kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2024-3(15)-6kaz44-1318Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)АВТОМАТИЗАЦИЯ АНАЛИЗА ДАННЫХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТАAUTOMATION OF DATA ANALYSIS USING ARTIFICIAL INTELLIGENCE METHODShttps://orcid.org/0009-0005-0652-5603ШумкинВ. И.ShumkinV. I.

Владислав Игоревич Шумкин – магистр технических наук, преподаватель кафедры «ITтехнологий»,

071412, г. Семей, ул. Глинки, 20 А

Vladislav Shumkin – Master of Technical Sciences, lecturer of the Department «IT Technology»,

071412, Semey, 20 A Glinka Street

shumkin1999@list.ruКайсановС. Б.KaysanovS. B.

Советказы Бекенович Кайсанов – преподаватель кафедры «IT-технологий»,

071412, г. Семей, ул. Глинки, 20 А

Sovetkazy Kaysanov – lecturer of the Department «IT Technology»,

071412, Semey, 20 A Glinka Street

kaisanov@mail.ruУниверситет имени Шакарима города СемейКазахстанShakarim University of SemeyKazakhstan20242709202403(15)3742Copyright © Шумкин В.И., Кайсанов С.Б., 20242024Шумкин В.И., Кайсанов С.Б.Shumkin V.I., Kaysanov S.B.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/1318

В статье рассматриваются современные подходы к автоматизации анализа данных с использованием методов искусственного интеллекта (ИИ). В условиях стремительного роста объемов данных, поступающих в различные системы, их анализ и обработка становятся сложной задачей. Автоматизация этих процессов с помощью ИИ позволяет повысить эффективность и точность анализа данных, минимизировать человеческий фактор и ускорить принятие решений. В статье обсуждаются методы машинного обучения и глубинного обучения, используемые для автоматизации анализа данных, а также примеры их применения в различных отраслях, таких как финансы, медицина, промышленность и маркетинг. Особое внимание уделяется преимуществам и ограничениям существующих подходов, а также перспективам их дальнейшего развития. В статье подробно рассматриваются условия и методы исследования, направленные на изучение и оценку эффективности различных моделей ИИ в автоматизации анализа данных. Проводится анализ полученных результатов и обсуждаются перспективы дальнейшего развития технологий ИИ в этой области. Исследование подчеркивает важность интерпретируемости моделей ИИ, необходимости разработки новых методов, способных эффективно работать с ограниченными и шумными данными, а также снижения вычислительных затрат, связанных с их применением.

The article discusses modern approaches to automating data analysis using artificial intelligence (AI) methods. With the rapid growth of data volumes entering various systems, their analysis and processing are becoming a complex task. Automating these processes with AI allows us to increase the efficiency and accuracy of data analysis, minimize the human factor, and speed up decision-making. The article discusses machine learning and deep learning methods used to automate data analysis, as well as examples of their application in various industries, such as finance, medicine, industry, and marketing. Particular attention is paid to the advantages and limitations of existing approaches, as well as prospects for their further development. The article discusses in detail the conditions and methods of research aimed at studying and evaluating the effectiveness of various AI models in automating data analysis. The obtained results are analyzed and prospects for further development of AI technologies in this area are discussed. The study emphasizes the importance of interpretability of AI models, the need to develop new methods that can effectively work with limited and noisy data, as well as reducing the computational costs associated with their use.

автоматизация анализа данныхискусственный интеллектмашинное обучениеглубинное обучениебольшие данныеинтеллектуальные системыautomation of data analysisartificial intelligencemachine learningdeep learningbig dataintelligent systemsReferencesReinsel D. The Digitization of the World From Edge to Core / D. Reinsel, J. Gantz, J. Rydning. – 2018. – 28 р.Reinsel D. The Digitization of the World From Edge to Core / D. Reinsel, J. Gantz, J. Rydning. – 2018. – 28 р.Dermatologist-level classification of skin cancer with deep neural networks / А. Esteva et al // Nature. – 2017. – № 542(7639). – Р. 115-118.Dermatologist-level classification of skin cancer with deep neural networks / А. Esteva et al // Nature. – 2017. – № 542(7639). – Р. 115-118.Wang F. AI in Health: State of the Art, Challenges, and Future Directions / F. Wang, A. Preininger // Yearbook of Medical Informatics. – 2019. – № 28(01). – Р. 16-26.Wang F. AI in Health: State of the Art, Challenges, and Future Directions / F. Wang, A. Preininger // Yearbook of Medical Informatics. – 2019. – № 28(01). – Р. 16-26.Kshetri N. Blockchain’s roles in meeting key supply chain management objectives. / N. Kshetri // International Journal of Information Management. – 2017. – № 39. – Р. 80-89.Kshetri N. Blockchain’s roles in meeting key supply chain management objectives. / N. Kshetri // International Journal of Information Management. – 2017. – № 39. – Р. 80-89.LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – № 521(7553). – Р. 436-444.LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – № 521(7553). – Р. 436-444.UCI Machine Learning Repository. (n.d.). https://archive.ics.uci.edu/ml/index.php, (date accessed: 27.08.2024)UCI Machine Learning Repository. (n.d.). https://archive.ics.uci.edu/ml/index.php, (date accessed: 27.08.2024)TensorFlow: A System for Large-Scale Machine Learning / М. Abadi et al // OSDI. – 2016. – № 16. – Р. 265-283.TensorFlow: A System for Large-Scale Machine Learning / М. Abadi et al // OSDI. – 2016. – № 16. – Р. 265-283.Mastering the game of Go with deep neural networks and tree search / D. Silver et al // Nature. – 2016. – № 529(7587). – Р. 484-489.Mastering the game of Go with deep neural networks and tree search / D. Silver et al // Nature. – 2016. – № 529(7587). – Р. 484-489.Dermatologist-level classification of skin cancer with deep neural networks / А. Esteva et al // Nature. – 2017. – № 542(7639). – Р. 115-118.Dermatologist-level classification of skin cancer with deep neural networks / А. Esteva et al // Nature. – 2017. – № 542(7639). – Р. 115-118.Bolton, R.J. Statistical fraud detection: A review. / R.J. Bolton, D.J. Hand // Statistical Science. – 2002. – № 17(3). – Р. 235-255.Bolton, R.J. Statistical fraud detection: A review. / R.J. Bolton, D.J. Hand // Statistical Science. – 2002. – № 17(3). – Р. 235-255.Recent advances and trends in predictive manufacturing systems in big data environment / J. Lee et al // Manufacturing Letters. – 2013. – № 1(1). – Р. 38-41.Recent advances and trends in predictive manufacturing systems in big data environment / J. Lee et al // Manufacturing Letters. – 2013. – № 1(1). – Р. 38-41.Jordan M.I. Machine learning: Trends, perspectives, and prospects / M.I. Jordan, T.M. Mitchell // Science. – 2015. – № 349(6245). – Р. 255-260.Jordan M.I. Machine learning: Trends, perspectives, and prospects / M.I. Jordan, T.M. Mitchell // Science. – 2015. – № 349(6245). – Р. 255-260.

The authors declare that there are no conflicts of interest present.