1 Введение

Сегодня искусственный интеллект (ИИ) — модное слово. Неуклонный рост его применения радикально проник в жизнь людей и бизнес-организации. Компании осознали важные бизнес-возможности, открывающиеся благодаря внедрению ИИ для повышения конкурентоспособности, реинжиниринга продуктов и услуг, а также переосмысления бизнес-стратегий (Campbell et al., 2020). Хотя ИИ как дисциплина появился в 1950-х годах, его первое бизнес-применение появилось только в 1980-х годах, благодаря успеху парадигмы экспертных систем. С тех пор его успех постепенно ускорялся благодаря экспоненциальному росту доступной вычислительной мощности, описанному законом Мура (1965). В настоящее время организации все чаще полагаются на ИИ и связанные с ним модели машинного обучения (ML) для улучшения понимания человеком сложных систем и автоматизации принятия решений, что также требует постоянного участия экспертов (Galanos, 2019).

Наличие больших, разнообразных и быстро меняющихся информационных ресурсов, также известных как большие данные, обеспечивает большое внимание к приложениям ИИ, которые добились существенного прогресса в расчетах, вычислениях, исследованиях и разработке методологии, основанных на интеллектуальных алгоритмах, влияющих на бизнес и общество. Целью настоящего исследования является разработка концептуальной модели бизнес-активации ИИ посредством систематического обзора литературы, полученной с помощью методов интеллектуального анализа текста и машинного обучения. В рамках данного систематического обзора мы стремимся ответить на два вопроса:

RQ1. Какие основные темы рассматриваются в современной литературе в связи с бизнес-активацией ИИ?

RQ2. Какие направления исследований наиболее перспективны и требуют дальнейшего изучения?

Для решения наших исследовательских задач мы провели обзор литературы, используя оригинальное сочетание известных алгоритмов машинного обучения (LDA и иерархической кластеризации) для разработки понятных человеку тематических структур.

2 На пути к искусственному интеллекту: концепции и определения

Такие термины, как «ИИ», «Большие данные», «Машинное обучение» и «Аналитика данных», повсеместно встречаются в современных академических и деловых статьях, посвящённых данным. Чтобы избежать путаницы, в этом разделе мы вводим каждое из этих понятий и предлагаем структурированное объяснение их взаимосвязи.

Целью ИИ является воспроизведение некоторых аспектов человеческого интеллекта посредством технологий. Эту дисциплину можно определить как совокупность исследований и методов, связанных с информатикой и математическими аспектами статистического моделирования, имеющих существенное экономическое и социальное значение и направленных на создание технологических систем, способных решать проблемы и выполнять задачи и обязанности, обычно присущие человеческому разуму (Konar, 2018).

Одно из наиболее распространённых в настоящее время определений описывает ИИ как процесс, позволяющий машине демонстрировать поведение, которое можно было бы назвать интеллектуальным, если бы так вёл себя человек. Согласно Расселу и Норвигу (2010), в современной литературе выделяются четыре концептуальных кластера интерпретаций ИИ: ИИ как системы, мыслящие подобно людям (Haugeland, 1989); ИИ как системы, мыслящие рационально (Winston, 1992); ИИ как системы, действующие подобно людям (Rich и Knight, 1991); и ИИ как системы, действующие рационально (Nilsson и Nilsson, 1998).

Растущее внимание к ИИ в сфере бизнеса обусловлено технологической зрелостью, достигнутой как в области вычислительных вычислений, так и в способности анализировать огромные объёмы данных в любой форме в режиме реального времени и в короткие сроки: это и есть аналитика больших данных. С точки зрения бизнеса, ИИ и системы анализа данных позволяют систематизировать информацию, обычно уже доступную на рынках в разрозненном виде, преобразуя данные в бизнес-решения, тем самым учитывая только те инструменты, которые полезны для облегчения принятия решений.

Дэвенпорт и Харрис (2007) определяют бизнес-аналитику (БА) как «широкое использование данных, статистического и количественного анализа, объяснительных и предиктивных моделей, а также управления на основе фактов», которое в конечном итоге определяет решения и действия. Виджен и др. (2007) отмечают, что бизнес-аналитику можно рассматривать как посредника между данными, имеющимися в распоряжении организации, и фактической экономической ценностью, которую эти данные могут принести посредством действий и принятия более эффективных решений. Мы утверждаем, что наиболее полное представление этой трансформации достигается с помощью применения методов искусственного интеллекта.

