студент
аспирант
В статье исследуется проблема комплексной оценки эффективности цифровых продуктов и массивов данных в условиях высокой неопределённости и характерных рисков при внедрении интеллектуальных систем. Актуальность работы определяется стремительным развитием когнитивных технологий при отсутствии универсальных методик анализа, учитывающих как технические характеристики, так и экономические показатели. Проведён критический обзор существующих оценочных подходов, выявлены их основные ограничения, связанные с недостаточным учётом динамичности технологической среды. Основной вклад исследования - разработка адаптивной методики расчёта ожидаемой полезности, интегрирующей количественные и качественные показатели через систему взвешенных параметров и вероятностных коэффициентов. Предлагаемый подход позволяет не только оценивать текущую производительность цифровых решений, но и прогнозировать их потенциал в условиях изменяющейся среды.
оценка эффективности ИИ-продуктов, автоматизированные системы анализа данных, методы определения ожидаемой полезности
1. Гонка технологий. Как искусственный интеллект помогает бизнесу [Электронный ресурс] // Forbes Россия. – URL: https://www.forbes.ru/tehnologii/354727-gonka-tehnologiy-kak-iskusstvennyy-intellekt-pomogaet-biznesu (дата обращения: 25.03.2025).
2. Как искусственный интеллект используется в бизнесе: обзор и кейсы [Электронный ресурс] // vc.ru. – URL: https://vc.ru/marketing/105102-kak-iskusstvennyy-intellekt-ispolzuetsya-v-biznese-obzor-i-keysy (дата обращения: 25.01.2025).
3. Искусственный интеллект в розничной торговле [Электронный ресурс] // Яндекс.Дзен. – URL: https://zen.yandex.ru/media/aiqcnt/iskusstvennyi-intellekt-v-roznichnoi-torgovle-5c3c50107c705800aa422dfe (дата обращения: 25.03.2025).
4. Методы статистического моделирования (метод Монте-Карло) [Электронный ресурс] // Сибирский государственный университет телекоммуникаций и информатики. – URL: https://csc.sibsutis.ru/sites/csc.sibsutis.ru/files/courses/pvt/%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5.pdf (дата обращения: 14.01.2025).
5. Notes from the AI frontier: Applications and value of deep learning [Электронный ресурс] // McKinsey & Company. – 2018. – URL: https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-aifrontier-applications-and-value-of-deep-learning (дата обращения: 11.01.2025).
6. Национальный стандарт РФ «Искусственный интеллект. Основные термины и определения» [Электронный ресурс] // Министерство цифрового развития, связи и массовых коммуникаций РФ. – 2019. – URL: https://digital.gov.ru/uploaded/files/07102019ii.pdf (дата обращения: 05.02.2025).
7. Искусственный интеллект: перспективы и вызовы для бизнеса [Электронный ресурс] / PwC Россия. – 2020. – URL: https://www.pwc.ru/ru/riskassurance/assets/diq-RUS.pdf (дата обращения: 11.12.2025).
