Метод оценки качества информационных потоков при формировании big data в цифровой экономике

Городнова Н.В.1
1 Уральский федеральный университет, Россия, Екатеринбург

Статья в журнале

Вопросы инновационной экономики
Том 12, Номер 1 (Январь-март 2022)

Цитировать:
Городнова Н.В. Метод оценки качества информационных потоков при формировании big data в цифровой экономике // Вопросы инновационной экономики. – 2022. – Том 12. – № 1. – С. 607-624. – doi: 10.18334/vinec.12.1.114142.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=48333808

Аннотация:
В настоящее время приоритетным направлением российского государства является дальнейшая цифровизация экономических и социальных отношений, что предполагает широкое применение больших баз данных (big data), а также систем искусственного интеллекта при принятии решений. В этой связи тема работы, посвященная оценке качества информационных потоков при формировании больших данных, признается актуальной. Научная новизна исследования заключается в развитии теории принятия решений путем уточнения понятийно-категориального аппарата. В частности, автором уточнена дефиниция «информация» в условиях цифровой экономики; разработаны классификация и принципы отбора информации для создания информационных баз при принятии решений; исследована зависимость эффективности принимаемых решений от объема получаемой информации и затраченного времени, а также изучено влияние качества информационных потоков на эффективность принятия решения. Сделан вывод о том, что процесс развития цифровой экономики неизбежно приводит к эволюции общественного сознания и необходимости построения нового информационного общества, основными инструментами которого являются информационные и Smart-технологии, а также системы искусственного интеллекта. Это, в свою очередь, приводит к неизбежной трансформации и роли государства. Результаты научного исследования могут быть полезны для специалистов в сфере применения алгоритмов искусственного интеллекта в производственных и бизнес-процессах, а также лицам, принимающим управленческие решения в государственном и частном секторах экономики.

Ключевые слова: цифровая экономика, Smart-экономика, информация, информационные технологии, big data, искусственный интеллект, эффективность решения

JEL-классификация: L86, O31, O32, O33



Введение

Актуальность

В Послании Федеральному собранию 21 апреля 2021 года Президент России В.В. Путин подчеркнул, что развитие возможностей искусственного интеллекта (ИИ), недопущение глобальных климатических и антропогенных катастроф, а также развитие экономики замкнутого цикла в целях решения экологических проблем, являются приоритетными направлениями политики российского государства по формированию и развитию цифровой экономики [1]. Решение обозначенных проблем должно базироваться на системах формирования и обработки гигантских массивов информации и знаний с помощью прорывных it-технологий, а также применении мощнейших вычислительных систем и устройств.

Внедрение и широкое применение информационных технологий является базисом построения цифровой экономики и нового информационного общества. При этом проблема адаптации человечества к быстро меняющимся условиям внешней среды обитания, к принятию вызовов и угроз неопределенности и риска становится еще более актуальной в оцифрованной среде.

Построение информационных и Smart-пространств (к примеру, в крупных мегалисах и городах-хабах) нацелено на повышение эффективности энергетических систем, качества жизни общества, экономии использования природных ресурсов, что, несомненно, улучшает и общую экологическую обстановку.

Складывающаяся практика структурных и фазовых изменений в экономических отношениях свидетельствуют о том, что их успех заключается, во-первых, в переходе от пост-капиталистической в новую, информационно-цифровую фазу развития экономики, во-вторых, в построении оптимальной структуры цифровой экономики, представленной цифровыми платформами и цифровыми экосистемами, в-третьих, в активном государственно-частном инвестировании в развитие информационных и Smart-технологий, а также искусственного интеллекта.

Цель исследования – обосновать метод оценки качества информационных потоков (информативности) в процессе принятия решений в условиях цифровой экономики.

Для достижения обозначенной цели были поставлены и решены следующие задачи:

1) изучено понятие «информация» в условиях цифровой экономики и применения систем искусственного интеллекта;

2) исследованы принципы отбора информации для формирования баз данных и принятия решения;

3) разработана классификация поступающей информации;

4) исследована зависимость эффективности принимаемых решений от объема используемой информации и затраченного времени;

5) изучено влияние на эффективность принятия решения качества поступающих информационных потоков (информативности).

