В условиях постоянного инновационного развития предприятий, связанного с интеграцией принципов инновационного менеджмента и активным развитием информационных технологий, особую актуальность приобретают исследования, затрагивающие вопросы изучения течения процессов, связанных с автоматизацией бизнеса. Так, в данном контексте, автоматизация рассматривается как путь к качественному преобразованию бизнеса в условиях цифровизации, а именно повышения его конкурентоспособности, эффективности, а также комплексности воздействия с высоким уровнем отзывчивости на внешние изменения. Вместе с тем, практические аспекты автоматизации бизнеса изучены недостаточно – они представляют собой обобщенные критерии, находящиеся в разрыве с реальной практикой.
В этих условиях, вопросы автоматизации принимают все более сложный вид – это формирует определенный круг проблем, связанных с сложностью поиска инструментов, позволяющих расширить её функциональное воздействие. В частности, в условиях активного развития и внедрения информационных систем, автоматизация процессов их внедрения требует использования эффективных инструментов интеграции различного программного обеспечения. Особую перспективность с этой позиции на практике занимают инструменты внедрения искусственного интеллекта в процессах автоматизации и управления различными информационными системами.
Современные условия цифровизации деятельности ряда хозяйствующих субъектов подчеркивают возможность улучшения собственного положения в рамках рынка за счет внедрения различных технологий в практику бизнес-процессов. В частности, особую значимость в этом контексте занимают вопросы, связанные с внедрением информационных систем и их автоматизацией посредством интеграции с современными технологиями, а именно через внедрение искусственного интеллекта. Причем вопросы автоматизации имеют довольно сложный характер, поскольку в практике хозяйствования отсутствуют широкие подходы к внедрению данных процессов, что обуславливается довольно высокой стоимостью внедрения IT-технологий в деятельность и развития их до уровня самостоятельного улучшения информационных систем на автономном уровне. Несмотря на это, как показывает практика, достаточный уровень аккумулирования инновационно-технологического потенциала позволяет привлекать дополнительные источники денежных средств, которые могут быть направлены на дальнейшее развитие отдельных направлений деятельности субъекта предпринимательства.
Помимо вышеизложенного, автоматизация бизнес-процессов с внедрением информационных систем на основе действия искусственного интеллекта позволяет улучшить все направления инновационного менеджмента за счет включения алгоритмов автоматического сбора, анализа и интерпретации качественных и количественных данных. В тоже время, стоит понимать, что итоговые характеристики процессов автоматизации полностью зависят от используемых инструментов и их качественных характеристик, выраженных в быстродействии, реагировании, изменчивости, гибкости и комплексности. В качестве основных инструментов автоматизации информационных систем, а именно ресурсов, позволяющих достигать данные процессы, выступают современные библиотеки машинного обучения.
Библиотеки машинного обучения
Перед непосредственным их анализом, важно сформулировать определение «библиотека машинного обучения»; под ним понимается набор совокупных инструментов, имеющих открытый исходный код, которые могут применяться для поддержания и реализации всевозможных функций, так или иначе связанных с машинным обучением. Так, необходимо рассмотреть каждую из вышеперечисленных библиотек машинного и глубокого обучения с позиции их инструментальной принадлежности в процессах автоматизации интеллектуальных систем:
- TensorFlow – разработка от компании Google, предназначенная для работы с нейронными сетями. Может выступать в качестве инструмента автоматизации интеллектуальных систем, поскольку обладает признаками автоматизированного поиска и анализа образов, позволяющих распознавать объекты на довольно приближенном к человеческому восприятию уровне. При этом, библиотека машинного обучения имеет достаточно высокую скорость работы, доступную за счет функций параллельного вычисления на основе различных процессоров.
- Theano – это разработка группы исследователей Монреальского университета, поддержка которой на данный момент прекращена. Библиотека машинного обучения обладает всеми характеристиками, позволяющими на более качественном уровне производить глубокое обучение нейронных сетей посредством осуществления процессов компиляции. При работе библиотеки, через функционирование специального аппарата оценки математических формул и выражений, происходит быстрое вычисление необходимых процессов и функций.