Методы анализа данных обычно подразделяются на описательные, предиктивные и предписывающие, что открывает всё более широкие возможности для бизнеса (Deka, 2014). Описательная аналитика – наиболее традиционное применение аналитики данных, исторически связанное с концепцией бизнес-аналитики (BI), предложенной Луном (1958). Более продвинутые приложения анализа данных используют ИИ для прогнозирования сценариев путём оперативной реализации полезных бизнес-стратегий (Waller and Fawcett, 2013). Исследование и анализ данных могут способствовать созданию ИИ, облегчая создание инструментов предиктивного анализа и автоматизации (De Mauro et al., 2019).

Термин «большие данные» обычно относится к технологическим хранилищам, огромному объёму структурированных и неструктурированных данных, получаемых в результате онлайн-транзакций (Erevelles et al., 2016), характеризующихся объёмом, разнообразием, скоростью (McAfee et al., 2012) и другими характеристиками, такими как изменчивость, достоверность, ценность (Ebner et al., 2014). Признание больших данных бизнесом в качестве стратегического ресурса радикально изменило управленческие практики (Dogan и Gurkan, 2019; Holler et al., 2016; Lycett, 2013; Wamba et al., 2017).

Внедрение ИИ может принести бизнес-процессам различные выгоды. Решения для предиктивного анализа в значительной степени основаны на инструментах машинного обучения и ИИ (Hazen et al., 2014) и эффективно используются в управленческих и маркетинговых целях, например, для разработки новых бизнес-стратегий или изучения поведения потребителей (Malthouse et al., 2013). Наибольшую сложность представляют методы и алгоритмы обучения, основанные на типичных подходах, направленных на внедрение ИИ в бизнес для сокращения разрыва между человеческим интеллектом и ИИ (Kumar and Thakur, 2012).

ИИ также относится к попытке предоставить машинам (таким как информационные системы и физические устройства) возможность выполнять задачи, обычно связанные с человеческим интеллектом (Yang и Siau, 2018). За последнее десятилетие (2010–2019) пользователи все чаще искали веб-страницы, посвященные «искусственному интеллекту» и связанным с ним терминам «большие данные», «бизнес-аналитика» и «машинное обучение».

Рис. 1: Популярность терминов «искусственный интеллект», «большие данные», «бизнес-аналитика» и «машинное обучение» среди пользователей в период с 2010 по 2019 год

Как видно из рисунка 1, «Бизнес-аналитика» раньше была самым популярным ключевым словом, но её популярность постоянно снижалась, поскольку отчётность в компаниях становилась всё более коммерциализированной. Популярность больших данных резко возросла в 2011 году и, достигнув пика, сейчас начинает снижаться. Искусственный интеллект, концепция которого уже прочно утвердилась в начале десятилетия, выиграл от широкой доступности данных и более дешёвых технологий, обеспечивающих вычислительную мощность, что и привело к росту его популярности.

В сфере искусственного интеллекта машинное обучение в последнее время стало самой популярной темой, поскольку оно связано с навыками, которые пользуются растущим спросом со стороны компаний. Поэтому наш предыдущий анализ тенденций выявил хаотичное развитие этих концепций и подтвердил необходимость проведения полноценного обзора литературы. Такой обзор может систематизировать данную область и предоставить полезную классификацию концепций как исследователям, так и руководителям, что позволит более эффективно развивать знания.

3 Методология

3.1 Анализ текста для обзоров литературы

Подготовка обзора литературы позволяет выявить фундаментальные вклады в научный прогресс, определяя, какие из них вдохновили последующие исследования, и каковы существующие пробелы, на которых исследователи и эксперты могли бы сосредоточиться в будущем. Учитывая, что наш обзор литературы охватывает целое десятилетие, необходим структурированный аналитический подход, направленный на выявление значимых тенденций. Распространение Интернета и электронный характер многочисленных журналов и научных документов позволяют проводить глубокий анализ всех существующих материалов по теме, снижая вероятность пропуска важных документов.