Научная новизна исследования заключается в развитии понятийно-категориального аппарата путем уточнения дефиниций «цифровая экономика», «Smart-экономика», «искусственный интеллект», «информация», «качество информации» и разработки классификации компонентов информационных потоков. На основе методов анализа и синтеза, а также экономического моделирования формализована зависимость эффективности процесса принятия решения от объема используемой информации и затраченного времени, построена графическая зависимость данных характеристик, а также произведена формализация метода оценки качества поступающей информации (информативности).

Основная гипотеза научного исследования: процесс принятия эффективного решения в конвергентной системе естественного и искусственного интеллекта в условиях цифровой экономики требует формирования больших баз данных (big data), а, следовательно, оценки качества исходной информации необходимого и достаточного объема

Сделан вывод о том, что процесс развития цифровой экономики неизбежно приводит к эволюции общественного сознания и построению нового информационного общества, основными инструментами которого являются информационные и Smart-технологии, а также широкомасштабное применение программ искусственного интеллекта. Кроме того, происходит трансформация роли государства, которое становится крупнейшим инвестором в сфере высоких технологий и формирования новой цифровой реальности. Цель государства в информационном обществе заключается в создании для общества прозрачной и эффективной системы решения проблем, связанных с новыми вызовами и угрозами, что требует колоссальных объемов накапливаемой информации [7, Дудин М.Н., Шкодинский С.В., 2021.

Основная часть. Оценка перспектив развития человеческого общества в условиях цифровой экономики

Шестой технологический уклад, который по оценкам экспертов, будет доминировать в период 2030-2090 гг., связан с четвертой промышленной революцией, характеризуется бурным развитием робототехники, нано- и био-технологий, развитием и широким внедрением алгоритмов искусственного интеллекта, глобальных интегрированных информационных сетей, высокоскоростными беспилотными транспортными технологиями, телемедициной и т.п. [2, Авербух, 2010]. В этой связи переход к новой экономической парадигме будет означать развитие среды обитания для человека, основанной на применении информационных технологий и Smart-систем [15, Умнова, Худяков и др., 2018].

Пандемия новой короновирусной инфекции, рост цен на энергоносители и разворачивающийся топливный кризис, надвигающиеся на человечество климатические проблемы, текущая стадия эволюционных процессов развития ставит перед общественным сознанием проблему определения дальнейших путей развития. Сегодня назрела острая необходимость переосмысления накопленного опыта и трансформации системы управления экономическими процессами с учетом современных вызовов и угроз [7, Дудин, Шкодинский, 2021].

Ускоренный переход к шестому технологическому укладу, характеризующемуся тотальной цифровизацией всех сторон общественной жизни, масштабным применением информационных и умных технологий, а также больших баз данных и алгоритмов искусственного интеллекта, требует и построения нового общества. В ближайшей перспективе будут наблюдаться создание глобальный мегалисов и построение городов-хабов, а также смещение центра экономического роста в страны Южно-Восточной Азии и Индии. Направления развития отдельных отраслей, состояния человеческого общества и ситуация, приведены в таблице 1.

Таблица 1 – Перспективы развития экономической и социальной жизни человеческого общества до 2025 года [2]

Отрасли
Общество
Частный бизнес
Цифровизация отраслей, направлений деятельности и рынков
Применение системы data-driven (процесс принятия решений искусственным интеллектов на основе big data) [11]
Ценность времени
Универсальная стержневая компетенция – эффективное управление сетевыми ресурсами
Массовое применение роботов, крио-, теле-, веб-, био-, эко-, нано- реальность
Объединение форм трудовых отношений с носителями компетенций
Устойчивость рынков продуктов с коротким сроком производственного цикла
Доминирование алгоритмов искусственного интеллекта в процессе принятия решения
Проектная работа, применение алгоритмов искусственного интеллекта
Рост цен на продукты питания
Рост значимости дизайна и эмоционального отклика
Частичная занятость
Развитие аутсорсинга
Рост спроса на медицинские услуги
Удаленная работа, фриланс

Переходный процесс к шестому технологическому укладу характеризуют ниже приведенные статистические данные, показывающие темпы роста рынков различного оборудования, связанного с развитием и применением информационных технологий и систем искусственного интеллекта (см. таблицу 2).

