнена на языке Python с использованием библиотек scikit-learn и TensorFlow/Keras.

1. Направления применения ИИ в организациях: теоретические основы

Давенпорт и Ронанки, проанализировав 152 проекта внедрения, предложили классификацию, охватывающую три основных направления [1]. Первое — автоматизация бизнес-процессов посредством роботизированных систем (RPA), берущих на себя рутинные операции. Опыт NASA показателен: четыре пилотных RPA-проекта в области управления персоналом и финансов обеспечили автоматическое выполнение 86 % транзакций без участия сотрудников. Высвобождённое время персонал направил на задачи, требующие суждения и экспертизы.

Второе направление — аналитическая поддержка управленческих решений: алгоритмы машинного обучения выявляют закономерности в больших массивах данных. GE применила машинное обучение для интеграции данных поставщиков и сэкономила 80  млн. долл. в первый год за счёт устранения дублирований в контрактах [1]. Третье направление — когнитивное взаимодействие: NLP-агенты обеспечивают круглосуточный ответ на запросы сотрудников и клиентов.

Характерно, что во всех трёх направлениях ИИ выступает прежде всего дополнением к человеческим возможностям: лишь 22 % руководителей называли сокращение персонала основной целью внедрения [1]. Шреста с соавторами выделяют три ключевых риска [5]: непрозрачность алгоритмов («чёрный ящик»), предвзятость обучающих данных и организационное сопротивление персонала.

2. Концептуальная четырёхуровневая модель интеграции ИИ

На основе анализа теоретических источников и обобщения практического опыта предложена четырёхуровневая модель интеграции ИИ в систему управления. Переход к следующему уровню без проработки предыдущего существенно снижает шансы на успех.

Диагностический уровень — оценка текущих управленческих процессов, выявление задач для автоматизации или алгоритмической поддержки. Без этого этапа внедрение нередко превращается в технологию ради технологии.

Инфраструктурный уровень — создание технической базы: систематический сбор и хранение данных, обеспечение их качества и доступности. На практике от 60 до 80 % времени в проектах машинного обучения уходит именно на подготовку данных, а не на построение моделей.

Алгоритмический уровень — выбор, разработка и настройка моделей под конкретные управленческие задачи. Избыточная архитектура при недостаточном числе информативных признаков не даёт прироста точности, но требует значительных вычислительных ресурсов.

Организационный уровень — встраивание алгоритмических систем в реальные управленческие процедуры. Ключевые вопросы: кто несёт ответственность за решение, как учитываются рекомендации модели при расхождении с суждением эксперта, как организован мониторинг качества модели. Без этого уровня даже хорошо работающая модель остаётся невостребованной.

3. Сравнительная апробация методов прогнозирования на реальных данных

3.1. Данные и методология

Практическая часть выполнена на открытом наборе данных Superstore Sales Dataset (9 994 транзакции за 2014–2017 гг.). Задача сформулирована как регрессионное прогнозирование объёма продаж по транзакции. Предобработка: One-Hot Encoding категориальных переменных, Z-нормализация числовых признаков, логарифмическое преобразование целевой переменной. Обучающая выборка — 7 995 наблюдений, тестовая — 1 999.

Сравнивались три модели. Линейная регрессия — базовый эталон с максимальной интерпретируемостью. Случайный лес (200 деревьев) — ансамблевый метод, устойчивый к переобучению и способный улавливать нелинейные зависимости. Многослойный перцептрон (MLP): архитектура 128–64–32 нейрона, Dropout 0,2, оптимизатор Adam [2]. Качество моделей оценивалось по RMSE и MAE на тестовой выборке.

3.2. Результаты тестирования

Таблица 1.

Итоговые метрики качества моделей

Разброс по RMSE не превышает 10 долл. при среднем чеке в несколько сотен долларов: все три алгоритма упираются в один информационный предел при семи входных признаках. Аналогичный эффект зафиксирован в сравнительных исследованиях M4 [6]: усложнение модели при недостаточном числе информативных признаков не даёт прироста точности, но увеличивает вычислительную стоимость и время разработки. Анализ важности признаков для случайного леса показал наибольший вклад подкатегорий с высоким средним чеком — копировальной техники и промышленного оборудования.

3.3. Многокритериальное сравнение ИИ-методов и традиционного подхода

Для практических выводов одной метрики точности недостаточно. В таблице 2 приведено многокритериальное сравнение трёх ИИ-методов с традиционным экспертным подходом по семи критериям (5 — наилучший результат).

Таблица 2.

Многокритериальное сравнение методов

Линейная регрессия при сопоставимой точности существенно выигрывает по интерпретируемости и стоимости внедрения, что делает её предпочтительным выбором на начальном этапе. Случайный лес представляет разумный компромисс. Нейросетевые методы оправданы при существенном росте объёма и разнообразия входных данных. Экспертный метод проигрывает по масштабируемости: эксперт не может обрабатывать тысячи заявок одновременно и не улучшается автоматически при поступлении новых данных. Оптимальным для большинства управленческих задач представляется гибридный сценарий: алгоритм берёт на себя массовый прогноз, эксперт корректирует нестандартные случаи [1].

Заключение

Проведённое исследование позволяет сформулировать три вывода. Во-первых, выбор конкретного алгоритма имеет меньшее значение, чем качество данных и продуманность организационного контекста внедрения — это главный практический вывод как теоретического анализа, так и экспериментальной части. Во-вторых, предложенная четырёхуровневая модель (диагностический, инфраструктурный, алгоритмический и организационный уровни) позволяет компаниям структурировать процесс внедрения ИИ и выявить узкие места ещё до начала технической разработки. В-третьих, в задачах прогнозирования с ограниченным набором признаков простые и интерпретируемые модели конкурентоспособны по точности, но существенно выигрывают по стоимости разработки и понятности для лиц, принимающих решения.

Научная новизна работы состоит в разработке концептуальной четырёхуровневой модели интеграции ИИ с позиций математического и информационного обеспечения экономической деятельности, а также в количественном сравнении трёх классов алгоритмов по семи управленческим критериям на реальных данных. Предложенный пайплайн прогнозирования и концептуальная модель могут быть применены как в коммерческих компаниях, так и в организациях государственного сектора.

Список литературы:

1. Davenport T.H., Ronanki R. Artificial Intelligence for the Real World // Harvard Business Review. 2018. Vol. 96(1). P. 108–116.
2. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow. 2-е изд. М.: Вильямс, 2020. 688 с.
3. McKinsey & Company. The State of AI in 2023. McKinsey Analytics Report, 2023.
4. Varian H.R. Big Data: New Tricks for Econometrics // Journal of Economic Perspectives. 2014. Vol. 28(2). P. 3–28.
5. Shrestha Y.R., Ben-Menahem S.M., von Krogh G. Organizational Decision-Making Structures in the Age of AI // California Management Review. 2021. Vol. 63(4). P. 66–94.
6. Makridakis S., Spiliotis E., Assimakopoulos V. The M4 Competition: 100,000 Time Series and Forecasting Methods // International Journal of Forecasting. 2020. Vol. 36(1). P. 54–74.
7. Barykin S.Y. et al. Digital Transformation of Managerial Decision-Making // Journal of Open Innovation: Technology, Market, and Complexity. 2021. Vol. 7(3). P. 173.
8. Agrawal A., Gans J., Goldfarb A. Prediction Machines: The Simple Economics of Artificial Intelligence. Harvard Business Review Press, 2018. 250 p.