Роль экспертных и рекомендательных систем для интеллектуализации бизнеса: отраслевой анализ рынка

Введение

Цифровизация бизнеса является залогом его устойчивого развития и конкурентоспособности. Экспертные и рекомендательные системы имеют ключевое значение для цифровой трансформации. Применение данного типа систем является современной практикой в различных отраслях. Экспертные системы крайне распространены на финансовом и фондовом рынке: бизнес-планирование, аналитика, инвестиционный анализ, скоринговые системы, комплексная система поддержки принятия решений. Системы активно применяются в маркетинге для анализа клиентского пути, персонализации предложения, анализа контента и стратегии продвижения, активно применяются в сфере работы с человеческими ресурсами, анализа успеха человека на разных должностях. В сфере образования рекомендательные и экспертные системы применяются для анализа вовлеченности в образовательный процесс, оценки успеваемости, интеллектуального предоставления справочной информации, для создания индивидуальной образовательной траектории, для создания индивидуального опыта обучения и др. В промышленности применение данного типа систем крайне широко, они позволяют управлять качеством, повысить производительность труда, контролировать промышленную безопасность [2, 3] (Antropov, Akhmadeev, Kosov, 2021). В медицине рекомендательные системы позволяют выявить возможные заболевания на основе комплекса симптомов, подобрать лечение и пр. Снабжение, логистика, список примеров можно расширять, поскольку рекомендательные и экспертные системы получили колоссальное распространение в последние годы. Экспертные и рекомендательные системы строятся на технологиях искусственного интеллекта [30, 35, 36] (Rinu Gur, 2018; Uchyigit, Clark, 2003; Zwass, 2016).

Интерес бизнеса к рассматриваемым системам был стабильно высокий. Доля компаний в России, разрабатывающих решения в области искусственного интеллекта (ИИ) на 2019 год для сегмента рекомендательных и экспертных систем, была выше, чем по другим сегментам (рис. 1).

Рисунок 1. Доля компаний, разрабатывающих решения в области искусственного интеллекта (ИИ) в России по субтехнологиям, в 2019 г. Источник: [33].

Что касается популярности данного направления в мире, интересно исследование, проведенное среди 845 менеджеров по всему миру в разных отраслях из компаний, использующих машинное обучение [33]. Целью исследования было выявление основных направлений использования искусственного интеллекта и машинного обучения. В 2021 году улучшение качества обслуживания клиентов составило 57%, при этом основные направления использования искусственного интеллекта и машинного обучения, позволившие достигнуть этих результатов, представлены на рисунке 2.

Рисунок 2. Примеры использования искусственного интеллекта и машинного обучения для компаний по всему миру с 2020 по 2021 год. Частота использования машинного обучения и искусственного интеллекта в 2020–2021 гг. (доля респондентов)

Источник: [33].

Из графика видно, что на долю рекомендательных систем приходится 27% кейсов. Развертывание машинного обучения и искусственного интеллекта в области рекомендательных систем может улучшить различные бизнес-процессы компании и значительно повысить эффективность бизнеса. Этим объясняется высокий интерес к разработке подобных систем.

Суммируя вышесказанное, можно обоснованно утверждать, что исследование и анализ рынка экспертных и рекомендательных систем представляются актуальными и своевременными.

Цель настоящего исследования – провести комплексный анализ экспертных и рекомендательных систем, сделать предположения относительно направлений развития данного типа систем.

Для достижения данной цели в исследовании ставятся следующие задачи: проанализировать в хронологическом порядке определения рекомендательных и экспертных систем, выявить, как определения изменились с годами; проанализировать разницу в построении данных систем; проанализировать используемые алгоритмы и подходы к созданию экспертной и рекомендательной системы; провести патентный анализ данных систем.

Авторская гипотеза: технологии искусственного интеллекта, применяемые при создании рекомендательных систем и экспертных систем, приближают функционал рекомендательных систем к экспертным и постепенно стирают грань между данными системами.