Таблица 2 – Объем рынка оборудования (без инжиниринговых услуг и сервиса) [3]


пп
Вид оборудования или услуг
Объем рынка, млрд долл США
Среднегодовой темп прироста, %
2012-2019 гг.
2019-2024 гг.
1
Солнечные панели
132
11
15
2
Ветрогенераторы
89
9
12
3
Системы хранения электроэнергии
12
6
15
4
Электромобили
90
18
37
5
Беспилотные автомобили
7
10
16
6
Системы интеллектуальных датчиков, сенсоров, машинное зрение, интеллектуальные сервисы [1]

1 380

26

27
7
Искусственный интеллект
2
43
64
8
Робототехника
47
11
25
9
Беспилотные летательные аппараты
13
9
14
10
3D-печать и 3D-сканирование
9
24
36
11
Дополненная и виртуальная реальность
11
87
108

Применение принципов алгоритмов искусственного интеллекта, систем информационных и Smart-технологий открывает новые возможности для всего человеческого сообщества [18, Эрк, Судаченко, Тимофеев, 2019].

В этой связи в ноябре 2021 года была проведена Генеральная конференция ЮНЕСКО [4], посвященная трансформации человеческого общества и регулированию сферы тотального применения искусственного интеллекта в производственных и бизнес-процессах. В ходе указанной конференции были разработаны и утверждены Рекомендации для государств-членов ЮНЕСКО, направленные на защиту прав человека и общества в целом в ходе цифровой трансформации экономики, а также заложена глобальная основа для решения проблем в сфере транспарентности и конфиденциальности цифровых данных [16, Храпов, Баева, 2021].

Главной задачей цифровой экономики становится максимально эффективное управление ресурсами на основе организации прозрачного движения потоков внутренней и внешней информации, осуществляемое при помощи искусственного интеллекта и big data [8, Кафпанов, 2017].

На рисунке 1 приведено модельное представление эволюции общественного сознания в условиях цифровизации экономики и внедрения систем искусственного интеллекта.

В настоящее время по уровню воспринимаемой информации человеческое общество проходит одновременно пятый, шестой и седьмой этапы трансформации общественного сознания. Это означает, что в настоящее время идет бурный процесс создания и накопления колоссальных баз данных различной информации (big data) в целях обучения алгоритмов и систем искусственного интеллекта в построения экономики нового типа [11, Семячков, 2020].

В этой связи необходимо ввести ряд определений и уточнений дефиниций.

Цифровая экономика – это система процессов и способов деятельности, основанных на применении цифровых технологий, связанных с электронными бизнесом и торговлей, позволяющих осуществлять реализацию цифровых товаров и услуг в киберпространстве [5].

7. Этап тотального применения искусственного интеллекта

6. Этап обучения алгоритмов искусственного интеллекта

Рисунок 1. Модель эволюции общественного сознания от объема используемой информации

Figure 1. Model of the evolution of public consciousness on the amount of information used

Источник: составлено автором по [2, 6].

Иными словами, цифровая экономика – это система заключения сделок с помощью электронных средств передачи, обмена и хранения накапливаемой информации (стационарного и мобильного интернета) с применением возможностей электронных средств платежа, криптовалюты и цифровой валюты [6, Городнова, 2021]. В широком смысле под цифровой экономикой будем понимать создание сетевой, системно-организованной пространственной структуры экономических отношений между хозяйствующими субъектами, которая включает секторы (центры) создания и использования новой информации, цифровые технологии и цифровые продукты, телекоммуникационные услуги, электронный бизнес, электронную торговлю (Интернет-торговлю), электронные рынки, дистанционные механизмы заключения сделок, дистанционное обслуживание, дистанционное образование и ряд других компонентов, а также систему нового типа принятий решений [12, Тагаров, 2021]. Технологии цифровой экономики позволяют создать единую систему статистической обработки данных в целях реализации государственно-частного мониторинга и оценки эффективности деятельности отдельных компаний и государств в киберпространстве [6].

Реализация концепции применения информационных и Smart-технологий предполагает исследование закономерностей и особенностей функционирования цифровой экономики как системы взаимодействующих и взаимосвязанных экономических, политических, социальных, инвестиционных и инновационных элементов и возможностей, таких как создание Smart-экономических зон, крупных Smart-экономических районов, Smart-субъектов экономических кластеров, Smart-городских агломераций и других пространственных Smart-экономических образований [20, Gomonov, Berezin, 2018].

В этой связи введем понятие Smart-экономики – это рациональное пространственное распределение экономических ресурсов, эффективная экономическая дифференциация и интеграция в национальном пространстве, разработка перспективных Smart-направлений развития цифровой экономики отдельных городов-мегалисов и городов-хабов, как структурных элементов экономики и региональной социально-экономической политики, а также определение способов, методов и механизмов применения Smart-технологий в целях повышения качества жизни человеческого общества [17, Цыпин, Цыпина, 2019].