- PyTorch является разработкой компании Facebook и представляет процессы глубинного изучения информации и обучения нейронных сетей на основе закладываемой в нее библиотеки Torch. В частности, данная библиотека машинного обучения предназначена для обработки языка в его естественном виде, а также использования IoT датчиков и систем (представляющих собой компьютерное зрение). Главным достоинством PyTorch является простота практического внедрения; в тоже время, она не является самой популярной за счет менее расширенной библиотеки машинного и глубокого обучения (в сравнении с другими решениями).
- Scikit-learn – это библиотека, главным образом ориентированная именно на алгоритмы машинного обучения и предназначенная для реализации множества функций обучения и построения функционально-логических взаимосвязей между объектами в ходе анализа. По своей сущности, Scikit-learn является более простой; однако, в тоже время, не уступает по своей эффективности аналогам за счет ориентации на качественное исполнение узкого круга функций сбора и анализа данных.
- Keras является библиотекой, ориентированной на глубинное обучение посредством интеграции функциональных аспектов других крупных открытых библиотек. Важное преимущество Keras – это гибкость, достигающаяся за счет возможности масштабирования и изменения принципов использования. Так, библиотека глубокого обучения может взаимодействовать с другими, что позволяет расширять её функциональные возможности.
Использование библиотек машинного обучения с целью автоматизации процессов применения искусственного интеллекта в рамках информационных систем, требует учета множества нюансов; в тоже время, на практике их применение в отдельности сильно тормозит темпы автоматизационных процессов. Именно поэтому важно интегрировать их действие с целью ускорения одних процессов и ведения совокупной работы по нескольким направлениям. В частности, в качестве наглядного примера, сочетание Scikit-learn и Keras представляется в виде интеграции машинного и глубокого обучения нейронных сетей с задействованием различного инструментария. Это позволяет компенсировать недостатки одних библиотек перед другими и использовать методы на согласованном уровне.
Внедрение информационных систем на основе применения различных инструментов является довольно вариативным; при использовании совокупного действия библиотек машинного обучения на основе их согласованности и гибкости, в теоретическом понимании возможно довольно обширное усиление функций информационных систем и их последующего качественного формирования В частности, при воссоздании таковых, необходимо опираться на ряд основных направлений автоматизации, связанных с организацией работы с: проектами, рисками, а также внутренней коммуникацией элементов системы (и так далее).
Автоматизация проектов представляет собой довольно обширное направление, выраженное в применении специализированного программного обеспечения и его интеграции с текущим функционированием предприятия. Посредством действия заранее обученных алгоритмов искусственного интеллекта, автоматизация управления проектами сводится к адаптации инструментов под автоматическое заполнение, планирование и управлением всеми частями проекта.
Проект, как правило, ограничивается каким-либо временным промежутком, подразделяется на этапы (от разработки документации и планов по проекту до непосредственной реализации и оценки эффектов от внедрения), каждый из которых обладает собственными характеристиками. На рынке широко используются различные решения от крупных компаний в области управления проектами, включающие в себя довольно сложный функционал, предоставляющий возможности по формированию автоматической отчётности, согласованию инструментов и их выгрузке в облачные хранилища с защитой данных. По сути, данные инструменты (а именно конкретное программное обеспечение) имеют довольно высокую степень автоматизации и обладают лишь недостатками в необходимости наличия оператора, управляющего процессами с внешней стороны. Некоторые его функции могут быть заменены алгоритмами искусственного интеллекта; например, это направление подсчета ресурсов и распределение задач между сотрудниками в ходе планирования проекта. Аналитические алгоритмы могут собирать информацию о проделанной работе, синхронизировать её между собой в автономном режиме и формировать на этой основе итоговый прогресс реализации текущего этапа над всем проектом.
Кроме того, проектное управление заключается и в достижении максимально сбалансированного бюджетирования. В области подсчета инвестиционных и финансовых показателей, информационные системы имеют достаточное количество примеров успешной их настройки и интеграции с комплексным программным обеспечением. В тоже время, автоматизация всех аспектов функционирования информационной системы в рамках управления и реализации проектов требует установления максимальной координации всех элементов, устранения противоречий и решения задач по различным уровням взаимодействия. Важно также понимать, что направленность проекта в том числе определяет итоговый вид формируемой информационной системы и предполагает набор конкретно необходимых функций. Иначе говоря, инструменты, применяемые в автоматизации информационной системы по работе с проектами, вариативны; и зависят от конкретных функций, которые эта система должна решать в итоговом виде.