Методология

Для проведения хронологического анализа определений рекомендательных и экспертных систем был проведен обзор литературы до 2022 года включительно, авторов интересовали все возможные труды, которые могли бы содержать определения исследуемых понятий. Нижнего временного ограничения при поиске не ставилось. В поиске участвовали ключевые слова на русском и английском языках: рекомендательная система, recommendation systems и recommender systems выступали как синонимы (поисковые запросы данных слов по отдельности давали одни и те же результаты). Вторым поисковым словосочетанием было «экспертные системы» и «expert systems», других синонимичных словосочетаний обнаружено не было.

Для поиска определений активно использовались словари, такие как American Heritage Dictionaries и Merriam-Webster online Dictionary, также поиск проводился в следующих базах: Elibrary, Cyberleninka, ResearchGate, IEEE Xplore Digital Library; Wiley Online Library; ACM Digital Library; MDPI; Springer; Scopus. Поиск проводился на английском (ResearchGate, IEEE Xplore Digital Library; Wiley Online Library; ACM Digital Library; MDPI; Springer; Scopus) и русском языках (Elibrary, Cyberleninka). Все найденные тексты анализировались на предмет наличия определений экспертной системы или рекомендательной системы.

В ходе второй части исследования проводился патентный анализ рекомендательных и экспертных систем, патентная статистика была предоставлена Orbis Intellectual Property компании Bureau van Dijk [28]. Поиск проводился по 5 лет в разбивке по патентным офисам, шаги поиска – 20 лет по дате подачи патентной заявки (с 01.01.2000 по н.в.). Страновая разбивка показывает, где патенты были защищены. Ключевые слова искались в названии, аннотации патента, а также в тексте патентной заявки.

Понятие рекомендательных и экспертных систем

На текущий момент глобальная паутина переполнена неструктурированной информацией настолько, что у пользователей уходит все больше времени на поиски нужной. Появилось такое понятие, как интернет-серфинг, что означает, что интернет безграничен, как океан, а пользователи в нем занимаются серфингом по бесконечным ссылкам, сайтам, статьям. Информации так много, что возникла необходимость упростить поиск, структурировать ее так, чтобы пользователю было проще ее найти. Таким образом, был создан механизм рекомендаций, позволяющий пользователям находить информацию, соответствующую темам, которыми пользователь ранее уже интересовался. Реализован данный механизм был в формате рекомендательных систем. Системы, способные генерировать решения на основе имеющейся информации, системы поддержки принятия решений вышли на рынок в виде экспертных систем. Понятия «экспертные системы» и «рекомендательные системы» часто воспринимают как синонимы, в связи с усовершенствованием названных систем становится все сложнее их отличить. Функции вышеназванных систем очень похожи, но все-таки это разные типы систем. При этом системы представляют огромный интерес для бизнеса, открывая широкие возможности для его интеллектуализации. Так, необходимость в своевременной и точной информации, преобразовании ее в знания и оперативном принятии решений обусловила актуальность поиска системы, способной эффективно преобразовывать информацию и принимать решения, частично заменив эксперта. Такие системы могут успешно применяться в самых разных направлениях бизнеса для поддержки принятия решений: маркетинг, e-commerce, планирование, оптимизация бизнес-процессов, принятие стратегических решений и др.

Говоря о базовых системах, предшествовавших созданию экспертных систем, нужно сказать, что методы моделирования активно использовались в условиях административно-командных механизмов хозяйственного управления в СССР, что говорит о постоянных попытках настроить механизмы управления, усовершенствовать деятельность человека, формализовать знания и создать удобный инструмент. В докладе А.Р. Горбунова и Н.Н. Лычкиной в 2007 году раскрыта тема актуальности развития таких систем для бизнеса в РФ, подчеркивается актуальность использования имитационного моделирования, ведь благодаря ему возможно выстраивать все возможные комбинации [6] (Gorbunov, Lychkina, 2007). При этом используется термин «системы поддержки принятия решений», рассматривается использование имитационного моделирования в бизнесе. Системы поддержки принятия решений основаны на обработке данных, например, OLAP. Важно, что с использованием таких систем появляется так называемая корпоративная память. Управленческая деятельность, которая моделируется экспертными системами, технологически обусловлена положениями теории деятельности, которая была создана А.Н. Леонтьевым и С.Л. Рубинштейном в 1920-х годах [9, 10] (Leontev, 1975; Rubinshteyn, 1973). В 1950-х Эмиль Пост [20] (Post, 1943) подошел вплотную к понятию «экспертная система», анализируя возможности применения математических алгоритмов для поддержки принятия решений.