Как уже было показано выше, развитие Smart-экономики требует смену бизнес-ориентированных экономических отношений, характеризующихся формированием условий и предпосылок для частного бизнеса, ключевой целью которого является максимизация прибыли, затем стабильное функционирование крупных транснациональных компаний на рынке, а также развитие фондового (спекулятивного) рынка, к принципиально новой фазе: завершения процесса цифровизации экономики, создание цифрового пространства с заменой всех аналоговых сфер деятельности. Это, в свою очередь, требует формирования колоссальных массивов оцифрованных данных. Таким образом, основная гипотеза данного научного исследования состоит в том, что процесс принятия эффективного решения в условиях цифровой экономики требует оценки качества исходных информационных потоков [9, Нгуен, 2018].

Схематично фазовый переход к новой цифровой экономике, позволяющей создавать конвергентные центры принятия решений, основанные на интеграции возможностей естественного и искусственного интеллекта, представлен на рисунке 2.

Рисунок 2. Моделирование фазового перехода к цифровой экономике

Figure 2. Model of the phase transition to the digital economy

Источник: составлено автором по [5, 6].

Под искусственным интеллектом будем понимать интегрированные технологии, базирующиеся на возможностях машинного обучения, использующих гигантские объемы данных и мощные алгоритмы в целях выработки быстрых решений комплексных научно-технических задач и осуществления прогностических функций высокой степени надежности. Иными словами, искусственный интеллект – это комплекс родственных естественному и стремительно развивающихся процессов и технологий эффективного функционирования экспертных систем и виртуальных агентов. Человечество вплотную подошло к широкому применению конвергентных технологий, базирующихся на интеграции возможностей естественного и машинного мышления в целях принятия эффективных и оптимальных решений.

Накопленный за период 2020-2021 гг. опыт реализации экономического взаимодействия демонстрирует, бесспорно, прорывной характер развития и применения информационных и Smart-технологий. Мировое экономическое сообщество и российская экономика нарастающими темпами осущест­вляют формирование гигантских баз данных (big data), которые служат основой для применения систем искусственного интеллекта. Алгоритмам и программам искусственного интеллекта будет делегирован процесс принятия решений относительно важнейших проблем всего человечества. В этой связи со всей определенностью можно утверждать, что наиважнейшим ресурсом является информация, концентрируемая в различных базах данных и единых, электронных информационных реестрах.

Под информацией в данной работе понимается система сведений об экономических процессах, действиях, закономерностях, законах, отчетная и аналитическая информация, связанная с производственными и бизнес-процессами государственных и частных экономических агентов, а также персональные данные физических лиц, агрегированные в большие базы данных (big data) при помощи современных информационных технологий [5, Воронов, Городнова, Емельянов, 2017].

Современное состояние информационных технологий можно охарактеризовать следующими тенденциями (см. рисунок 2):

1) ускорением цифровизации всех сторон социально-экономического отношений;

2) наличием и лавинообразным ростом большого количества различных баз данных (big data) и разнообразных единых электронных реестров;

3) созданием технологий алгоритмов искусственного интеллекта на основе глубокого обучения нейронных сетей в целях повышения эффективности использования всех видов ресурсов: инвестиционно-финансовых, материальных, производственных, трудовых, информационных, природно-экологических и пр. При этом повышаются требования к точности и эффективности прогнозирования и модификации системы управления экономическими процессами и обществом в целом [4, Блэйк, Мутон, 2013].

Принципами отбора критериев для поиска и декомпозиции информации, включенной в big data, заключаются в следующем: во-первых, одна из основных целей развития цифровой экономики – это инновационные решения проблем и вызовов, стоящих перед человеческим обществом при определяющей роли трансформированного государства, т.е. разработка и внедрение прорывных технологий и «ноу-хау», а также финансовая поддержка государством научных исследований [19, Aleksey, Olga, Aslan, 2019].

Во-вторых, ожидаемые позитивные для человеческого общества последствия деятельности цифровых гигантов и экосистем заключаются в формировании новой мета-реальности. Иными словами, целесообразно рассмотреть группу критериев, характеризующих общее качество информационных потоков, составляющих big data, с точки зрения эффективности принимаемых решений [13, Тарасенко, 2016].

