1. Введение

Компании всё больше полагаются на данные для принятия решений, оптимизации процессов и поддержания конкурентного преимущества. Резкий рост доступности данных в сочетании с технологическим прогрессом привёл к развитию машинного обучения (МО) как мощного инструмента для извлечения ценной информации из огромных наборов данных [1]. Однако традиционные методы машинного обучения, требующие специальных знаний и значительных временных затрат, часто становились препятствием для многих организаций, особенно тех, у которых нет специализированных команд специалистов по анализу данных. Это привело к внедрению автоматизированного машинного обучения (AutoML), предлагающего оптимизированный подход к развертыванию моделей машинного обучения. Чаухан и др. [2] (стр. 205) определяют AutoML как «процесс изучения традиционного конвейера разработки модели машинного обучения с целью его сегментации на модули и автоматизации каждого из них для ускорения рабочего процесса». Это инновационный подход, автоматизирующий сложные и технически сложные этапы разработки моделей машинного обучения. По мнению Эбадди и др. [3], AutoML сокращает время и требует специальных навыков, необходимых для создания, использования и поддержки предиктивных моделей, автоматизируя повторяющиеся задачи на протяжении всех циклов анализа данных. Автоматизация ускоряет темпы построения моделей и позволяет специалистам по обработке данных сосредоточиться на других важных обязанностях, повышая производительность и эффективность рабочего процесса.

Поскольку компании продолжают генерировать и накапливать огромные объемы данных, потребность в эффективных и масштабируемых решениях для анализа этих данных становится все более насущной. AutoML удовлетворяет эту потребность, предоставляя структуру, которая может быстро адаптироваться к уникальным задачам различных бизнес-сред [2]. AutoML позволяет компаниям интегрировать машинное обучение в свои операции с большей легкостью и скоростью, от прогнозирования поведения клиентов до оптимизации цепочек поставок или улучшения рекомендаций по продуктам [4]. Кроме того, AutoML автоматизирует такие задачи, как предварительная обработка данных, выбор модели и настройка гиперпараметров [3]. В результате это нововведение значительно снижает барьеры для входа для компаний, стремящихся использовать возможности машинного обучения. Эта демократизация машинного обучения означает, что организации различных размеров и отраслей теперь могут получать доступ к передовой предиктивной аналитике без необходимости глубоких знаний в этой области [5]. Более того, развитие AutoML отражает более широкую тенденцию в технологиях: движение к большей автоматизации и доступности. Подобно тому, как другие автоматизированные инструменты преобразовали отрасли, сделав сложные процессы более управляемыми, AutoML может произвести революцию в подходе компаний к анализу данных и принятию решений. Эта технология упрощает создание и развертывание моделей машинного обучения, позволяя компаниям сосредоточиться на использовании аналитических данных для стимулирования инноваций и роста. Однако, как указано выше, в литературе представлен разрозненный взгляд на эту тему, которому не хватает целостной перспективы, которая предлагает уникальное понимание потенциала AutoML, особенно в отношении компаний. Поэтому данное исследование направлено на сбор и интерпретацию данных, которые помогут консолидировать набор преимуществ, которые AutoML предлагает организациям, что позволит получить менее разрозненный и более объективный взгляд. Таким образом, для глубокого понимания преимуществ AutoML данное исследование призвано ответить на следующий вопрос: «Как AutoML может улучшить бизнес?». Для ответа на этот вопрос был использован систематический библиометрический обзор литературы (LRSB) для изучения роли и влияния AutoML на бизнес. Систематический обзор соответствовал рекомендациям PRISMA 2020, что обеспечивает прозрачный, всеобъемлющий и воспроизводимый подход [6].

База данных Scopus была выбрана в качестве основного источника литературы благодаря широкому охвату рецензируемых журналов, материалов конференций и других научных публикаций по различным дисциплинам. Стратегия поиска была тщательно разработана для охвата всех релевантных документов, связанных с AutoML в бизнес-контексте [7,8]. Таким образом, данное исследование направлено на то, чтобы предложить более комплексное представление об AutoML, собрать воедино наиболее важные преимущества этого инструмента для бизнеса и представить его в виде комплексного обзора для лучшего понимания темы.

2. Материалы и методы

Как указывалось ранее, метод, основанный на LRSB, использует структурированный, научный и открытый подход, призванный снизить предвзятость путём тщательного анализа как опубликованной, так и неопубликованной литературы по теме исследования [7–9]. Исследователь предоставляет контрольный журнал, позволяющий читателям оценить качество включённых исследований, а также их методологию и результаты. LRSB реализует тщательный процесс проверки и отбора источников информации, чтобы гарантировать достоверность и точность представленных данных.

Этот процесс делится на три фазы и шесть шагов [7–9] (таблица 1).

Фаза	Шаг	Описание
Планирование	Шаг 1	определение исследовательского вопроса
	Шаг 2	поиск соответствующей литературы
Интерпретация	Шаг 3	критическая оценка выбранных исследований
	Шаг 4	синтез данных из отдельных источников
	Шаг 5	отчет о результатах и рекомендациях
Коммуникация	Шаг 6	представление отчета LRSB

Источник: Адаптировано из Росарио и Диаса [8,9].

Исследователи использовали базу данных Scopus для поиска и отбора авторитетных источников, признанных научным и академическим сообществом. Этот выбор может быть обоснован подбором контента, который обеспечивает индексацию только рецензируемых и авторитетных источников, обеспечивая надежную и достоверную информацию, глобальный охват и разнообразный взгляд на тенденции и качество исследований, что делает его ценным ресурсом. