ЖАСАНДЫ ИНТЕЛЛЕКТТІК ӘДІСТЕРДІ ПАЙДАЛАНАТЫН ДЕРЕКТЕРДІ ТАЛДАУДЫ АВТОМАТТАНДЫРУ

Мақалада жасанды интеллект (AI) әдістерін пайдалана отырып, деректерді талдауды автоматтандырудың заманауи тәсілдері талқыланады. Әртүрлі жүйелерге түсетін деректер көлемінің жылдам өсуімен оларды талдау және өңдеу күрделі міндетке айналады. Бұл процестерді AI көмегімен автоматтандыру деректерді талдаудың тиімділігі мен дәлдігін жақсартады, адам қатесін азайтады және шешім қабылдауды жылдамдатады. Мақалада деректерді талдауды автоматтандыру үшін қолданылатын машиналық оқыту және терең оқыту әдістері, сондай-ақ оларды қаржы, медицина, өндіріс және маркетинг сияқты әртүрлі салаларда қолдану мысалдары қарастырылады. Қолданыстағы тәсілдердің артықшылықтары мен шектеулеріне, сондай-ақ оларды одан әрі дамыту перспективаларына ерекше назар аударылады. Мақалада деректерді талдауды автоматтандыруда әртүрлі AI модельдерінің тиімділігін зерттеуге және бағалауға бағытталған шарттар мен зерттеу әдістері егжей-тегжейлі қарастырылады. Алынған нәтижелер талданады және осы саладағы AI технологияларын одан әрі дамыту перспективалары талқыланады. Зерттеу AI үлгілерінің интерпретациялануының маңыздылығын, шектеулі және шулы деректермен тиімді жұмыс істей алатын жаңа әдістерді әзірлеу қажеттілігін және оларды пайдаланумен байланысты есептеу шығындарын азайтуды көрсетеді.

1. Reinsel D. The Digitization of the World From Edge to Core / D. Reinsel, J. Gantz, J. Rydning. – 2018. – 28 р.

2. Dermatologist-level classification of skin cancer with deep neural networks / А. Esteva et al // Nature. – 2017. – № 542(7639). – Р. 115-118.

3. 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.

4. Kshetri N. Blockchain’s roles in meeting key supply chain management objectives. / N. Kshetri // International Journal of Information Management. – 2017. – № 39. – Р. 80-89.

5. LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – № 521(7553). – Р. 436-444.

6. UCI Machine Learning Repository. (n.d.). https://archive.ics.uci.edu/ml/index.php, (date accessed: 27.08.2024)

7. TensorFlow: A System for Large-Scale Machine Learning / М. Abadi et al // OSDI. – 2016. – № 16. – Р. 265-283.

8. Mastering the game of Go with deep neural networks and tree search / D. Silver et al // Nature. – 2016. – № 529(7587). – Р. 484-489.

9. Dermatologist-level classification of skin cancer with deep neural networks / А. Esteva et al // Nature. – 2017. – № 542(7639). – Р. 115-118.

10. Bolton, R.J. Statistical fraud detection: A review. / R.J. Bolton, D.J. Hand // Statistical Science. – 2002. – № 17(3). – Р. 235-255.

11. Recent advances and trends in predictive manufacturing systems in big data environment / J. Lee et al // Manufacturing Letters. – 2013. – № 1(1). – Р. 38-41.

12. Jordan M.I. Machine learning: Trends, perspectives, and prospects / M.I. Jordan, T.M. Mitchell // Science. – 2015. – № 349(6245). – Р. 255-260.