В данном исследовании предлагается рассматривать систему управления экономическими процессами, как некий интегральный центр управления, включающий конвергенцию естественного и искусственного интеллекта, который способен обработать все поступающие информационные потоки в целях выработки двух типов интеллектуальной продукции:

1) информации в виде аналитических данных (big data) в целях обучения нейронных сетей искусственного интеллекта;

2) информационных потоков в виде оперативных и стратегических решений, принимаемых естественным интеллектом (лицами, принимающими управленческие решения).

В рамках производственного цикла данного конвергентного центра принятия решений, получающего информационное «сырье» и вырабатывающего соответствующий информационный продукт, осуществляется накопление, компоновка и перекомпоновка информации, объединение данной информации с другой и т.д.

Оценка качества информационных потоков при принятии решений

Процесс цифровой трансформации экономических отношений зависит от скорости вхождения в новую, выше обозначенную фазу экономического развития. Указанная фаза характеризуется следующими основными признаками:

· во-первых, наличием избыточного и неограниченного ресурса (big data, искусственного и человеческого интеллекта) и системы управления им;

· во-вторых, трансформацией организации процессов принятия решения с помощью алгоритмов искусственного интеллекта;

· в-третьих, сжатием расстояния и времени, т.е. глобальным процессом ускорения перемен.

В обозначенных условиях зависимость эффективности принимаемых решений от объема используемой информации и затраченного времени на можно формализовать следующим образом:

E = f (I, Тd); (1)

Тd = f (I); (2)

E = f (Q), (3)

где E (пер. с англ. – efficiency) – эффективность принятия решения;

Тd (пер. с англ. – time to decide) – время, необходимое для принятия решения;

I (пер. с англ. – information) – объем используемой информации;

Q (пер. с англ. – quality) – качество поступающей и анализируемой информации.

Выражение (1) и рисунок 3, представленный ниже, демонстрируют действие закона зависимости эффективности решения от объема и качества поступающей информации [3, Алтухов, Афонский, 1984]. При определенном объеме информации (0-I1) эффективность принимаемого решения при помощи естественного мышления быстро возрастает, находясь практически в линейной зависимости от объема поступающих информационных потоков и уточнении исходной информации. Однако дальнейший рост объема информации в интервале I1-I в традиционных системах управления не приводит к существенному росту эффективности принимаемого решения. При лавинообразном росте информационных потоков система управления рискует не успеть обработать всю имеющуюся информацию (кривая 1, рисунок 3).

При этом в идеальной модели существует оптимальное решение (Eopt), которое можно получить при условии наличия исчерпывающей информации об экономических процессах. Однако в рыночной экономике управленческие решения в силу объективных и субъективных факторов принимаются, как правило, в условиях дефицита достоверной информации. Поэтому реально принимаемые решения, которые могут считаться приемлемыми (Eac) и адекватными имеющимся объемам информации, значительно отличаются от оптимального решения (optimal). В выделенной области (Eopt-Eac) расположены решения, отличные от оптимального, но считающиеся приемлемыми (acceptable) в определенных, заданных условиях. В зоне (0-Eac) расположен ряд неприемлемых решений.

Время, Эффективность решений, E

Тd

Eopt

Приемлемые 5

решения

Eac Зона эффективных 4

решений 1

3

Неприемлемые

решения

Тd

2

0 I1 I2 I3 I4 Объем

информации I

Рисунок 3. Кривая эффективности принимаемого решения:

1 – эффективность принимаемого решения системой управления; 2 – объем используемой информации; 3 – эволюция сознания человеческого общества;

4, 5 – принятие оптимального решения алгоритмами искусственного интеллекта

Figure 3. The curve of the effectiveness of the decision:

1 – effectiveness of the decision made by the control system; 2 – amount of information used; 3 – evolution of consciousness of human society; 4, 5 – optimal decision by the artificial intelligence algorithm

Источник: составлено автором по [3, 5].

В соответствии с выражением (2), время на принятие решения, оказывающее влияние на его эффективность, также зависит от роста объема используемой информации (кривая 2, рисунок 3). Это означает, что в случае дефицита информации время на принятие решения будет существенно нарастать, поскольку естественный интеллект, принимающий решения, вынужден методом перебора оценить множество вариантов приемлемого решения. С ростом объема используемой информации количество возможных вариантов решений сокращается.