Для выявления отличий экспертных систем от других сначала рассмотрим определение экспертной системы и менялось ли оно с развитием технологии. Понятия «экспертная система» и «рекомендательная система» достаточно близки, во многих публикациях они употребляются как синонимы, поэтому необходимо разобраться с терминологической базой.

Так, в публикации Энгельмора и Фейгенбаума [21, 22] (Engelmore, Feigenbaum, 1993; Feigenbaum Edward, 1990) экспертные системы (ЭС) определяются как компьютерные программы, которые получены из отрасли компьютерных исследований под названием «искусственный интеллект (ИИ)».

Особенно интересно определение, которое дает Collins English Dictionary, причем определение не менялось за годы переиздания (1991, 1997, 2005, 2010) [18]: «Компьютерная программа, которая имитирует те функции из более человеческого эксперта в виде конкретной области, а в диагностике на проблеме, путем использования логических операций, чтобы сделать выводы из более хранящегося тела из специализированных знаний».

Еще одно определение подчеркивает уникальность рассматриваемой технологии: экспертная система – это программное обеспечение, которое содержит базу знаний о фактах и ​​отношениях и способно делать выводы на основе этой базы знаний. Экспертные системы представляют собой одну из самых передовых информационных технологий. Они помогают в решении наименее понятных задач обработки информации человеком, т. е. в принятии решений, решении проблем, диагностике и обучении. Они делают это путем хранения большого количества фактической информации по предметной области, а также рассуждений, используемых специалистами-экспертами в этой области [31] (Sharma, 2018).

Проведенный анализ определений позволил сгруппировать их в таблицу и увидеть, менялось ли оно с развитием технологии (табл. 1).

Таблица 1

Хронологический анализ определений понятия «экспертная система»

Таким образом, можем дать консолидированное определение понятия «экспертная система»: это сложная система, представляющая собой компьютерное программное обеспечение, созданное с целью накопления и сохранения знаний специалистов-экспертов узкой профессиональной области для:

1) передачи этих знаний и логических связей между ними менее квалифицированным специалистам той же области;

2) использования этих знаний для решения сложных задач;

3) предоставления вариантов решения, рекомендованных к принятию, исходя из заданных целей.

Поиск знаний, предоставление рекомендаций, решение задач осуществляется по заранее заданным правилам логического вывода.

В таблице 2 рассмотрены определения рекомендательной системы, сгруппированные в хронологическом порядке.

Таблица 2

Вариации определения рекомендательной системы

Исходя из представленных определений, РС – это отдельная система, которая может являться компонентом другой, более сложной системы, либо компонентом программного приложения.

Представим авторское консолидированное определение понятия «рекомендательная система»: это программа, которая на основе анализа предыдущего опыта пользователей пытается предсказать, что может быть интересно пользователю с аналогичными предпочтениями. Почти каждый крупный сайт использует механизм рекомендации для прослушивания музыки, просмотра фильмов, фотографий, статей и пр.

