Влияние цифровых технологий на мировую экономическую систему

Данный случай показывает, что системы машинного обучения пока не способны к распознаванию смысла. А конкретно к выявлению омонимии «за̀мок» - «замо̀к», что ставит системы в тупик при возникновении подобных ситуаций. В настоящее время многими компаниями ведётся работа по созданию способа решения описанной проблемы.Проблема переобучения заключается в чрезмерной подгонке параметров системы машинного обучения к значениям обучающей выборки. В таком случае наблюдается процесс потери точности системы по мере дальнейшего обучения либо выявление системой закономерностей и связей между элементами обучающей выборки, которых на самом деле не существует (в зависимости от целевого назначения системы). Для решения данной проблемы в случае, если целевой задачей системы является регрессия, рекомендуется разбивать обучающую выборку на две части: обучающую и тестовую. По мере «обучения» системы в таком случае наступит момент, когда точность регрессии основанной на тестовой выборке начнёт понижаться. Это и есть момент, когда система начинает переобучаться. Однако в случае, если целевой задачей системы является классификация, то нет чёткого критерия определения момента, когда систему машинного обучения стоит считать обученной.Практика применения информационных технологий на сегодняшний день показывает, что последние начинают выступать в роли операционных технологий. Если раньше система показывала результат своей работы пользователю, а затем последний должен был принять некое решение, учитывая этот результат, то сейчас, получив результат, система сама принимает решение о некоемдействии в рамках поставленной перед ней задачи. Таким образом, открываются новые возможности в автоматизации множества процессов как производственного, так и бытового характера.BigDataBigdata – это различные инструменты, подходы и методы обработки как структурированных, так и неструктурированных данных для того, чтобы их использовать для конкретных задач и целей. Неструктурированные данные – это информация, которая не имеет заранее определённой структуры или не организована в определённом порядке. Термин «большие данные» ввёл редактор журнала Nature Клиффорд Линч ещё в 2008 году в спецвыпуске, посвящённом взрывному росту мировых объёмов информации. Хотя, конечно, сами большие данные существовали и ранее. По словам специалистов, к категории Bigdata относится большинство потоков данных свыше 100 Гб в день. Технологии для анализа и обработки больших данных: ‒ NoSQL; ‒ MapReduce; ‒ Hadoop; ‒ R; ‒ Аппаратные решения. Для больших данных выделяют традиционные определяющие характеристики, выработанные MetaGroup ещё в 2001 году, которые называются «Три V»: 1. Volume – величина физического объёма.2. Velocity – скорость прироста и необходимости быстрой обработки данных для получения результатов. 3. Variety – возможность одновременно обрабатывать различные типы данных. Объёмы неоднородной и быстро поступающей цифровой информации обработать традиционными инструментами невозможно. Сам анализ данных позволяет увидеть определённые и незаметные закономерности, которые не может увидеть человек. Это позволяет оптимизировать все сферы нашей жизни – от государственного управления до производства и телекоммуникаций.[1, c. 302]Например, некоторые компании ещё несколько лет назад защищали своих клиентов от мошенничества, а забота о деньгах клиента – забота о своих собственных деньгах. На основе Bigdata выявили решения такие компании как «Сбербанк», «Билайн» и другие. У «Билайна» есть огромное количество данных об абонентах, которые они используют не только для работы с ними, но и для создания аналитических продуктов, вроде внешнего консалтинга или IPTV- аналитики. «Билайн» сегментировали базу и защитили клиентов от денежных махинаций и вирусов, использовав для хранения HDFS и ApacheSpark, а для обработки данных- Rapidminer и Python. Или «Сбербанк» с их старым кейсом под названием АС САФИ. Это система, которая анализирует фотографии для идентификации клиентов банка и предотвращает мошенничество. Система была внедрена ещё в 2014 году, в основе системы – сравнение фотографий из базы, которые попадают туда с веб-камер на стойках благодаря компьютерному зрению. Основа системы – биометрическая платформа. Благодаря этому, случаи