2024. №1 Vol.18

      Статья посвящена разработке методов создания интеллектуальных помощников. Интеллектуальные помощники могут применяться в колл-центрах для решения проблем клиентов, для решения задач техподдержки, для помощи людям с ограниченными возможностями, для помощи в выборе товаров и др. Рассматриваются интеллектуальные помощники, ведущие аргументативный диалог с пользователями, направленный на поиск товаров и услуг, максимально удовлетворяющих желания и потребности пользователей. Разработка интеллектуального помощника ведется на основе четырехуровневой модели предметной области и семантической модели пользователя. Разрабатываемая система автоматизирует процесс поиска и обоснования решения за счет повторного использования прецедентов – накопленных ранее знаний о предыдущих диалогах с пользователями. Это дает разрабатываемой системе преимущество перед имеющимися аналогами, которые неспособны к переиспользованию знаний о предыдущих диалогах. В статье разрабатывается прецедентный подход к созданию интеллектуальной системы, способной аргументировать свои ответы. Для этого строится граф аргументации, разрабатываются методы структурирования прецедентов, используются онтологические гомоморфизмы для преобразования имеющихся прецедентов в готовое решение. Представлено описание теоретико-модельных методов построения интеллектуальных помощников. Прецеденты товаров, пользователей и диалогов интеллектуального помощника с пользователями формально описываются в виде частичных моделей. Преобразование прецедентов и сходство прецедентов формализуется при помощи онтологических гомоморфизмов частичных моделей. Цель разрабатываемой диалоговой системы – не только подобрать решение по запросу пользователя, но и выяснить задачи, которые собирается решать пользователь, провести анализ его аргументации, а затем обосновать пользователю предложенное решение, показать, что именно этот товар или услуга смогут удовлетворить его потребности.

      В настоящее время представление процедуры выработки управленческих воздействий при осуществлении процесса планирования в научном и профессиональном сообществе зачастую не соответствует практике системного и последовательного формирования планов при поддержке информационно-аналитической системы. Вместо этого процесс планирования опирается на неформализованную деятельность лица, принимающего решение, которой характерен точечный ситуативный экспертный подход. Данное исследование направлено на разработку аналитического подхода к осуществлению процедуры согласования планов в процессе целевого бюджетирования, который позволит расширить использование возможностей системы управления корпоративной результативностью и обеспечить математическую формализацию задачи выработки управленческих воздействий при корректировке значений плановых ключевых показателей. С этой целью типовой процесс планирования в рамках системы управления корпоративной результативностью дополняется блоками аналитической поддержки, а именно алгоритмом обратных вычислений частных ключевых показателей и расширенным модулем сценарного моделирования. Представленная усовершенствованная модель процесса целевого бюджетирования обеспечивает автоматизированное формирование управленческих воздействий отдела бюджетирования и руководства подразделений в направлении достижения стратегических целей. Применение обратных вычислений обеспечивает математическую постановку задачи вычисления индикаторов плановых ключевых значений, а система Sense and Respond (SaR) позволяет дополнить математическую постановку весовыми коэффициентами первичных показателей эффективности, рассчитанными алгоритмически на основе управленческих решений менеджера вместо экспертной оценки. Реализация разработанного подхода обеспечивает повышение качества планирования по наиболее приоритетным критериям качества: оперативности, точности и адаптивности – за счет системности и методичности составления бюджетов с привлечением современных информационных технологий.

      В работе представлена разработанная агент-ориентированная имитационная модель развития научно-производственных кластеров России, реализованная на примере высокотехнологичных предприятий, расположенных в четырех наукоградах (г. Троицка, г. Обнинска, г. Пущино и г. Протвино). Предложен новый поход к моделированию и оптимизации валового городского продукта (GMP), учитывающий влияние «гравитационного эффекта» на перераспределение трудовых ресурсов между развивающимися наукоградами и соответствующими предприятиями, объединенными в единые научно-производственные кластеры. Важным элементом такого подхода является формирование различных сценариев стратегического развития оцениваемых научно-производственных кластеров и поддержка возможности выбора наиболее предпочтительного сценария с использованием эволюционного оптимизационного алгоритма. Разработана и реализована в AnyLogic двухуровневая имитационная модель, описывающая возможные траектории развития научно-производственных кластеров с соответствующим изменением значений важнейших характеристик: численности экономически активного населения, количества научно-производственных предприятий, объема продукции выпускаемой в высокотехнологичных отраслях экономики, GMP и др. Спроектированный программный комплекс предназначен, в первую очередь, для управления научно-производственными кластерами, реализующими стратегию инновационного развития. Такой комплекс использует методы системной динамики и агентного имитационного моделирования, поддерживаемые в системе AnyLogic, генетические оптимизационные алгоритмы и ГИС-карты наукоградов и др. для реализации требуемой функциональности. Апробация программного комплекса выполнена с использованием реальных данных, опубликованных в утвержденных стратегиях развития соответствующих наукоградов. В результате проведенных численных экспериментов предложены некоторые рекомендации по развитию изучаемых научно-производственных кластеров с учетом их взаимовлияния и имеющейся ресурсной базы.