Наш систематический обзор литературы был проведён с применением методов интеллектуального анализа текста к строкам текста, извлечённым из статей, которые служили документами. В некоторых случаях применялись традиционные методы кластеризации для получения набора из N кластеров документов, каждый из которых идентифицирует тему, освещаемую в литературе и соответствующую цели исследования (Milligan and Cooper, 1985; Sunikka and Bragge, 2012; van Altena et al., 2016).

Учитывая сложность предметной области и присущий корпусу междисциплинарный характер статей, мы решили использовать модели смешанного членства, которые позволяют отдельным единицам одновременно принадлежать к нескольким категориям в разной степени. Таким образом, для каждого рассматриваемого элемента степень принадлежности к группе определяется вектором положительной переменной, полученной путем суммирования до единицы, также известной как доля членства (Airoldi et al., 2014). Использование методов смешанного членства вместо традиционной кластеризации нарушает предположение о принадлежности каждой единицы к одному кластеру (Airoldi et al., 2008; Грюн, 2018). Одной из самых популярных моделей смешанного членства является латентное распределение Дирихле (LDA), который ранее использовался для анализа содержания документов и значения слов, связанных с темой исследования (Blei, 2012; Steyvers and Griffiths, 2007).

3.2 Латентное распределение Дирихле (LDA)

LDA — это генеративная вероятностная модель, обычно используемая для определения тематической структуры корпуса документов. Входной текст рассматривается как набор наблюдений, полученных в результате генеративного случайного процесса, содержащих скрытые переменные. Такие переменные отражают тематическую структуру документов и могут определять, как относительное присутствие слов связано с темой, рассматриваемой в тексте. Более конкретно, каждая тема представляет собой вероятностное распределение терминов в словарном запасе, составленном из всех слов, представленных в корпусе. Следовательно, каждый документ в корпусе, состоящий из нескольких терминов, будет связан со смесью из K тем.

Относительную распространенность K тем в документе можно описать как кортеж θ = (θ₁, ..., θₖ) из K чисел, для которых выполняется следующее условие:

∑ₖ θₖ = 1 и θₖ ∈ [0,1]

который описывает носитель распределения Дирихле. Применение LDA даст тройной результат. Во-первых, доля тем для каждого отдельного документа, что приводит к матрице N × K, где N — количество документов, включенных в корпус, а K — количество тем. Во-вторых, распределение тем по словам, то есть вероятность присутствия каждого слова в каждой конкретной теме. Примечательно, что простой заменой такого результата является список самых популярных ключевых слов, то есть тех, которые демонстрируют наивысший уровень вероятности для каждой темы и дают человеку-читателю подсказки об основных компонентах определения темы. В-третьих, мы также можем получить распределение тем по корпусу, которое показывает общую популярность каждой темы в общем наборе анализируемых документов. Прочитав как список ключевых слов темы, так и документы в корпусе, демонстрирующие высокий уровень присутствия каждой темы, человек-оценщик может определить концептуальное содержание темы и дать ей название, как это было сделано в нескольких предыдущих работах (Delen and Crossland, 2008).

3.3 Реализация методологии

3.3.1 Этап 1. Сбор и подготовка данных

Согласно предложенной методологии, список входных документов был извлечен из Elsevier Scopus. Мы запросили Scopus, чтобы перехватить документы, относящиеся как к искусственному интеллекту, так и к бизнес-активациям, принудительно добавив в список ИИ (например, «Машинное обучение», «Искусственный интеллект») и бизнес-исследования (например, «Бизнес», «Маркетинг») в заголовок, аннотацию или ключевые слова статьи¹. 28 марта 2020 года мы экспортировали список из 6031 опубликованной статьи из журналов и конференций. В качестве первого вывода следует отметить, что число исследователей, интересующихся большими данными и ИИ, увеличилось в последние годы, особенно в 2013–2014 годах.

Во-вторых, мы проанализировали документы, содержащие в заголовках полный термин «Большие данные» или «Искусственный интеллект», сосредоточившись на оставшихся 3780 статьях, а затем применили алгоритм LDA после предварительной подготовки данных. В частности, мы удалили пробелы и знаки препинания, получив токены как одно слово, за исключением сложных слов (т.е. с внутрисловными тире). Затем мы перевели все заглавные буквы в строчные, тем самым определив стемпинг корпуса с помощью алгоритма Портера (1980), который возвращал основу каждого слова без суффикса. Кроме того, мы удалили распространенные английские стоп-слова (т.е. артикли, союзы) и другие нерелевантные слова (т.е. информацию об авторских правах и годы).