мошенничества уменьшились в 10 раз. К 2020 году, по прогнозам, человечество сформирует 40-44 зеттабайтов информации. А к 2025 году вырастет в 10 раз, говорится в докладе TheDataAge 2025, который был подготовлен аналитиками компании IDC. Компания Seagate и IDC обнародовали доклад «Эпоха данных – 2025» (TheDataAge 2025), в котором рассматриваются тенденции развития мирового рынка данных. В докладе отмечается, что большую часть данных генерировать будут сами предприятия, а не обычные потребители. Сейчас банк использует Bigdata для управления рисками, борьбы с мошенничеством, сегментации и оценки кредитоспособности клиентов, управления персоналом, прогнозирования очередей в отделениях, расчёта бонусов для сотрудников и других задач. «ВТБ24» пользуется большими данными для сегментации и управления оттоком клиентов, формирования финансовой отчётности, анализа отзывов в соцсетяхи на форумах. Для этого он применяет решения Teradata, SAS VisualAnalytics и SAS MarketingOptimizer. «Альфа-Банк» за большие данные взялся в 2013 году. Банк использует технологии для анализа соцсетей и поведения пользователей сайта, оценки кредитоспособности, прогнозирования оттока клиентов, персонализации контента и вторичных продаж. Для этого он работает с платформами хранения и обработки OracleExadata, OracleBigdataAppliance и фреймворкомHadoop. «Тинькофф-банк» с помощью EMC Greenplum, SAS VisualAnalytics и Hadoop управляет рисками, анализирует потребности потенциальных и существующих клиентов. Большие данные задействованы также в скоринге, маркетинге и продажах. Например, «Магнитогорский металлургический комбинат», который является крупным мировым производителем стали для оптимизации расходов внедрил Bigdata. В конце прошлого года они внедрили сервис под названием «Снайпер», который оптимизирует расход ферросплавов и других материалов при производстве. Сервис обрабатывает данные и выдаёт рекомендации для того, чтобы сэкономить деньги на производстве стали. Искусственный интеллект находится под пристальным вниманием глав правительств и бизнес- лидеров в качестве основного средства оценки верности решений. Но что происходит в лабораториях, где открытия академических и корпоративных исследователей будут устанавливать курс развития ИИ на следующие годы. Команда исследователей из AI Accelerator от PwC нацелилась на ведущие разработки, за которыми следует внимательно следить как бизнес-лидерам, так и технологам. [2, c.124] Рассмотрим перспективы взаимодействия технологий блокчейни BigData. Блокчейн – это уникальная технология, которая лежит в основе многих криптовалют, в том числе Биткоина. В переводе с английского языка термин «blockchain» звучит как «цепь блоков». Интеграция технологии распределенного реестра с BigData несет в себе синергетический эффект и открывает бизнесу широкий спектр новых возможностей, в том числе позволяя: ‒ получать доступ к детализированной информации о потребительских предпочтениях, на основе которых можно выстраивать подробные аналитические профили для конкретных поставщиков, товаров и компонентов продукта;‒ интегрировать подробные данные о транзакциях и статистике потребления определенных групп товаров различными категориями пользователей; ‒ получать подробные аналитические данные о цепях поставок и потребления, контролировать потери продукции при транспортировке (например, потери веса вследствие усыхания и испарения некоторых видов товаров); ‒ противодействовать фальсификациям продукции, повысить эффективность борьбы с отмыванием денег и мошенничеством и т. д. Доступ к подробным данным об использовании и потреблении товаров в значительной мере раскроет потенциал технологии BigData для оптимизации ключевых бизнес-процессов, снизит регуляторные риски, раскроет новые возможности монетизации и создания продукции, которая будет максимально соответствовать актуальным потребительским предпочтениям. Как известно, к технологии блокчейн уже проявляют значительный интерес представители крупнейших финансовых институтов, включая Citibank, Nasdaq, Visa и т. д. По мнению Оливера Буссманна, IT-менеджера швейцарского финансового холдинга UBS, технология блокчейн способна «сократить время обработки транзакций от нескольких дней до нескольких минут».