Рекомендательные и экспертные системы эволюционируют, масштабируются, увеличивается объем знаний в них, происходит совершенствование алгоритмов и увеличивается скорость обработки данных. В мире современных технологий быстро меняются не только сами решения, но и понятия, применяемые к ним, так происходит и в случае экспертных систем и рекомендательных систем. Например, алгоритмы, встречаемые в экспертных системах, можно встретить и при изучении рекомендательных систем. К наиболее классическим относятся неперсональные алгоритмы, методы, основанные на матричном разложении, и другие. В центре любой рекомендательной системы находится матрица предпочтений. Однако в таком ключе системы оказались бесполезны для пользователей, которые только начали свои исследования в интернете, в связи с этим рекомендательные системы были модернизированы и созданы несколько алгоритмов работы. Рекомендательные системы нужны потребителю, чтобы взаимодействовать с необъятным контентом, осуществлять «интернет-серфинг», а бизнесу нужны, чтобы эффективно взаимодействовать с потребителем. И чем более тонкая настройка рекомендательной системы, тем больше вероятность удовлетворить потребителя. Одна из проблем при использовании рекомендательных систем – это недостаток данных о пользователе: в основном это объясняется тем, что пользователи не готовы тратить много времени, сообщая информацию о себе. Оценить качество рекомендательной системы возможно, качество зависит от количества рекомендаций, которые система «угадала» для пользователя. Компания Netflix решила проблему таким образом: на основе минимальных данных системы выдает рекомендации на основе предпочтений других пользователей, схожие с теми, данных о которых недостаточно, например, такая выборка происходит по полу, возрасту, выбору темы интерфейса и так далее. Многие сайты также решают проблему рекомендаций и улучшения качества рекомендательных систем, позволяя пользователям оценивать качество выданных ему рекомендаций, подходит рекомендация или система ошиблась.

Рекомендательные системы есть во всех сервисах, которые нас окружают в цифровом пространстве: от магазинов, онлайн-кинотеатров, приложений по прослушиваю музыки, онлайн-банкинга, предлагающего индивидуальные пакеты услуг, до массовых открытых онлайн-курсов (МООК), в которых образовательные рекомендательные системы стали центральными инструментами для поддержки учащихся в процессе обучения. Рекомендательные системы можно охарактеризовать как взаимодействие B2C. Также была проведена систематизация существующих рекомендательных систем по отраслям (табл. 3).

Таблица 3

Примеры существующих рекомендательных систем

Рассмотрим экспертные системы. Экспертные системы помогают бизнесу не потонуть в разнообразном контенте, который генерируется в ходе работы. Огромные массивы данных в разных форматах ежедневно множатся на серверах компаний, только экспертная система может их обработать, структурировать и помочь принять решение на основе полученных результатов анализа информации. Но реальный уровень экспертных систем ниже желаемого, поэтому цифровые озера продолжают быть проблемой для бизнеса, информация скапливается в неструктурированном и необработанном виде. Хотя с каждым днем появляется все больше инструментов глубокого машинного обучения и есть надежда, что в ближайшем будущем мы сможем говорить об осушении цифровых озер и о предикативной аналитике на основе анализа больших данных.

На сегодняшний день эти системы активно применяются во многих отраслях: от медицины до авиаприборостроения. Все чаще данные системы называют системами, основанными на знаниях, AI-системами. В контексте Индустрии 4.0 умные предприятия используют передовые сенсорные технологии и технологии анализа данных для мониторинга производственных процессов. Экспертные системы на основе технологии искусственного интеллекта (ИИ), машинного обучения и интеллектуального анализа данных позволяют обнаружить и спрогнозировать потенциальные аномалии в производственных процессах. Экспертные системы можно охарактеризовать как взаимодействие B2B, причем бизнес взаимодействует с самим собой, они помогают бизнесу лучше понять себя и происходящие внутри процессы.

Сформулированные отличия экспертных и рекомендательных систем, а также выявленные особенности позволили разделить понятия, а также задуматься о потенциале применения экспертных и рекомендательных систем в бизнесе. Отечественные экспертные и рекомендательные системы разрабатываются в рамках систем искусственного интеллекта. Наиболее финансируемые компании в области искусственного интеллекта (ИИ) в России по состоянию на август 2021 года представлены на рисунке 3.

Рисунок 3. Наиболее финансируемые компании в области искусственного интеллекта (ИИ) в России по состоянию на август 2021 года, по общей сумме незавершенного производства (в миллионах долларов США)

Источник: [33].