3.3.2 Фаза 2. Латентное распределение Дирихле (LDA)

Как и в случае Delen и Crossland (2008), количество тем K было выбрано путём выбора модели, обеспечивающей наиболее удобочитаемый вывод с точки зрения авторов. Мы провели LDA для всех целочисленных значений K в диапазоне [6, 10] и сделали вывод, что по мнению человека наиболее читаемая модель получена при K=6. Позже, чтобы подтвердить надежность результата, мы проанализировали слова, наиболее релевантные для определения каждой темы, и пришли к выводу, что они в наибольшей степени соответствуют рассматриваемой в исследовании концептуальной области.

¹ Полный запрос Scopus был следующим: «TITLE-ABS("Искусственный интеллект" ИЛИ "Машинное обучение") И ("бизнес" ИЛИ "Маркетинг") И PUBYEAR > 2009 И (LIMIT-TO(DOCTYPE,"ar") ИЛИ LIMIT-TO(DOCTYPE,"cp")) И (LIMIT-TO(LANGUAGE,"English"))».

4 Результаты тематического моделирования

Мы назвали каждую из шести тем по её основному концептуальному содержанию, в результате чего получился следующий список: Т01) Бизнес-последствия; Т02) Человеческие последствия; Т03) Промышленные приложения; Т04) Социальные приложения; Т05) Методы прогнозирования; Т06) Методы распознавания. Для достижения нашей цели был проведен дополнительный анализ содержания, связанного с темами, с учетом в общей сложности 3780 публикаций за рассматриваемый период (2010–2020 гг.), как показано в Таблице 1.

С целью анализа тематической структуры анализируемого корпуса мы построили сетевую модель, используя результаты LDA. Каждая тема была связана с узлом сети, а ребра представляли межтематическое расстояние между темами. Межтематическое расстояние определяется путем анализа уровня корреляции присутствия темы в документах корпуса. Мы рассчитали корреляционную матрицу R, измеряя парную корреляцию Пирсона между темами (Таблица 2). Поскольку меньший уровень корреляции может быть связан с большим расстоянием между двумя темами, мы рассчитали матрицу расстояний D по формуле D = 1 – R, предложенной Glynn (2019).

Мы использовали матрицу D в качестве матрицы расстояний для тематической сети и сделали ширину ребер пропорциональной попарному расстоянию, хранящемуся в D, получив графический вывод, представленный на рисунке 2, где размер узлов пропорционален относительному присутствию тем в корпусе документов. Ширина ребра пропорциональна межтематическому расстоянию, полученному из попарной корреляции между темами в корпусе.

Рис. 2: Сетевая визуализация тематической модели, сгруппированной по последствиям, приложениям и методам (IAM)

Выделенные темы представляют собой существенные компоненты исследования учёными области, лежащей на стыке дисциплин искусственного интеллекта и управления бизнесом. Анализируя их концептуальное содержание, мы обнаружили, что шесть тем, выделенных LDA, можно организовать в три однородные группы или темы, а именно: «Применение», «Последствия» и «Методы» (модель IAM).

5 Обсуждение темы

5.1 Бизнес-последствия

Эта тема продемонстрировала влияние ИИ на процессы и управление организацией, что открыло интересные бизнес-импликации. В работах, посвященных этой теме, описываются практики принятия решений на основе данных, анализа процессов и автоматизации. ИИ уже несколько десятилетий используется при внедрении систем поддержки принятия решений (ГППР) (Turban, 1988) и доказал свою ценность в создании знаний путем преобразования необработанных данных в полезную информацию. Как отметил Дзвенпорт (2018), ИИ может оказывать положительное влияние на организации тремя основными способами: во-первых, автоматизируя административную, финансовую и бюрократическую деятельность посредством роботизированной автоматизации процессов; во-вторых, выявляя скрытые модели в данных и помогая менеджерам интерпретировать их значение; и, наконец, повышая эмоциональную вовлеченность сотрудников или клиентов, используя чаты и другие способы взаимодействия, подобные человеческим. Согласно этой перспективе, ИИ становится стимулятором симбиоза человека и машины, позволяя исследователям инструктировать передовые машины, заставляя ИИ высказывать суждения, требующие высоких когнитивных навыков, что ранее считалось невозможным (Mahroof, 2019).