Например, система управления проектом может основываться лишь на анализе полученных данных (посредством действия алгоритмов нейронных сетей) и подсчете ряде показателей и потоковых направлений денежных средств. В другом случае, помимо данной функции, в проектную информационную систему может быть включена система распределения задач посредством календарного планирования, система подготовки документации, хранения данных и их автоматического обновления, и так далее.
Помимо управления проектами, в рамках информационной системы задействуется также и направления управления рисками, а именно автоматизация принятия управленческих решений на основе учета внешних и внутренних угроз. Как правило, здесь задействуются риск-контроллинговые системы, нацеленные на просчет рисков и предоставление путей их преодоления; автоматизация в таком случае сводится к автономному сравнению альтернативных решений и выбору соответствующего управленческого решения на основе функционирования алгоритмов и анализа текущей количественной и качественной информации. Система оценки рисков может быть автоматизирована как частично (принятие управленческого решения будет требовать подтверждения со стороны руководителя), так и полностью (яркий пример – DAO системы, основанные на полностью независимой оценке вариантов решений и принятии мер с учетом предложений руководителей); степень автоматизации в таком случае напрямую зависит от потребностей и возможностей компании. В частности, для должного ускорения действия информационной системы на базе всех её аспектов, управление рисками также должно осуществляться на основе факторов скорости и качества анализа.
Автоматизация коммуникации – это третье направление полной автоматизации информационной системы, предполагающее взаимоучет управления как проектами, так и рисками. Под коммуникацией в данном случае понимается возможность интеграции отдельных направлений, их отлаженной координации и организации обмена качественными и количественными данными с целью их оценки и организации сопутствующего взаимовлияния систем на основе проведенных исчислений. По сути, функционирование проектов и соответствующее их развитие требует учета рисков на их комплексном уровне. Так, например, система может просчитывать риски недофинансирования, анализируя состояние инвесторов и параллельно при этом изучая финансовое состояние хозяйствующего субъекта. При выявлении проблем функционирования, система запрашивает дополнительную информацию для более детального анализа причин, подсчета показателей и обмена информацией с блоком рисков. Итоговая координация двух систем приведет к принятию соответствующего управленческого решения, что позволит снизить влияние рисков без нарушения функционирования (в рамках изначально закладываемых в информационную систему границ анализа).
Кроме того, коммуникация в автоматизации предполагает и становление такой гибкости функционирования информационной системы, которая позволит наладить работу различных программ и переносить данные из одних в другие посредством действия специально обученных алгоритмов искусственного интеллекта и нейронных сетей. Формирование единого поля взаимодействия множества различных программ и реализации различных функций предполагает возможность реализации различных направлений деятельности информационной системы с включением дополнительных инструментов оценки.
По результатам автоматизации информационной системы по всем трем направлениям, при должном подборе инструментария, а также расширения каналов связи системы с внешней и внутренней информацией, задействованием методов машинного обучения и включения в деятельность человека, итоговые функции системы будут иметь достаточно комплексный и системный вид, представленный в качестве специального многофункционального приложения, позволяющего автоматически использовать несколько колоссально различных программ. В частности, это позволит автоматизировать и ускорить обмен данными, контактами, наладить коммуникационные процессы и сформировать условия обучения алгоритмов в рамках единой информационной системы.
Переходя к более практико-ориентированному описанию вышеизложенных процессов, важно отметить, что каждое из направлений автоматизации информационных систем уже имеет ряд предложений для решения комплексных задач и вопросов. В частности, необходимо рассмотреть несколько видов различных решений (представленных в виде программного обеспечения), позволяющих реализовывать множественные задачи и так или иначе автоматизирующих процессы хозяйствования субъектов предпринимательства.