Tech Lab была самой финансируемой компанией в области искусственного интеллекта со штаб-квартирой в России по состоянию на август 2021 года с общей суммой финансирования почти в 17,6 млрд долларов США. Tech Lab – это компания – разработчик программного обеспечения, специализирующаяся на решениях в области безопасности. Компания Geosplit, поставщик технологий для нефтегазовой отрасли, заняла второе место, получив общее финансирование в размере 6,5 млн долларов США.

Анализ патентной статистики

Вторым этапом настоящей работы было проведение патентного анализа на базе данных Orbis Intellectual Property компании Bureau van Dijk. Анализ патентов в области рекомендательных систем показал, что абсолютным лидером в защите патентов по данной технологии является Китай (общее число патентов 4 946), далее – United States of America (2 344), тройку лидеров занимает Korea (South) (1 270) с 2000 по 2020 год. Названные страны идут с колоссальным количественным преимуществом по сравнению с остальными, так, четвертое место занимает World Intellectual Property Organization (WIPO) с количеством патентов 899, пятое место занимает Japan с количеством патентов 787.

На данный момент за 20 лет накоплено 11 427 патентов в области рекомендательных систем. Карта мира с разбиением по общему количеству патентов в области рекомендательных систем представлена на рисунке 4.

Рисунок 4. Карта мира по общему количеству патентов в области рекомендательных систем с 2000 по 2020 г.

Источник: составлено авторами на платформе Orbis Intellectual Property компании Bureau van Dijk [28].

В последние 5 лет (2015–2020 гг.) наблюдался значительный рост числа патентов в области рекомендательных систем. Так, по динамике увеличения общего числа патентов в мире можно сделать вывод о кратном повышении интереса к рекомендательным системам (рис. 5).

Рисунок 5. Общее число защищенных патентов в области рекомендательных систем в мире по периодам

Источник: составлено авторами по данным Orbis Intellectual Property компании Bureau van Dijk [28].

Общее число защищенных патентов в области рекомендательных систем по странам показано на рисунке 6.

Рисунок 6. Динамика количества защищенных патентов в области рекомендательных систем по странам

Примечание: АРОПС – Африканская региональная организация промышленной собственности

Источник: составлено авторами по данным Orbis Intellectual Property компании Bureau van Dijk [28].

Что касается экспертных систем, патентный анализ дал следующие результаты.

Абсолютным лидером по общему числу патентов, так же как и в случае с рекомендательными системами, является Китай (3 740), на втором месте – США (2 661), третье место занимает World Intellectual Property Organization (WIPO) (853), четвертое – European Patent Office (575), пятое – Japan (471) (по общему числу патентов, зарегистрированных с 2000 по 2020 год) [28]. Общее количество защищенных за 20 лет патентов в области экспертных систем составляет 10 303 [28]. Карта мира по общему количеству патентов в области экспертных систем представлена на рисунке 7.

Рисунок 7. Карта мира по общему количеству патентов в области экспертных систем, зарегистрированных с 2000 по 2020 год

Источник: составлено авторами на платформе Orbis Intellectual Property компании Bureau van Dijk [28].

Что касается изменения интереса к экспертным системам, то можно заметить, что интерес к данной технологии незначительно изменился за последние 5 лет. Так, в период с 2000 по 2004 год было защищено 2 351 патент по всему миру, в период с 2005 по 2009 год – 2 244, в период с 2010 по 2014 год было защищено немногим больше – 2 523, в период с 2015 года по настоящее время было защищено 3 185 патентов.

Очевидно, что рост числа патентов в области экспертных систем незначителен по сравнению с кратным увеличением числа патентов в области рекомендательных систем. Динамика по экспертным системам представлена на рисунке 8.

Рисунок 8. Динамика количества патентов по экспертным системам

Источник: составлено авторами по данным Orbis Intellectual Property компании Bureau van Dijk [28].

Динамика количества патентов по экспертным системам в разрезе по странам представлена на рисунке 9.