Тем не менее, нередко можно наблюдать случаи, когда принятие решений поручается мощным интеллектуальным машинам, специально обученным без необходимости окончательного одобрения человека (Заголовки и др., 2017). Ещё одним бизнес-применением ИИ является возможность создания экспертных систем (ЭС), которые способны одновременно имитировать человеческое мышление и объяснять критерии, используемые для достижения определённых выводов (Metaxiotis и Psarras, 2003). Более того, в литературе по этой теме рассматривается ещё одно бизнес-применение — растущая роль интеллектуального анализа процессов, то есть способности ИИ выявлять полезные тенденции, закономерности и возможности для повышения эффективности бизнес-процессов посредством анализа данных журналов (Zhang et al., 2020).

5.2 Человеческие последствия

ИИ может способствовать цифровизации управления человеческими ресурсами (НВМ) на рабочем месте, влияя на методы и среду, обеспечивая более высокую эффективность и результативность деятельности как с точки зрения времени и затрат, так и качества выполняемой работы, предлагая себя в качестве надежного союзника человеческого труда (Zehir et al., 2020). Дополнительные возможности могут быть выявлены при применении ИИ к анализу больших данных для автоматизации бизнес-процессов службы поддержки (Lo et al., 2019). Непрерывное развитие технологий и бизнес-среды ставит перед менеджерами непрерывные задачи по формированию знаний и развитию внутренних навыков (De Mauro et al., 2018; Gatouillat et al., 2018). ИИ широко признан фактором, способствующим развитию бизнеса, обеспечивая рост производительности труда сотрудников и снижение стоимости выполнения проектов (Шанкар, 2012).

Кроме того, как отмечалось выше в разделе 5.1, ИИ стал «союзником» в принятии управленческих решений, поддерживая человеческие суждения и процессы принятия решений в области стратегии, планирования, внедрения и действий. Утверждение науки о данных и ИИ в качестве критически важной деятельности (Дзвенпорт, 2020) заставило компании переосмыслить свою организационную структуру, привлекая новые профессиональные должности, ориентированные на данные, такие как специалисты по работе с данными, аналитики данных, разработчики аналитики и инженеры систем больших данных (Де Мэуро и др., 2018). Возникло множество этических проблем, в основном связанных с меняющимся определением конфиденциальности и решениями, которые компании могут принять относительно того, в какой степени им следует расширять границы данных и вникать в жизнь отдельных лиц (Corea, 2016).

5.3 Промышленные приложения

Роль ИИ в промышленных приложениях еще не полностью понята и не получила широкого распространения в компаниях, поскольку менеджеры все еще испытывают трудности с выявлением и предоставлением организационных, культурных и технологических факторов (Chen, 2017; Johnson, 2019). В рамках этой темы мы обнаружили, что в работах сообщается о возможностях промышленных приложений ИИ в нескольких секторах: медицинские науки (Jiang et al., 2017; Szolovits, 2019) и, в частности, в лечении заболеваний, таких как кардиология (Johnson et al., 2018) и радиология (Hosny et al., 2018), в нейронауке (Hassabis et al., 2017), в предотвращении распространения эпидемий, таких как недавняя COVID-19, в качестве инструмента для защиты работников здравоохранения и сдерживания распространения (McCall, 2020); в химической промышленности (Venkatasubramanian, 2019), фармацевтике (Hessler and Baringhaus, 2018), в социальных науках, таких как политика (Hudson, 2019), маркетинг (Kumar et al., 2019) и финансы (Faccia et al., 2019).

Кроме того, ИИ открывает возможность в процессах организационных закупок и моделях поставок в цепочке поставок (Lainez et al., 2010), в определении ценовых стратегий (Chou et al., 2015), в разработке и планировании продуктов (Metaxiotis и Psarras, 2003), в управлении услугами на рынках и моделировании (Li и Li, 2010) и, наконец, в веб-аналитике и электронной коммерции B2B (Li, 2007; Zhong et al., 2007). Интересные возможности могут быть реализованы с помощью ИИ в интеграции цикла финансового учета (Faccia et al., 2019) и промышленного маркетинга (Martínez-López and Casillas, 2013).

