Интеллектуальные системы поддержки управленческих решений повышения качества продукции на основе искусственного интеллекта.

ВВЕДЕНИЕ

Современные системы поддержки принятия решений (СППР) – это компьютерные автоматизированные системы, целью которых является помощь людям, принимающим решение в сложных условиях, для полного и объективного анализа предметной деятельности.

ГЛАВА 1 МИРОВЫЕ ТЕНДЕНЦИИ, ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМЕ ПОДГОТОВКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
1.1 Мировой рынок систем и технологий искусственного интеллекта (ИИ): тенденции, проблемы и перспективы
Мировой рынок систем и технологий искусственного интеллекта (ИИ) представляет собой одну из самых динамично развивающихся отраслей в современном информационном обществе. Искусственный интеллект охватывает широкий спектр технологий и методов, которые позволяют компьютерам и компьютерным системам выполнять задачи, требующие человеческого интеллекта, такие как распознавание образов, анализ данных, принятие решений, и многое другое .
Искусственный интеллект (ИИ) уже довольно давно находится на переднем крае технологического прогресса и, как ожидается, продолжит набирать популярность в будущем. Число публикаций, посвященных искусственному интеллекту и тенденциям его развития, постоянно растет .
Эволюция ИИ в последние десятилетия привела к значительным изменениям в мировой экономике и обществе. Научные исследования и разработки в области машинного обучения, нейронных сетей, глубокого обучения и автоматизации процессов стали двигателем инноваций и создали новые возможности для бизнеса и государства .
Искусственный интеллект является важнейшей движущей силой четвертой промышленной революции. Постоянно растущие объемы генерируемых данных, быстро меняющиеся социальные модели, растущая взаимосвязанность и взаимопроникновение различных технологий, которые характеризуют нынешнюю индустриальную эпоху, зависят от машинного интеллекта для получения информации и автоматизации реагирования.
Ожидается, что объем мирового рынка искусственного интеллекта вырастет примерно со 119,78 миллиарда долларов в 2023 году до 1,59 триллиона долларов к 2030 году. Частные инвестиции в искусственный интеллект в 2021 году превысили 90 миллиардов долларов. Чтобы представить эту цифру в перспективе, сумма инвестиций превысила ВВП 149 стран. Некоторые крупнейшие компании уже вложили значительные средства в искусственный интеллект. Например, Microsoft инвестирует 10 миллиардов долларов в OpenAI, создателей инструмента искусственного интеллекта ChatGPT. Ожидания потребителей движут рынками. Недавно акции Alphabet упали более чем на 7% во время мероприятия, на котором компания анонсировала Bard, свою технологию чата, конкурирующую с ChatGPT — инвесторы ожидали лучшего, и они ожидали большего .
Искусственный интеллект завораживал умы со времен античности. Представления об искусственной жизни и роботах присутствовали в древних мифах еще за 700 лет до нашей эры. Один из таких мифов Гесиода описывает Талоса, гигантского бронзового человека, построенного Гефестом, греческим богом изобретательства, для защиты острова Крит от захватчиков. Оно подпитывалось жизненной силой, ихором, который тек по трубке, идущей от его головы к одной из ног.
Слово «робот» происходит от старославянского слова robota, означающего “тяжелая работа”. Впервые он был использован чешским драматургом Карелом Чапеком в его пьесе 1920 года «Универсальные роботы Россума» о компании, которая массово производит работников для выполнения рутинных задач, которые люди предпочли бы не выполнять .
Переход от фантастики к реальному миру начался с основополагающей работы Алана Тьюринга “Вычислительная техника и интеллект”. В этой статье, опубликованной в 1950 году, Тьюринг предложил имитационную игру, ныне популярную как тест Тьюринга, чтобы проверить, может ли машина мыслить, как человек. В этой игре человек-следователь задает вопросы человеку и машине и по ответам пытается определить, кто из них двоих является человеком. Некоторые исследовательские лаборатории и дискуссионные группы уже изучали эту концепцию - Тьюринг придал ей официальный характер. За этим последовала первая игра в шашки на основе искусственного интеллекта, созданная Артуром Сэмюэлем в 1952 году .
Следующие два десятилетия ознаменовались работой над такими мощными концепциями, как использование поисковых алгоритмов для воспроизведения рассуждений и создание семантических сетей для объяснения взаимосвязи между понятиями. Ограниченная вычислительная мощность того времени препятствовала росту и широкому внедрению искусственного интеллекта. Но это не остановило исследователей. Этот период ознаменовался появлением экспертных систем, основанных на искусственном интеллекте, которые пытаются скопировать навыки принятия решений эксперта-человека. Первый из них, Dendral, созданный в 1965 году, идентифицировал соединения по показаниям спектрометра. Позже, в 1972 году, была разработана экспертная система для диагностики заболеваний крови MYCIN. Следующий скачок произошел в 80-х годах, когда были усовершенствованы нейронные сети. Теоретические основы для этого были заложены десятилетиями ранее, но доступные сейчас вычислительные мощности позволили провести практическую работу и быстро продвинуться вперед. В 1997 году компания IBM Deep Blue победила гроссмейстера Гэри Каспарова в шахматах. Пришло время ИИ совершить следующий скачок. Потребитель был готов .