- Автоматизация проектов – на рынке представлено множество программ с различным вариативным функционалом. Конкретный выбор, основа которого закладывается в информационную систему в качестве базового компонента, также зависит от потребностей хозяйствующего субъекта и предназначенных к реализации функций . Так, наибольшую перспективу занимают адаптивно-вариативные программы, оснащенные большим количеством функций с возможностью их отключения и/или полного исключения для снижения расходов по их приобретению. Здесь можно выделить Wrike – это комплексная система управления проектами, позволяющая наблюдать за ходом выполнения задач в реальном времени, а также предоставляющая возможности в автоматическом составлении документации, анализе портфелей проектов, а также решении корпоративных задач различного уровня сложности. Программа имеет широкие возможности по интеграции с другими программами и приложениями, что делает её более универсальным решением.
- Автоматизация управления рисками – как и в первом случае, предложения на рынке вариативны и обладают различными наборами функций, соотносимых с интересами отдельных предприятий. В частности, одни системы управления рисками нацелены больше на индикацию рисков и их выявление, а другие же, позволяют помимо оценки формировать и потенциальные решения на основе принципов инновационного менеджмента. Здесь важной характеристикой становится гибкость, возможность широкой автоматизации и интеграции с другим программным обеспечением.
В частности, для соотношения с системой управления проектами, скорее всего, понадобится написание дополнительных алгоритмов на основе искусственного интеллекта, позволяющих производить обмен данными и формировать сводку рисков. Лидерами современного рынка в области автоматизации управления рисками выступают такие программы, как Omnitracker Risk Management, SAP Risk Management, SAS Enterprise GRC и ряд других. Важно понимать, что, как и в случае с управлением проектами, выбор системы напрямую зависит от потребностей конкретной компании в текущих условиях.
- Автоматизация согласования функционирования различного программного обеспечения выступает в качестве центрального дискуссионного вопроса. В частности, в отношении некоторых программ и решений в области программного обеспечения представлены широкие возможности взаимодействия различных по функционалу программ (например, решение от одних разработчиков в виде модульного ПО, соединяя которое, предприятие получит комплексную информационную систему). В тоже время, согласование действия различного ПО от различных разработчиков возможно только в случае раскрытия алгоритмов и формирования собственной системы оценки действий программ через искусственный интеллект. Это предполагает постановку таких целей функционирования машинного обучения, в котором задействованные элементы информационной системы будут выдавать качественные и количественные данные, которые могут быть задействованы в ходе анализа соответствующих им направлений, а также установления функциональных взаимосвязей.
Таким образом, на примере рассмотренных решений, важно отметить, что итоговое формирование информационной системы на автоматическом уровне предполагает несколько путей решения; первый путь заключается в использовании уже готового модульного ПО и его внедрении в деятельность предприятия в качестве максимально гармонизированной и автоматизированной системы; второе же заключается в попытках интеграции различных программ и систем с целью формирования единого информационного пространства в виде обмена данными (их анализа, соотношения и согласования); третье же связано с воссозданием как отдельных элементов системы, так и полной разработкой всей информационной системы (что предполагает колоссальные затраты в области поддержания подобных инвестиций). Выбор конкретного пути достижения развития информационных систем зависит от множества факторов – это и наличие соответствующего ПО на рынке, стоимость обслуживания, разработки, а также учет иных целевых установок и интересов предприятия в области цифровизации собственной деятельности.
Как показывает проведенный теоретический анализ, интеграция работы отдельных информационных систем является довольно перспективным направлением, поскольку комплексное взаимодействие позволяет автоматизировать многие процессы и привести их в единую форму функционирования с удобством управления деятельностью хозяйствующего субъекта. В тоже время, практические аспекты и механизмы данных процессов требуют структурного изучения и проведения дополнительного анализа.
Полная автоматизация информационной системы является следствием внедрения различных решений в области отдельных компонентов формируемой ИС и их согласования в виде единого информационно пространственного интерактивного поля, основанного на действии алгоритмов искусственного интеллекта, инструментом развития которых являются открытые библиотеки машинного и глубинного обучения. Только в таком случае возможно достижение максимального комплексного взаимодействия систем на различных уровнях и развитие потенциальных аспектов преобразования ИС в сторону полной автоматизации. В теории, это предоставляет колоссальные возможности в развитии информационных систем через подключение дополнительных необходимых аспектов и их интеграцию с уже имеющимися. Однако, практическая сторона разработки данных вопросов требует уточнения с позиции методологии согласования, внедрения алгоритмов и их последующего обучения и предельных возможностей формуемой сети.
