SCI Библиотека

В статье рассматриваются множественные взаимосвязи между финансированием стартапов в сфере ИИ и определяется влияние инвесторов, технологических изменений и типов финансирования внутри экосистемы стартапов. Исследование, охватывающее период с 2019 по 2024 год, позволило выявить более 500 многообещающих стартапов, работающих в сфере искусственного интеллекта. Анализ проводился с учетом региональной специфики и динамики развития во времени. Исследование посвящено финансированию ИИ-компаний, включая роль венчурных и корпоративных инвесторов, государственную поддержку и различные модели финансирования. Для изучения моделей финансирования стартапов в этом исследовании применяется комплексный подход, сочетающий описательную статистику, машинное обучение и качественные данные. Анализ включает в себя использование R, Python и Tableau для обработки финансовых и операционных данных, а также субъективных оценок, полученных от основателей, инвесторов и политиков. Вторичные данные из баз данных венчурного капитала и финансовых отчетов используются для подтверждения и расширения результатов. Финансирование экосистем играет ключевую роль в определении траектории развития стартапов, занимающихся искусственным интеллектом. Исследование демонстрирует, что именно финансирование влияет на то, насколько компании уделяют внимание этике ИИ, соблюдению нормативных требований и внедрению инноваций. Для обеспечения устойчивого роста необходимо учитывать интересы инвесторов, создавать благоприятные условия для инновационных центров и развивать международное сотрудничество. В работе также анализируются риски, связанные с предвзятостью алгоритмов и защитой конфиденциальных данных, и предлагаются рекомендации по формированию более эффективной политики финансирования. Исследование предлагает практическое руководство для стартапов в сфере ИИ, инвесторов и политиков. Оно представляет собой комплексную модель финансирования, объясняет мотивы инвесторов и предоставляет инструменты для предпринимателей, стремящихся привлечь капитал. Кроме того, исследование указывает политикам на приоритетные направления для создания благоприятной среды, способствующей развитию и поддержке ИИ, тем самым заполняя пробелы в знаниях и обеспечивая устойчивый рост отрасли.

Банковская сфера - одна из самых быстроразвивающихся отраслей финансового рынка. Банки регулярно внедряют в бизнес-процессы новейшие технологии, которые меняют облик всей экономики. Целью данного исследования стало выявление ключевых направлений внедрения искусственного интеллекта в банковской сфере, определение его преимуществ и потенциальных рисков. В статье представлены области использования искусственного интеллекта, включая обслуживание клиентов, управление финансовыми рисками, обнаружение мошенничества и соблюдение нормативных требований. Особое внимание уделено влиянию искусственного интеллекта на автоматизацию процессов, персонализацию услуг и повышение операционной эффективности. Методологическая основа исследования включает анализ научных источников, сравнительный метод и обобщение практических примеров. В ходе исследования установлено, что использование искусственного интеллекта позволяет снизить операционные издержки, повысить точность прогнозирования и сократить финансовые риски. Результаты анализа демонстрируют, что потенциал искусственного интеллекта в банковском секторе высок, однако его успешное внедрение требует комплексного подхода, включающего технологическую трансформацию, совершенствование нормативного регулирования и решение некоторых этических вопросов. В заключение подчеркивается необходимость баланса между технологическими инновациями и ответственным использованием искусственного интеллекта для достижения максимальной эффективности банковских процессов.

В современных условиях цифровые инновации способствуют рациональной интеграции услуг традиционных финансовых институтов и широкого использования доступных и надежных цифровых технологий в системе оказания финансовых услуг. Целью работы является исследование влияния цифровых инноваций на финансовые услуги, выявление рисков, возможностей и тенденций развития в контексте эффективного функционирования финансовой системы. На основе системного подхода проводится изучение влияния цифровых инноваций на качество и доступность финансовых услуг. В работе выделены этапы развития цифровых финансов. Сделан акцент на том, что цифровые финансы включают в себя широкий спектр услуг и продуктов. Дана характеристика основных технологий в трансформации финансовых услуг: искусственный интеллект, большие данные и блокчейн. Раскрывается влияние цифровых инноваций на приемлемость финансовых услуг, включающих: улучшение качества обслуживания потребителей; рациональную организацию процессов; снижение времени обработки операций; снижение рисков; обеспечение прозрачности проводимых операций; снижение операционных издержек; повышение доступности финансовых услуг. На основе проведенного анализа обозначены основные тенденции развития цифровой экономики в финансовой сфере: рост электронных платежей; широкое распространение онлайн-банкинга и финансовых платформ; развитие финансовых технологий (финтех); улучшение финансовой аналитики. Комплексный подход позволяет всесторонне оценить текущие и потенциальные изменения в финансовом секторе под воздействием цифровых инноваций.

В статье проанализировано современное состояние, результативность и устойчивость российских банков в условиях турбулентности экономики. Цель исследования - сформировать прогноз прибыли для обеспечения устойчивого развития российских банков, а также выявить закономерности их развития в условиях нарастания рыночной неопределенности. Сформирована модель глубокого обучения «Случайный лес». В ходе исследования были использованы такие методы, как технический анализ акций банков с использованием библиотек pandas, yfinance, numpy, matplotlib на языке Python на сервисе Colab, а также модель глубокого обучения «Случайный лес» для прогнозирования чистой прибыли банков. Научная новизна состоит в том, что выдвинута и доказана гипотеза, что на основе использования модели машинного обучения «Случайный лес» может быть получен прогноз чистой прибыли, как важнейшего фактора устойчивости банка. В ходе исследования были рассчитаны направление и сила связи между факториальными и результативным признаками. Так, например, связь между результативным признаком (Прибыль, млрд руб.) - “target” и факториальными выражается следующими коэффициентами: Активы, млрд руб. + 0,974; Доля активов, в % + 0,974; Рентабельность активов, % 0,159; Adj акций (логарифмическая доходность) -0,266; Волатильность (сигма) -0,219. На основании полученных результатов можно утверждать, что все рассмотренные банки работают устойчиво, ошибка прогноза на ноябрь 2024 г. варьируется от 0,78 до 31,4 %. При этом ошибка возрастает по мере уменьшения размера банков. По итогам 2023 г. все крупнейшие банки работали прибыльно, что свидетельствует об их устойчивости. Полученные прогнозные значения прибыли отражают позитивный тренд в развитии рассмотренных банков, что позволяет сделать вывод об устойчивости банковской системы в целом. Практическая значимость в том, что результаты исследования могут быть рекомендованы к использованию на практике.

Аннотация. В работе представлен обзор метода геометрического моделирования в разработке цифровых двойников, дан анализ теоретических основ, его роли в создании цифровых двойников, методологии разработки цифрового двойника с его использованием, проблем и вызовов при использовании метода, а также рассмотрены перспективы развития данной технологии.

Одним из наиболее проработанных и простых в использовании направлений генеративных моделей с точки зрения оперирования функциональностью для конечных пользователей являются большие языковые модели, позволяющие выполнять различные операции с текстовыми данными. Поскольку современная цифровая картография максимально быстро включает в свой инструментарий последние достижения в области информационных технологий, представляется актуальным рассмотреть основные сферы использования больших языковых моделей применительно к типовым задачам обработки пространственных данных в виде описания сводных показателей атрибутивных значений, формирования элементов географического описания, получения последовательностей выполнения определенных задач в геоинформационных системах, построения запросов к данным на языке SQL, написания фрагментов программного кода отдельных скриптов и модулей для ГИС, генерации картографических изображений по описанию. На основе результатов проведенных экспериментов сделан вывод о том, что большинство перечисленных базовых задач хорошо автоматизируются с помощью больших языковых моделей, но с учетом необходимости проверки и корректировки результатов специалистами в области картографии и геоинформатики.