В последние годы наблюдался взрывной рост объемов данных (2,5 квинтиллиона байт данных, создаваемых в день), очень высокие вычислительные мощности (ChatGPT имеет 175 миллиардов параметров, обученных с использованием 570 ГБ данных, полученных из книг, Википедии и другого письменного контента из Интернета — такие масштабы стали возможны только благодаря высоким вычислительным мощностям), а также доступность для широких масс недорогого готового оборудования и библиотек с открытым исходным кодом. Сокращение затрат на обучение, например, систем классификации изображений (на 63,6%) и сокращение времени обучения (на 94%) только с 2018 года дают хорошее представление о том, как далеко продвинулись люди в области технологий искусственного интеллекта. Следовательно, искусственный интеллект стремительно развивается по мере того, как все больше и больше людей внедряют его. Крупные игроки, такие как IBM Watson и OpenAI, уже на раннем этапе осознали потенциальное влияние искусственного интеллекта на бизнес и жизнь людей. Нынешняя волна искусственного интеллекта затрагивает широкий спектр областей, включая здравоохранение, образование, электронную коммерцию, производство, виртуальную помощь и развлечения, и это лишь некоторые из них. Другие области, такие как воспроизведение человеческого творчества и моделирование сознания, являются более высокими и, пока еще, отдаленными целями — Святым Граалем искусственного интеллекта. Современному уровню техники еще предстоит пробить там брешь .
1. Автономные системы и робототехника
Одним из наиболее видимых и обещающих направлений в ИИ является развитие автономных систем и робототехники. Стремительные успехи в области машинного обучения и компьютерного зрения позволяют создавать роботов и автономные транспортные средства, способные выполнять разнообразные задачи, от самостоятельной навигации до выполнения рутинных операций в медицине и производстве.
2. Медицинские приложения
ИИ имеет огромный потенциал в медицине. От диагностики заболеваний с использованием анализа изображений и биомаркеров до персонализированных лечебных схем и разработки новых лекарств - ИИ способен улучшить точность и эффективность здравоохранения, а также увеличить продолжительность и качество жизни.
3. Обработка естественного языка (NLP)
NLP-технологии продолжают совершенствоваться и находить широкое применение в приложениях, связанных с анализом текста, автоматическим переводом, голосовыми ассистентами и чат-ботами. Расширение способностей ИИ в понимании и генерации естественного языка открывает новые возможности в коммуникации и обработке информации.
4. Обучение с подкреплением (Reinforcement Learning)
Reinforcement Learning (обучение с подкреплением) используется для создания алгоритмов, способных обучаться и принимать решения на основе опыта и обратной связи. Это направление имеет широкий спектр применений, от обучения роботов до игровой индустрии и финансов.
5. Машиностроение и автоматизация
ИИ содействует автоматизации в различных отраслях, включая производство, логистику и транспорт. От автономных производственных линий до беспилотных грузовиков, ИИ способен увеличить эффективность и снизить затраты.
6. Образование и обучение
Развитие ИИ создает потребность в новых навыках и знаниях. В сфере образования ИИ может быть использован для создания персонализированных образовательных программ, оценки и развития навыков учащихся, а также для расширения доступа к образованию через онлайн-платформы.
7. Экологические исследования и устойчивость
ИИ может помочь в решении сложных экологических задач, таких как мониторинг изменений климата, оптимизация энергопотребления и управление ресурсами. Это важно для создания устойчивого будущего.
8. Исследования в области искусственного обучения и персонализации
ИИ продолжает эволюционировать в области образования и самообучения. Алгоритмы машинного обучения могут создавать персонализированные образовательные планы и рекомендации, а также адаптировать контент под уровень и стиль обучения каждого студента. Это может повысить эффективность образования и помочь студентам достичь лучших результатов.
9. Исследования в области здравоохранения и биологии
ИИ имеет потенциал для революции в медицинской диагностике, лечении и исследованиях в области биологии. Методы анализа больших данных и машинного обучения позволяют ускорить процесс открытия новых лекарств, разработать более точные методы диагностики и лечения заболеваний, а также улучшить мониторинг состояния пациентов.
10. Сотрудничество между ИИ и человеком
Использование ИИ в качестве средства поддержки и сотрудничества между человеком и машиной становится все более важным. Этот подход называется «усиление человека», и он может увеличить производительность и расширить способности человека в таких областях, как искусство, наука, проектирование и многие другие.
11. Применение ИИ в культурной сфере