Кроме того, наш обзор литературы показал, что приложения ИИ могут получить значительную выгоду от современных устройств Интернета вещей (IoT) при сборе данных, передаче результатов, полученных с помощью алгоритмов ИИ, и поддержке промышленных приложений путем внедрения ИИ в физические объекты (Arsénio et al., 2014). Таким образом, максимальный вклад вносит промышленный Интернет вещей (IIoT), когда IoT интегрируется в производственный процесс, обеспечивая точный анализ данных, полученных от подключенного оборудования, операционных технологий, мест и людей, или предоставляя интеллектуальные устройства в производстве (Vermesan et al., 2017). Сбор данных, полученных с помощью IIoT, полезен для анализа на основе ИИ, который, в свою очередь, может использоваться теми же устройствами, с которых они были собраны. Таким образом, в сочетании с устройствами мониторинга операционных технологий IIoT помогает комплексно регулировать и контролировать промышленные системы, отслеживать события или изменения в структурных условиях, обеспечивать экономию средств, сокращение времени, повышение качества и производительности. Более того, в сочетании с искусственным интеллектом промышленный интернет вещей оказывается эффективным средством анализа и корректировки планов в режиме реального времени (Йешке и др., 2017).

5.4 Социальные приложения

В работах, посвященных социальным приложениям, ИИ демонстрирует свою роль в поддержке маркетинговых исследований для понимания социального поведения потребителей. С другой стороны, методы нечеткой логики, искусственные нейронные сети (ИНС) и методы, основанные на ИИ, способствуют управлению неопределенными событиями, сопровождающими разработку маркетинговых стратегий (Li, 2000). Основные вклады направлены на завершение традиционных видов деятельности, предоставление знаний и информации, представляющих общий интерес, для того, чтобы в конечном итоге предоставлять конечному потребителю продукты с возрастающей ценностью (Prior et al., 2019; Ramaswamy and Ozcan, 2018). ИИ также может способствовать пониманию потребительского выбора, получая описательные модели для использования в схемах оптимизации (Lafnez et al., 2010). Большая близость к потребителям, обеспечиваемая новыми технологиями, делает отношения между бизнесом и его потребителями более глубокими и прочными (Zeithaml et al., 2001). Более того, данные играют ключевую роль в обеспечении персонализированных предложений посредством основанного на ИИ вывода об уровнях склонности к совершению покупки (Mopo и др., 2016) и в поддержке стратегий, которые подразумевают экстрасенсорный опыт и автоматизацию (Бухалис и др., 2019).

5.5 Методы прогнозирования

В этой теме рассматриваются конкретные методологии анализа данных, направленные на прогнозирование будущего на основе анализа прошлого. Более точно, как поясняет Хэйр, предиктивная аналитика использует «подтверждённые взаимосвязи между объясняющими и критериальными переменными, полученными в прошлом, для прогнозирования будущих результатов» (2007, стр. 304). Алгоритмы, обеспечивающие быстрое и недорогое прогнозирование будущего, были признаны конкурентным преимуществом для компаний, поскольку они способствуют повышению производительности, а также улучшению скорости и качества принятия решений (Agrawal et al., 2018). Мы обнаружили, что в работах, посвященных этой теме, непропорционально часто описывается использование методов контролируемого машинного обучения, как регрессионных, так и классификационных, для поддержки бизнес-процессов посредством более глубокого понимания рынка, потребителей и конкурентов, а также прогнозирования предстоящих изменений. Поскольку мы сосредоточились на работах, посвященных как искусственному интеллекту, так и бизнесу, данная тема посвящена внедрению универсальных алгоритмов для бизнес-применения. Наиболее распространенные сценарии использования, которые мы обнаружили в нашем корпусе, включали: прогнозирование продаж для обеспечения достаточности планов компаний (Castillo et al., 2014), анализ настроений и сбор мнений для извлечения субъективной информации из комментариев потребителей (Glatsoglou et al., 2017; Rambocas and Pacheco, 2018) и прогнозирование финансовых затруднений компаний и конечных пользователей для улучшения оценки рисков (Tsai et al., 2014; Zhang et al., 2010).