Автомобильные дороги являются стратегически необходимой частью инфраструктуры страны, высокие требования к их состоянию обуславливают регулярный контроль качества дорожного полотна. Большая протяженность автомобильных дорог в России и влияние на них погодно-климатических условий (сезонные колебания температур, осадки) подчеркивают актуальность поиска методов неразрушающего контроля при диагностике дорог, обеспечивающих короткие сроки выполнения диагностических работ и использование минимальных ресурсов. Рассмотрены существующие решения для обнаружения повреждений дорожного полотна: применение георадара, лазерного метода, метода анализа вибровоздействий неровностей дорожной поверхности, детекция повреждений по данным лидар-устройств и системы мобильного картографирования. Целью исследования является разработка алгоритма анализа состояния дорожного полотна, позволяющего осуществлять детекцию дефектов дорожного покрытия по снимкам, полученным в процессе диагностики автомобильных дорог аэродромно-дорожной измерительной передвижной лабораторией КП-514-RDT, в комплекте с программным обеспечением IndorRoad и RDT-Line. Разработка алгоритма для обнаружения дефектов покрытия автодороги осуществлялась с применением методов машинного обучения. Выявленные дефекты имеют точную геопривязку по пикетажу измеряемого участка автодороги. В результате разработки получена обученная модель, позволяющая в автоматическом режиме размечать на снимке дефекты разных классов. Разработанный алгоритм интегрирован в программное обеспечение для управления мониторингом состояния региональных и муниципальных дорог. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

В статье рассматривается разница терминологий «цифровая экономика» и «цифровизация экономики». Изучив этот вопрос, автор приходит к мнению, что термин «цифровая экономика» не может быть использован при обозначении технических процессов, происходящих в экономике всех стран мира. По его мнению, сейчас во всем мире осуществляется процесс цифровизации экономики. Эра цифровой экономики еще не наступила, поскольку еще не произошел новый технологический скачок в эволюции человечества, в результате которой будет создан искусственный интеллект. Внедрение в экономику, которая уже к тому времени будет цифровизирована, технологии под названием «искусственный интеллект» позволит создать единую цифровую экономику в том смысле, который был заложен в название «цифровая экономика». Без интеграции этих двух явлений использование термина «цифровая экономика», по мнению автора, является ошибочным. Исследовав исторические предпосылки к появлению технического явления «цифровизация экономики», автор приходит к выводу, что единственная страна в мире, которая была на пороге построения государства, в основу которого были заложены технологии цифровизации, – это СССР. Это произошло за 40 лет до появления термина цифровая экономика. В дальнейшем содержание статьи посвящено рассмотрению вопроса о правом регулировании деятельности по созданию искусственного интеллекта в таких странах, как Соединенные Штаты Америки, Англия, Германия, Франция, Италия, Польша, а также в Израиле, Индии, Китае, Южной Корее и Российской Федерации. В статье приведены законодательства различных стран, регулирующие правовое положение разработки искусственного интеллекта, а также представлены различные подходы, которые сложились в указанных странах при разработке технологии «искусственный интеллект». Кроме того, в статье освещаются проблемы и неправового характера, с которыми столкнутся юристы и пользователи при применении технологии «искусственный интеллект». Раскрытие темы происходит черед призму безопасности предпринимательской деятельности. Автор настаивает на необходимости регулирования этой сферы деятельности административно-правовые институтами.

Искусственный интеллект активно проникает в градостроительную отрасль, предлагая новые возможности для оптимизации процессов и повышения эффективности. Технологии машинного обучения, компьютерного зрения и анализа больших данных позволяют автоматизировать проектирование, оптимизировать управление процессом градостроительства, повысить безопасность и снизить затраты на всех этапах жизненного цикла объекта - от проектирования до эксплуатации. Однако широкое внедрение искусственного интеллекта сталкивается с вызовами, такими как необходимость стандартизации, значительных инвестиций, обеспечения кибербезопасности. В статье рассматривается достоинства и недостатки применения вероятностного и детерминированного подхода к искусственному интеллекту для задач строительства и формирования архитектурного облика объектов городской инфраструктуры. Приводится пример разработки базы знаний автоматизированной информационной системы для раскладки облицовочных материалов на фасадах городских зданий.

Представленное исследование нацелено на разработку механизма развития промышленного предприятия, основанного на использовании нейросетевых технологий.

В ходе исследования, по результатам анализа статистических данных определен низкий уровень цифрового развития промышленного комплекса российских предприятий, обусловленный экономическим давлением со стороны стран Запада, дефицитом специалистов, устаревшими подходами к управлению и рядом других факторов.

Автором изучен отечественный и зарубежный опыт применения нейросетевых технологий. Разработан механизм с позиции его структуры, этапов внедрения и потенциальных эффектов (оптимизация производства, контроль качества, прогнозирование спроса и взаимодействие с клиентами).

Определены методы количественной и качественной оценки этих эффектов.

Полученные результаты будут полезны представителям науки и бизнес-структур, а также послужат основой для будущих исследований.