 
ГЛАВА 2 СРАВНИТЕЛЬНЫЙ АНАЛИЗ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ ИИ ДЛЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
2.1. Методологические подходы оценки эффективности ИИ для принятия управленческих решений (российский и зарубежный опыт)
В отечественных публикациях по теме применения искусственного интеллекта (ИИ) отличаются, прежде всего, исследования в области медицины.
Это работы Васюты Е.А. и Подольской Т.В. «Проблемы и перспективы внедрения искусственного интеллекта в медицине», Ярмухаметова Р. Р. «Обзор применений искусственного интеллекта в медицине», Алексеевой М. Г., Зубова А. И., Новикова М. Ю. «Искусственный интеллект в медицине» и др.
В российской и зарубежной практике мнения исследователей сводятся к тому, что существует множество методов оценки эффективности в различных областях и включают :
Финансовые показатели (ROI, ROE, ROS)
Показатели эффективности (производительность)
Методы опросов и обратной связи
Сбалансированная система показателей
Анализ SWOT
1. Финансовые показатели, ROI (рентабельность инвестиций), ROE (рентабельность собственного капитала), ROS (рентабельность продаж).
ROI означает «возврат инвестиций» и представляет собой финансовый показатель, используемый для оценки прибыльности или эффективности инвестиций или проекта. ROI измеряет доход или выгоду, полученную от инвестиций, относительно их стоимости. Это помогает инвесторам, предприятиям и частным лицам оценить потенциальные преимущества или недостатки конкретных инвестиций.
Формула расчета рентабельности инвестиций относительно проста:
ROI = (чистая прибыль от инвестиций / стоимость инвестиций) x 100
Разбивка терминов, используемых в формуле:
Чистая прибыль от инвестиций: это общий доход или выгоды, полученные от инвестиций, за вычетом первоначальных затрат и любых связанных с ними расходов.
Стоимость инвестиций: сюда входит общая сумма денег, потраченная на инвестиции, включая цену покупки, затраты на установку и любые текущие расходы, связанные с инвестициями. Рентабельность инвестиций в процентах является мерой эффективности инвестиций и показывает, сколько прибыли или убытков было получено по сравнению с первоначальными инвестициями. Положительный процент рентабельности инвестиций означает, что инвестиции принесли прибыль, а отрицательный процент указывает на убыток.
Например, если вы вложили 10 000 долларов в коммерческое предприятие и через год оно принесло чистую прибыль в размере 2 000 долларов, рентабельность инвестиций будет равна:
Рентабельность инвестиций = (2000 долларов США / 10 000 долларов США) x 100 = 20%
Это будет означать, что инвестиции принесут 20% прибыли от первоначальных инвестиций в размере 10 000 долларов США.
ROI (рентабельность инвестиций) – ценный инструмент для принятия решений, поскольку он позволяет инвесторам и предприятиям сравнивать доходность различных инвестиций или проектов. Это помогает оценивать эффективность активов, определять успех маркетинговых кампаний, оценивать эффективность бизнес-стратегий и принимать обоснованные финансовые решения. Обычно предпочтительнее более высокая рентабельность инвестиций, поскольку она указывает на более прибыльные инвестиции, но при оценке инвестиций также важно учитывать другие факторы, такие как риски, сроки и долгосрочный потенциал.
ROE – «рентабельность капитала», представляет собой финансовый коэффициент, используемый для измерения прибыльности компании и эффективности получения, прибыли для ее акционеров. ROE дает представление о том, насколько эффективно компания использует акционерный капитал (инвестиции акционеров) для получения прибыли.
Формула расчета ROE выглядит следующим образом:
ROE = (чистая прибыль / акционерный капитал) x 100
Вот разбивка терминов, используемых в формуле:
Чистая прибыль: это общий доход (или доход) компании за вычетом всех расходов, налогов и процентов за определенный период (обычно финансовый год). Чистый доход также известен как прибыль или прибыль.
Акционерный капитал: также известный как акционерный капитал или просто капитал, он представляет собой стоимость собственности акционеров в компании. Он рассчитывается как разница между совокупными активами и совокупными обязательствами компании. Другими словами, это чистые активы компании, принадлежащие акционерам.
Результат умножается на 100, чтобы выразить ROE в процентах.
ROE дает важное представление о том, насколько эффективно компания использует инвестиции своих акционеров для получения прибыли. Более высокая рентабельность собственного капитала обычно указывает на то, что компания более эффективно использует свой капитал для получения прибыли.