Более того, прогностические модели могут использоваться в нескольких отраслях, как показывают недавние исследования в области медицины, например, для предотвращения и прогнозирования эпидемий.

5.6 Методы распознавания

В данной теме рассматриваются аналитические методологии, часто основанные на алгоритмах машинного обучения, которые направлены на распознавание примечательных закономерностей в данных. Одним из примечательных примеров применения является генерация сегментов потребителей для маркетинговых кампаний (Campbell et al., 2020). Алгоритмы, способные определять значимые сегменты, используются в системах управления взаимоотношениями с клиентами (CRM) для адаптации рекламных мероприятий с целью оказания значительного положительного влияния как на прибыльность, так и на продажи для кампаний прямого маркетинга, ориентированных на сегменты (Reuterer et al., 2006). Другим возможным применением методов распознавания является автоматическое обнаружение аномалий. Бизнес-приложения обнаружения аномалий включают: выявление мошенничества для систематического снижения рисков, связанных с выдачей кредитов (Ryman-Tub et al., 2018) и автоматизированное обнаружение потенциальных аномалий бизнес-процессов (Rogge-Solti and Kasneci, 2014).

6 Выводы

Стремительное развитие бизнес-приложений ИИ привело к формированию неорганизованных знаний по этому вопросу. В данной статье мы представили результаты систематического обзора литературы, посвященной бизнес-активации ИИ за целое десятилетие (2009–2019 гг.). Мы получили двухуровневую иерархическую структуру, описывающую основные темы текущих исследований и возможные будущие разработки. Мы использовали оригинальное сочетание двух известных алгоритмов машинного обучения (LDA и иерархической кластеризации) для разработки структур тем, понятных человеку. В ответ на вопрос 1 мы выделили три различные темы (Импликация, Приложения, Модели), а именно IAM, каждая из которых включает две темы: «Импликация для бизнеса и человека», «Промышленные и социальные приложения» и «Модели прогнозирования и распознавания». В ответ на вопрос 2 наши результаты позволили определить наиболее перспективные направления дальнейших исследований, что количественно подтверждено динамикой присутствия тем, представленной в таблице 4. Согласно нашим результатам, мы предполагаем, что следующие темы требуют дальнейшего расширения в будущих исследованиях:

1. Человеческие последствия, особенно в развитии навыков, позволяющих интегрировать людей и интеллектуальный интеллект в синергетический процесс. Экосистема, в которой их взаимодействие активирует их наибольший потенциал.
2. Промышленные приложения, усиливающие исследования в области технологических устройств и инструментов (таких как Интернет вещей), способны поддерживать практики, алгоритмы и методы ИИ для передачи результатов стратегий ИИ, поддержки сбора данных и становления периферийным объектом, на котором «размещаются» приложения ИИ.
3. Методы распознавания, разработанные на основе последних разработок в области технологий глубокого обучения, требуют дальнейшего изучения для эффективной активации бизнеса.

Представленная в данном исследовании модель IAM может быть использована в будущих исследованиях и управлении бизнесом несколькими способами. Во-первых, исследователи ИИ могут вписать свои будущие разработки в точную теоретическую основу IAM, учитывая присущую ей междисциплинарность. Во-вторых, наша классификация позволяет исследователям и практикам оценить развитие данной области и определить наиболее перспективные направления для инвестиций. Наконец, руководители предприятий могут использовать эту модель в качестве концептуальной структуры, чтобы понять, какие аспекты требуют большего внимания, и выявить возможности для повышения уровня зрелости своих компаний.

Мы признаём наличие множества ограничений в текущем исследовании, которые открывают возможности для будущих исследований. Во-первых, корпус документов, использованных нами в нашем анализе, был получен исключительно из Scopus: несмотря на его объём и авторитетность, такой выбор мог привести к неполному представлению о литературе. Кроме того, мы рассматривали только статьи на английском языке, а соответствующие документы на других языках могли быть пропущены. Наконец, несмотря на использование воспроизводимой комбинации таких методологий, как LDA и иерархическая кластеризация, оценка точности модели была оставлена на усмотрение человека, что делает её подверженной субъективным искажениям.