Дальнейший рост объема поступающей и используемой информации приводит к резкому увеличению затраченного времени на принятие решения. Это обусловлено избыточным объемом информации, требующим дополнительных затрат времени на ее обработку и анализ. Качество принимаемого решения повышается менее интенсивно, поскольку принимаемое решение приближается к области приемлемых решений и, следовательно, дальнейший быстрый рост эффективности принимаемых решений не происходит.

Кривая 3 (рисунок 3) демонстрирует зависимость эволюции человеческого сознания от объемов накопленной и обрабатываемой информации. Более подробно об этом было изложено выше (см. комментарии к рисунку 1).

Кривые 4 и 5 – это моделирование принятия оптимального решения алгоритмами искусственного интеллекта в зависимости от накопленной информации высокого качества (информативности), полученной в big data. Данные кривые показывают резкий рост эффективности решений, принятых системами искусственного интеллекта, за ограниченный промежуток времени. После получения оптимального решения система получает новую задачу. Кривая 5 обозначена на графике пунктирной линией в связи с возможным перемещением по горизонтальной оси влево или вправо в зависимости от поставленной задачи и располагаемой информации.

При включении в процесс управления и принятия решений возможностей искусственного интеллекта механизм работы закона зависимости эффективности принимаемых решения от объема поступающей информации существенным образом трансформируется: для алгоритмов искусственного интеллекта требуются колоссальные объемы непрерывных информационных потоков. Это направление исследований остается за рамками данной статьи. Здесь на рисунке 3 только обозначена возможность интеграции алгоритмов искусственного интеллекта в процесс принятия решений на основе системы data-driven на объемах информации от I4 до ∞.

Если промежуток времени, имеющийся для принятия решения, находится в диапазоне 0-Тd, то объем получаемой и анализируемой информации в интервале I1-I4 будет считаться достаточным, поскольку обеспечивает процесс принятия решения естественным интеллектом в допустимые сроки времени. Однако необходимым будет считаться только объем информации, расположенный в интервале I2-I3, который обеспечивает принятие эффективного решения, базирующегося на необходимом и достаточном объеме поступающей информации и в минимально отведенное для этого время.

Эффективность принимаемых традиционной системой управления решений будет снижаться при возрастании объемов исчерпывающей информации, что требует включения алгоритмов машинного интеллекта и лавинообразного возрастания больших баз данных.

Далее рассмотрим такой аспект, влияющий на эффективность принятия решения, как качество поступающей информации (информативность), обозначенное Q, quality. Время на принятие решение и его эффективность будут зависеть от доли полезной информации, а также наличия помех и шумов в общем объеме обрабатываемой информации. Классификация используемой информации представлена на рисунке 4.

Под новой информацией (пер. с англ. – new, Inew) следует поднимать ту содержательную часть информационных потоков, которая способна изменить структуру общественного и индивидуального тезаурусов, т. е. полного систематизированного набора данных о какой-либо социально-экономическом явлении, процессе или области знаний. По своему составу новая информация подразделяется на истинную информацию (пер. с англ. – true, Itrue,) и шум (Inoise), который, в свою очередь, также относится и к помехам (Iinterference), но не входит в сферу полезной информации (Iuseful).

Составляющие информации

Полезная информация (Iuseful) Помехи (Iinterference)

Шум Истина Релевантная Нерелевантная Искажения Шум

(Inoise) (Itrue) (Irelevant) (Ianrelevant) (Idistortions) (Inoise)

Новая информация Избыточная информация (Iredundant)

(Inew)

Объем используемой информации I

Рисунок 4. Классификация используемой информации I

Figure 4. Classification of the information used I

Источник: составлено автором по [3, 5, 10].

Под шумом в данной работе подразумевается такие искажения информационного поля (дезинформация), которые в силу различных причин присутствует в любой используемой информации: ошибки в прогнозах, ошибки в расчетных показателях, необоснованные выводы. некорректно сформулированные обобщения и т. д. Шум является наиболее опасным видом помех, поскольку в значительной степени снижает содержательность информации (информативность), а, следовательно, и качество поступающей и используемой информации. Объем искажений в информационном потоке (пер. с англ. – distortions, Idistortions) также зависит от количества статистических и арифметических ошибок, а также от четкости формулировок рекомендаций и итоговых результатов работы.