2.2. Методы оценки эффективности использования ИИ от подготовки управленческих решений повышения качества продукции

Проанализируем методологические подходы оценки эффективности ИИ применительно к управленческим решениям для повышения качества продукции.

Управление качеством является важнейшим аспектом различных отраслей промышленности, гарантируя, что продукты и услуги соответствуют установленным стандартам и превосходят ожидания клиентов . Поскольку технологии продолжают развиваться, интеграция искусственного интеллекта (ИИ) революционизирует традиционные бизнес-процессы. В этом блоге мы рассмотрим глубокую роль ИИ в управлении качеством, подчеркнув его потенциал в повышении эффективности, точности и возможностей принятия решений в процессе обеспечения качества .
Основные направления использования искусственного интеллекта в управлении качеством (таблица 2).

1. Автоматизация процессов контроля качества. Одним из ключевых вкладов ИИ в управление качеством является автоматизация процессов контроля качества. Используя системы на базе искусственного интеллекта для сбора и анализа данных, организации могут оптимизировать процедуры проверок и испытаний. Алгоритмы искусственного интеллекта могут быстро анализировать огромные объемы данных, позволяя принимать решения в режиме реального времени и уменьшая необходимость ручного труда.
2. Прогнозная аналитика для обеспечения качества. Искусственный интеллект выводит прогнозную аналитику на передний план обеспечения качества. Используя исторические данные и алгоритмы машинного обучения, организации могут выявлять потенциальные дефекты и отклонения в процессе обеспечения качества. Такой упреждающий подход позволяет принимать превентивные меры, предотвращая проблемы с качеством до того, как они возникнут. Мониторинг в реальном времени и постоянное улучшение становятся возможными благодаря аналитике, основанной на искусственном интеллекте.
3. Датчики и системы мониторинга на основе искусственного интеллекта. Датчики и системы мониторинга на основе искусственного интеллекта играют жизненно важную роль в контроле качества. Эти системы могут собирать данные в режиме реального времени, отслеживать параметры качества и выявлять аномалии. Используя адаптивные алгоритмы, ИИ может выявлять закономерности, тенденции и отклонения, которые операторам может быть трудно обнаружить, гарантируя быстрое решение проблем с качеством и позволяя повысить согласованность продукции и удовлетворенность клиентов.
Преимущества ИИ в управлении качеством заключаются в повышении точности и надежности, повышении эффективности и производительности, расширении возможностей принятия решений (рис.2).
Действительно, ИИ исключает возможность человеческой ошибки в процессе обеспечения качества за счет автоматизации задач и использования передовых алгоритмов. Таким образом, ИИ повышает точность и надежность деятельности по контролю качества. Системы искусственного интеллекта могут обнаруживать и анализировать дефекты с высокой точностью, что приводит к стабильному и надежному качеству результатов.

 
ГЛАВА 3 МЕХАНИЗМ УПРАВЛЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫМИ СИСТЕМАМИ КАЧЕСТВА ПРОДУКЦИИ НА ОСНОВЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (ИИ)
3.1 Обоснование и выбор интеллектуальной системы поддержки управленческих решений повышения качества продукции на основе технологий искусственного интеллекта (ИИ)
Рассмотрим механизм управления интеллектуальными системами качества на основе технологии искусственного интеллекта «цифровой двойник» применительно к логистической отрасли.
Известно, что при оптимизации маршрутной сети нельзя забывать и о строительстве новых дорог, путепроводов, дорожных развязок, разворотных площадок и прочих компонентах транспортной системы. В свою очередь появление нового автопарка влияет на появление новых маршрутов и поскольку любые изменения маршрута затрагивают все соседние – следует пересматривать и их – как те, которые подразумевают утвержденные трассы с остановками в обозначенных местах (так называемые «социальные»), так и те, которые подразумевают утвержденные трассы и остановки в местах, не запрещенных ПДД (так называемые «коммерческие»).
Таким образом речь идет о моделировании и разработке новой маршрутной сети, за качество которой будет отвечать технология искусственного интеллекта «цифровой двойник».
Моделированием называется процесс построения модели для исследования определенных свойств оригинала в определенных условиях (рис. 4).
Моделирование позволяет нам исследовать системы, прямой эксперимент которых трудно выполнить, экономически невыгодным или невозможным. Объектом исследования в теории моделирования является система. Система представляет собой набор взаимосвязанных элементов, которые объединены в одну единицу для достижения конкретной цели, которая определяется целью системы.
В последнее время получило развитие моделирование на основе концепции «цифровой двойник».
Концепция «цифровой двойник» органически связана с понятием машинного обучения.