[3, c.182] Потенциал анализа финансовой информации из блокчейна при помощи технологии BigData огромен. Технология распределенного реестра обеспечивает целостность информации, а также надежное и прозрачное хранение всей истории транзакций. BigData, в свою очередь, предоставляет новые инструменты для эффективного анализа, прогнозирования, экономического моделирования и, соответственно, открывает новые возможности для принятия более взвешенных управленческих решений. Информация в блокчейне соответствует всем перечисленным требованиям и может служить в роли качественных и надежных исходных данных для глубокого анализа при помощи новых технологий BigData. Помимо этого, при помощи блокчейна медицинские учреждения смогли бы обмениваться достоверными данными со страховыми компаниями, органами правосудия, работодателями, научными учреждениями и другими организациями, нуждающимися в медицинской информации.ЗаключениеХочется подчеркнуть, что тотальная цифровизация, автоматизация и внедрение соответствующих технологий является естественным и закономерным процессом, а потому неизбежным. В тоже время сегодня ни у кого нет целостной картины будущего (ни ближайшего, ни отдаленного), а значит, результат предстоящих нам изменений не предопределен. В силу рокового стечения обстоятельств, начало цифровизации совпало с концом глобализации и Глобальным Экономическим Кризисом. Окончание экстенсивной модели развития капитализма неизбежно требует пересмотра многих основополагающих постулатов современного мироустройства. Это значит, что под эгидой цифровизации может быть создан совершенно новый мир, в котором будут главенствовать иные, отличные от сегодняшних, система ценностей, управленческие парадигмы, социальные нормы и экономические законы. Разумеется, у такого взгляда уже есть как сторонники, так и противники, чьему непримиримому и яростному противостоянию мы все сможем стать свидетелями в ближайшее время. От целесообразности, интенсивности и слаженности наших действий (как локально в России, так и в масштабах всей планеты) зависит то, насколько быстро наступит наше цифровое будущее, с какими социальными, экономическими и другими проблемами мы столкнемся на этом пути, и, наконец, будет ли наше будущее представлять цифровое рабство (а может даже матрицу) или ознаменует торжество гуманизма, духовности и интеллекта над всеми сложностями и проблемами. Самым важным этапом предстоящей борьбы станет вовсе не экономическое или технологическое соперничество, но формирование новой цивилизационной парадигмы, способной объединить человечество, дать ему понятный и притягательный образ будущего и обрисовать основные вехи на пути его построения. Страны с наибольшими лидерскими амбициями уже начали поиски в этом направлении, но на данный момент вершиной подобных изысканий явилась идеология ImpactInvesting (социальное инвестирование, или инвестиции в социальный эффект). Этот подход действительно дает хорошие инструментальные результаты, но не дает ответов на глобальные вопросы, являясь временной заплаткой на пробитом борту «Титаника империализма». Россия может (и должна) стать той страной, которая предложит всему человечеству будущее, где найдется место каждому. Исторически уникальные культура и мышление могут позволить нам сформулировать законы нового мира, в котором окажутся объединены реальная и виртуальная сферы деятельности, в котором будут эффективно применяться новые модели управления, успешно сосуществовать сетевые и иерархические начала и многое другое. Такое интегральное видение позволит сформировать вокруг себя коалицию стран-единомышленников и возглавить процесс перехода в общее цифровое будущее.Список использованных источниковАртур Л. Самуэль. Некоторые исследования в Машинном Обучении используя игру шашек. Arthur L. Samuel. Some Studies in Machine Learning Using the Game of Checkers. – IBM Journal of Research and Development (Volume:3, No:3, July). 1959. С.535-554 Банько Ю.А. Современные компьютерные угрозы: что реально угрожает бизнесу? / Ю.А. Банько, А.М. Кокорева, науч. рук. И.П. Михнев // Приоритетные направления развития образования и науки: Материалы IV Междунар. науч.- практ. конф. (Чебоксары, 24 дек. 2017 г.) / Редкол.: О.Н. Широков [и др.] – Чебоксары: ЦНС «Интерактив плюс», 2017. – С. 169–171. Ветров Д. П. Машинное обучение – состояние и перспективы. XV Всероссийская научная конференция: труды конференции. – Ярославль: ЯрГУ, 2013. С.21-27. 