      Для решения задачи сравнительного анализа эффективности работы филиалов по небольшому объему наблюдений случайной природы актуальным является непараметрический подход, не требующей вероятностной модели наблюдений. Актуальной также является задача сравнения результатов непараметрического подхода с результатами, полученными в рамках традиционно применяемой Гауссовской модели. Кроме того, актуальной является проблема получения непротиворечивого сравнения группы (не менее трех) филиалов. В настоящее время непараметрический подход и соответствующее сравнение с известными результатами решения рассматриваемой в настоящей работе задачи, полученного в рамках нормальной модели, отсутствуют. Кроме того, поиску методов получения непротиворечивых решений уделяется недостаточно внимания. Настоящая работа в определенном степени закрывает эти пробелы. Для решения этих задач в настоящей работе используются методы непараметрической статистики и теории одновременной проверки многих гипотез. В работе предлагается процедура сравнительного анализа эффективности работы нескольких подразделений сетевой организации по небольшому объему наблюдений, основанная на тестах Манна–Уитни. Проводится сравнение результатов предлагаемой непараметрической процедуры с результатами, основанными на обобщениях тестов Стьюдента. Предлагается способ уменьшения числа возникающих проблем несовместимости, основанный на поиске подходящего уровня значимости. Приводится пример полностью непротиворечивого сравнения эффективности работы филиалов.

      Статья посвящена исследованию факторов, определяющих намерение аудиторов продолжать работу с системой аудита и связанных архивов (Audit Tools and Linked Archives System, ATLAS). В ходе исследования использованы опросы и модель подтверждения ожиданий (Expectation Confirmation Model, ECM). Выборка, использованная в ходе исследования, охватывает аудиторов, использующих систему ATLAS в бухгалтерских фирмах Индонезии. Для этого был использован инструментарий SmartPLS, позволяющий обрабатывать до 356 элементов набора данных. Исследование показало, что на намерения аудиторов в отношении использовании ATLAS повлияли такие факторы, как воспринимаемая полезность, подтверждение, качество информации, удовлетворенность и приверженность высшего руководства. В результате можно сделать следующие выводы. Во-первых, бухгалтерские фирмы должны оказывать полную поддержку аудиторам в использовании ATLAS и обучать аудиторов, чтобы они ощущали полезность системы.  Во-вторых, Ассоциация бухгалтеров Индонезии (Indonesian Association of Public Accountants, IAPI) должна обращать внимание на то, чтобы результаты были полными, качественными и уместными, чтобы аудитор был удовлетворен использованием ATLAS. В случае удовлетворенности аудиторы склонны продолжать использование системы ATLAS.

      В статье рассматривается задача распознавания информации о продуктах (названий, цен, материалов и т.д.), упомянутой в комментариях клиентов. Эта задача является одной из ключевых при разработке продуктов с помощью искусственного интеллекта. Ее решение позволяет компаниям прислушиваться к своим клиентам, адаптироваться к динамике рынка, постоянно совершенствовать свои продукты и услуги, а также улучшать взаимодействие с клиентами за счет повышения эффективности чат-бота. С этой целью инструменты обработки естественного языка обычно используются для формулирования традиционной задачи о маркировке последовательностей. Однако в настоящей статье мы предлагаем другой, альтернативный подход, основанный на использовании возможностей моделимашинного обучения MRC (machine reading comprehension,машинное чтение и понимание текста). В данной постановке определение типов информации о продукте аналогично заданию вопроса «Какая информация о продукте упоминается пользователями?». Например, извлечение названий продуктов (которое соответствует метке PRO_NAME) выполняется как извлечение интервалов ответов на вопрос «Какие примеры названий продуктов упоминаются?». Нами проведены обширные эксперименты с общедоступным набором данных, имеющихся во Вьетнаме. Результаты экспериментов показывают надежность предложенного альтернативного метода: он повышает производительность модели распознавания по сравнению с двумя базовыми показателями, обеспечивая их значительное улучшение. В частности, мы достигли уровня 92,87% по шкале F1 при распознавании описаний продуктов на уровне 1. На уровне 2 модель показала результат 93,34% по шкале F1 при распознавании каждого типа информации о продукте.