Все модели Machine learning (машинного обучения) делятся на контролируемые и неконтролируемые. Если модель является контролируемой, она затем подразделяется на регрессионную или классификационную модель. Мы рассмотрим, что означают эти термины, и соответствующие модели, которые попадают в каждую категорию ниже.
Контролируемое обучение включает в себя изучение функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход .
Например, если бы имелся набор данных с двумя переменными, возрастом (вход) и ростом (выход), то можно было бы реализовать модель обучения цель которой - предсказание роста человека в зависимости от его возраста (рис.2.2).

Существует точный алгоритм для решения задачи маршрутизации транспорта на основе метода ветвей и границ, но в силу быстрого роста времени вычислений его невозможно применять для задач с более чем 25-30 вершинами.
Большинство этих методов основаны на наблюдениях за живой и неживой природой. Их отличительная особенность заключается в способности преодоления точки локального оптимума для продолжения поиска, поэтому потенциально в сравнении с классическими эвристиками метаэвристические методы способны находить более качественные решения.
Существует ряд готовых решений - программ, которые используются как инструмент в задачах перераспределения маршрутной сети.
В частности, предлагаемая М. Е Корягиным программа предназначена для расчета матрицы корреспонденций по данным натурного обследования пассажиропотока и визуализации маршрутной сети, включающей: представление любого набора маршрутов на карте города, составление новых маршрутов городского пассажирского транспорта по остановочным пунктам. Она обеспечивает выполнение следующих функций :
-расчет матрицы корреспонденций по данным натурного обследования пассажиропотока;
-сравнение маршрутных схем в рамках существующих правил перевозок пассажиров;
-обоснование корректировки маршрутов;
-синхронизация маршрутов;
-сокращение количества маршрутов при текущих условиях перевозок;
-оптимизация единой маршрутной сети общественного транспорта;
-оптимизация маршрутной сети за счёт перераспределения маршрутов
между перевозчиками.
Технические характеристики программы: ОС: Windows ХР/7/10. Язык программирования: Delphi 6.0. Объем программы для ЭВМ: 132 МБ.


3.2. Механизм управления процессами и взаимодействием субъектов управления в системе управления качества

Сети общественного транспорта сложны. Ошибка или задержка в одном сегменте может вызвать волновой эффект и проблемы в дальнейшем — как для поставщика транспортных услуг, так и для населения, которое зависит от этой критически важной услуги.
Чтобы справиться с этой сложностью, агентства общественного транспорта полагаются на разные источники данных, от инфраструктуры до финансов и управления работой. Эти источники данных часто распределены по нескольким системам, отделам и форматам и не могут быть синхронизированы и просмотрены в режиме реального времени. Это затрудняет целостное представление о состоянии различных активов, а также расстановку приоритетов и координацию технического обслуживания.
Цифровой двойник помогает организациям общественного транспорта преодолевать эти проблемы и эффективно управлять своими данными, рабочими процессами и транспортными сетями. Объединяя все активы и пространственные данные в интегрированную информационную систему транспортной сети и общую операционную картину, транспортная компания г. Красноярска может избежать дублирования данных и обеспечить пользователям доступ к точной и актуальной информации по всему предприятию. Кроме того, возможности 3D и искусственного интеллекта позволяют отделам выйти за рамки простой схемы и создать инновационный продукт на базе цифрового двойника всей системы общественного транспорта своего города, от остановок, путей и стрелок до билетных автоматов, скамеек и мусорных баков.

 
ЗАКЛЮЧЕНИЕ
В исследовании показано, что современные системы поддержки принятия решений – это компьютерные автоматизированные системы, целью которых является помощь людям, принимающим решение в сложных условиях, для полного и объективного анализа предметной деятельности.