3. Педро Домингос. Верховный алгоритм. Как машинное обучение изменит наш мир. – Москва, 2016. С.33-36.Как квантовые компьютеры изменят мир [Электронный ресурс] – Режим доступа: URL: http://www.lookatme.ru/mag/how-to/inspirationhowitworks/212579-quantum-computers-explained Квантовые компьютеры [Электронный ресурс] – Режим доступа: URL: http://www.nkj.ru/archive/articles/5309/ Квантовый компьютер. [Электронный ресурс] – Режим доступа:URL: https://ru.wikipedia.org/wiki/Квантовый_компьютер Михнев И.П. Информационная безопасность в современном экономическом образовании // Международный журнал прикладных и фундаментальных исследований. – 2013. – №4. – С. 111–113. Михнев И.П. Информационная безопасность на просторах мобильного интернета // Образовательные ресурсы и технологии. – 2015. – №4 (12). – С. 66–70. Михнев И.П. Обучение и контроль знаний студентов с помощью UniTest // Фундаментальные исследования. – 2008. – №1. – С. 94–95. Михнев И.П. Технологии BigData и их применение в сфере современного высшего образования / И.П. Михнев, А.Д. Челнокова, А.Д. Реут // Развитие современного образования: от теории к практике: Материалы IV Междунар. науч.- практ. конф. (Чебоксары, 19 март 2018 г.) / Редкол.: О.Н. Широков [и др.]. – Чебоксары: ЦНС «Интерактив плюс», 2018. Моррисон А. Большие Данные: как извлечь из них информацию. Технологический прогноз / Ежеквартальный журнал. – 2010. – №3. – С. 22–29.Немного о квантовых компьютерах и о том, изменят ли они нашу жизнь [Электронный ресурс] – Режим доступа: URL: https://geektimes.ru/company/ua-hosting/blog/247424/Дата обращения: 10.12.2016. Ричард Фейнман [Электронный ресурс] - Режим доступа: URL: https://ru.wikiquote.org/wiki/Ричард_ФейнманРыбак С.Ю., Лантратов К.В. «Цифра» будет пронизывать все и вся // Горизонты. 2017. № 2. С. 40–41.Свон М. Блокчейн. Схема новой экономики. – М.: Издательство Олимп- Бизнес, 2017. – 240 с. Лукьянов И.В. Обзор практики создания самоуправляющихся организаций на российском рынке // Вектор экономики. 2017. №5 (11). С. 13. Сет Эрли. Аналитика, машинное обучение и интернет вещей. SethEarley. Analytics, Machine Learning, and the Internet of Things. – IT Professional, январь-февраль 2015, выпуск 17, С.10-13.Силен Д. Основы DataScience, BigData. Python и наука о данных / Д. Силен. – М.: Питер, 2017. – 354 c. Стратегия развития информационного общества в Российской Федерации на 2017 – 2030 годы (проект) – 20 с. ТАСС – новости в России и мире [Электронный ресурс]. URL: http://www.tass.ru/ (12.04.2018).Тоффлер Э. Метаморфозы власти: знание, богатство и сила на пороге XXI века – М.: Издательство «АСТ», 2016. – 669 с. Тютюнин В.В., Зелинская Е.В., Конюхов В.Ю., Кочнева Е.В., Пивоварова В.О., Холодилова Е.В. Разработка Стратегии развития инжинирингового предприятия // Молодежный вестник ИрГТУ. 2015. № 2. С. 32.Фрэнкс Б. Революция в аналитике. Как в эпоху BigData улучшить ваш бизнес с помощью операционной аналитики / Б. Фрэнкс. – М.: Альпина Диджи- тал, 2014. – 370 c. Чезборо Г. Открытые инновации. Создание прибыльных технологий – М.: Поколение, 2017. – 336 с. Черняк Л. Большие Данные – новая теория и практика // Открытые системы. СУБД. – 2011. – №10. – С. 36–41. Что такое Bigdata: собрали всё самое важное о больших данных // RUSBASE [Электронный ресурс]. – Режим доступа: https://rb.ru/howto/chtotakoe-big-data/ BigData: проблема, технология, рынок [Электронный ресурс]. – Режим доступа: http://compress.ru/Article.aspx?id=22725Что такое умные контракты // RusBase [Электронный ресурс]. – Режим доступа: http://rb.ru/opinion/clever/ Электронная (цифровая) экономика. Приложение к Среднесрочной программе социально - экономического развития России до 2025 г. «Стратегия роста» Элком – Общие вопросы электронной коммерции [Электронный ресурс] Режим доступа: http: // elcomrevue.ru / tsifrovaya - ekonomika / Юдина Т.Н. Осмысление цифровой экономики / Т.Н. Юдина // Теоретическая экономика. - 2016. - №3. - С. 12-16Юмаев Е.А. Инновационно-промышленная политика в свете перехода к индустрии 4.0: Зарубежные тенденции и вызовы для России // Журнал экономической теории. 2017. № 2. С. 181–185.Яковлева Е.Ю. Модель «Blockchain-IoT-SmartContracts» как основа внешнеэкономической деятельности и её таможенного администрирования / Е.Ю. Яковлева // Молодой учёный. – №20 (154). – Май 2017 г.