К избыточной (Iredundant) можно отнести уже известную и переработанную информацию, излишнюю подробность и повторения при описании того или иного явления (процесса). Избыточная информация состоит из информации релевантной (relevant – пер. с анлг. – уместный, относящийся к делу) (Irelevant) и нерелевантной (Ianrelevant). Причем граница между ними имеет достаточно подвижный характер и зависит от уровня знаний потребителя в данной области. Релевантная информация в общем объеме поступающей информации должна преобладать над избыточной нерелевантной информацией, поскольку данный фактор обеспечивает понимание и восприятие новой информации.

Для характеристики качества информации (Q, quality) введем такие понятия, как содержательность (R, richness) и помехоустойчивость (noise immunity, NI) информации, которые в соответствии с теорией связи находятся в следующей зависимости [14, Томпсон, 2013]:

NI = 1 / R. (4)

Следовательно, формально качество информации (информативность) можно определить следующим образом:

Q = f (R, NI) (5)

В идеальном случае качество информации (информативность) можно оценить следующим образом:

Q = Inew / (Inew + Irelevant) (6)

Выражение (6) показывает, что качество информации соответствует заданному условию: поступление новой информации не искажает смысловой нагрузки информационного потока.

Таким образом, качество информации (информативность) можно формализовать следующим образом:

Q = R = 1/NI = Inew/(Inew + Irelevant + Ianrelevant + Idistortions + Inoise) (7)

Следует отметить, что повышению качества информационных потоков способствует использование современных систем управления на основе соответствующего программного обеспечения и систем искусственного интеллекта.

Выводы. В ходе исследования были смоделирован фазовый переход к цифровой экономике и показана необходимость трансформации государства и общества, а также подтверждена основная научная гипотеза о том, что в процессе принятия решения в условиях цифровой экономики требуется оценка качества информационных потоков в процессе формирования больших баз данных (big data), которая послужила основой для разработки метода такой оценки. В целях повышения качества информационных потоков в рамках цифровой экономики необходимо применять системы искусственного интеллекта, нацеленные на решение конкретных задач. Однако для осуществления обучения указанных алгоритмов требуются гигантские массивы информации высокого качества. Исследованию данного диалектического процесса накопления информации, являющейся базой для обучения алгоритмов, способных оценивать качество поступающих в дальнейшем информационных потоков, осмыслению специфики функционирования конвергентного центра принятия решения, базирующегося на интеграции систем естественного и искусственного интеллекта, а также постановке новой научной гипотезы, будут посвящены дальнейшие научные исследования.

[1] Послание Президента Федеральному собранию. 21.04.2021 г. – [Электронный ресурс]. – режим обращения: http://www.kremlin.ru/events/president/news/65418. (дата обращения 22.04.2021 г.).

[2]Составлено автором по: Источники: Рынок. Финансы. Недвижимость. Происходит колоссальная ломка. – [Электронный ресурс] – Режим доступа: /http://sia.ru (дата обращения 16.01.2022 г.).

[3]Составлено автором по: Искусственный интеллект (мировой рынок). – [Электронный ресурс] – Режим доступа: https://www.tadviser.ru/index.php/Статья:Искусственный_интеллект_(мировой_рынок) (дата обращения 15.01.2022 г.).

[4]Этические аспекты искусственного интеллекта. – [Электронный ресурс]. – Режим доступа: https://www.russianireland.com/jeticheskie-aspekty-iskusstvennogo-intellekta/ (дата обращения 10.07.2021 г.).

[5]Ефимушкин В.А. Понятие цифровой экономики. – [Электронный ресурс]. – Режим доступа: https://bi.hse.ru/data/2017/03/30/1168539176/КС28.03%20- %20Владимир%20Ефимушкин.pdf (дата обращения 24.05.2021 г.).

[6] Индикаторы цифровой экономики: 2020: статистический сборник / Г. И. Абдрахманова, К. О. Вишневский, Л. М. Гохберг и др.; Нац. исслед. ун-т «Высшая школа экономики». – М.: НИУ ВШЭ, 2020.