Рисунок 9. Динамика количества защищенных патентов в области экспертных систем по странам

Примечение: ВОИС – Всемирная организация интеллектуальной собственности

Источник: составлено авторами по данным Orbis Intellectual Property компании Bureau van Dijk [28].

О чем может свидетельствовать меньшее количество патентов в последние годы в области экспертных систем по сравнению с рекомендательными? Возможно, о снижающемся интересе к технологии экспертных систем. Но также возможно, что более сложная технология экспертных систем подразумевает, что новые патенты в рамках данной технологии защитить труднее. Также можно предположить, что для повседневных нужд бизнеса, поддержки маркетинговой деятельности чрезвычайно нужны рекомендательные системы как эффективный инструмент повышения продаж. В то же время экспертные системы как системы поддержки принятия решения в узкоспециализированных направлениях и на стратегическом уровне требуют значительных инвестиций и поддержки, нуждаются в большом количестве данных для анализа и самообучения.

Дискуссия

Рекомендательные и экспертные системы играют все более важную роль для информированного потребления, услуг и принятия решений в эпоху перегруженности информации и цифровой экономики. Применение экспертных и рекомендательных систем позволит значительно повысить эффективность бизнеса.

Однако в последнее время все большее внимание уделяется опасностям нерегулируемых рекомендательных алгоритмов. Эксперты всерьез обеспокоены влиянием таких алгоритмов на людей: подобные системы способны создавать «аномальный интерес» к товарам, услугам или определенному контенту и могут использоваться как во благо, так и во вред обществу [4]. Алгоритмы рекомендательных и экспертных систем обрабатывают огромное количество информации, описывающей цифровой след пользователя: его поисковые запросы, поведение в цифровой среде, перемещения, круг общения и многое другое. Держатели подобных алгоритмов могут управлять спросом и общественным мнением, очевидно, что подобный мощный ресурс должен быть подконтролен регулирующим органам.

Заключение

В ходе работы над исследованием были проанализированы в хронологическом порядке определения рекомендательных и экспертных систем, выявлено, как определения изменились с годами. Была выявлена разница построения используемых алгоритмов и подходов к созданию экспертной и рекомендательной системы. Патентный анализ также дал свои результаты: очевидны растущий интерес к рекомендательным системам и некоторое снижение интереса к экспертным системам.

Было обосновано, что экспертные и рекомендательные системы являются абсолютно разными системами по назначению и происхождению. Экспертные системы обладают широкими возможностями применения в бизнесе, способны анализировать большие массивы данных, в том числе на естественном языке, что позволяет осуществлять комплексную поддержку принятия решений. Рекомендательные системы обладают более узким функционалом, направлены на решение достаточно узких задач, но обладают большим потенциалом роста, представляют значительный интерес для бизнеса. Используемые в рамках рекомендательных систем технологии делают данный тип систем все более приближенным к экспертным системам, стирая грань между ними. При этом нельзя утверждать, что потенциал применения экспертных систем для интеллектуализации бизнеса выше, чем рекомендательных систем. Это связано с использованием все более совершенных технологий и алгоритмов в каждой из систем. Так, применение технологий искусственного интеллекта позволяет расширить изначально относительно узкий функционал рекомендательных систем и осуществлять поддержку принятия решений в бизнесе, максимально приблизившись к понятию экспертных систем. Существующие недостатки систем постепенно устраняются с применением новых алгоритмов и технологий, таких как методы глубокого обучения на основе цифрового следа пользователя, которые широко используются в рекомендательных системах для пользовательского моделирования и сопоставления функций обучения на основе исторической матрицы взаимодействия. Системы учатся собирать всю возможную информацию о пользователе и запускают самообучающиеся алгоритмы на основе нейросетей. Можно сделать вывод о значимости данного типа систем для развития экономики и констатировать готовность бизнеса инвестировать в инновационные решения, связанные с рекомендательными и экспертными системами. Важность рекомендательных систем для маркетинговых целей колоссальна, также очевидна необходимость регулирования подобных систем на уровне государства, поскольку они получают доступ к огромным массивам разносторонней информации о пользователе.