АВТОМАТИЗАЦИЯ АНАЛИЗА ДАННЫХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

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.

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.