Источники:

1. Абдрахманова Г.И., Вишневский К.О.,Гохберг Л.М. и др. Индикаторы цифровой экономики: 2020. / Статистический сборник. - М.: НИУ ВШЭ, 2020. – 360 c.
2. Авербух В.М. Шестой технологический уклад и перспективы России (краткий обзор) // Вестник Ставропольского государственного университета. – 2010. – № 71. – c. 159-166.
3. Алтухов П.К., Афонский И.А., Рыболовский И.В., Татарченко А.Е. Основы теории управления войсками. - М.: ВоенИздат, 1984. – 221 c.
4. Блэйк Р.Р., Мутон Д.С. Научные методы управления. / Пер. с англ. - Киев: Вышейшая школа, 2013. – 274 c.
5. Воронов Д.С., Городнова Н.В., Емельянов А.А. Информационно-технологическая фаза развития экономики как фактор повышения конкурентоспособности российских интегрированных компаний // Вестник НГУЭУ. – 2017. – № 3. – c. 259-272.
6. Городнова Н.В. Развитие цифровой экономики: теория и практика // Вопросы инновационной экономики. – 2021. – № 3. – c. 911-928. – doi: 10.18334/vinec.11.3.112227 .
7. Дудин М.Н., Шкодинский С.В. Тенденции, возможности и угрозы цифровизации национальной экономики в современных условиях // Экономика, предпринимательство и право. – 2021. – № 3. – c. 689-714. – doi: 10.18334/epp.11.3.111785 .
8. Кафланов Р.И., Оркин В.В. Использование интеллектуальной системы при адаптивном управлении информационными потоками // Наукоемкие технологии в космических исследованиях Земли. – 2017. – № 6. – c. 73-79.
9. Нгуен Т.Т.Х. Анализ информационных потоков в управлении цепями поставок в рыночной экономике Вьетнама // Символ науки. – 2018. – № 6. – c. 59-63.
10. Мусрепов Б.С. Теория военного управления: история и современность // Obronność - Zeszyty Naukowe Wydziału Zarządzania i Dowodzenia Akademii Obrony Narodowej nr. – 2015. – № 13. – c. 136-140.
11. Семячков К.А. Цифровые данные как ключевой ресурс развития умных городов // Экономика, предпринимательство и право. – 2020. – № 12. – c. 3003-3020. – doi: 10.18334/epp.10.12.111345 .
12. Тагаров Б.Ж. Цифровой кластер как новая форма экономической концепции // Креативная экономика. – 2021. – № 2. – c. 327-340. – doi: 10.18334/ce.15.2.111726 .
13. Тарасенко А.И. Критерии оценки эффективности обеспечения информационной безопасности при управлении информационными потоками на основе на основе динамических приоритетов // Science Time. – 2016. – № 4(28). – c. 816-825.
14. Томпсон А.А., Стрикленд А.Д. Стратегический менеджмент: концепции и ситуации для анализа. / Пер. с англ. - 12-е изд. - М.: Вильямс, 2013. – 928 c.
15. Умнова О.В., Худяков А.В., Маркин А.А., Маркин И.А. Проектирование многоэтажного офисного здания с элементами BIM-технологий // BIM. Проектирование. Строительство. Эксплуатация: В Материалы Всероссийского Форума. Воронеж, 2018. – c. 22-29.
16. Храпов С.А., Баева Л.В. Философия рисков цифровизации образования: когнитивные риски и пути создания безопасной коммуникативно-образовательной среды // Вопросы философии. – 2021. – № 4. – c. 17-26. – doi: 10.21146/0042-8744-2021-4-17-26 .
17. Цыпин И.С., Цыпина С.И. Стратегия развития экономики и промышленности России в условиях международной нестабильности // Экономика. Налоги. Право. – 2019. – № 1. – c. 76-85. – doi: 10.26794/1999-849X-2019-12-1-76-85 .
18. Эрк А.Ф., Судаченко В.Н., Тимофеев Е.В. Интеллектуальные энергосберегающие технологии с использованием возобновляемых источников энергии // Технологии и технические средства механизированного производства продукции растениеводства и животноводства. – 2019. – № 1(98). – c. 247-257. – doi: 10.24411/0131-5226-2019-10143 .
19. Aleksey R.T., Olga B.M., Aslan B.T. Distinctive features of the logistics to managing information flow // Journal of the ural state university of economics. – 2019. – № 1. – p. 112-130. – doi: 10.29141/2073-1019-2019-20-1-8 .
20. Gomonov K., Berezin A., Matyushok V., Balashova S. Introduction of Smart Grid in Russia: feasibility study // Proceedings of the 11th International Days of Statistics and Economics. Prague, Czech, 2017. – p. 428-438.

Страница обновлена: 26.05.2022 в 02:39:36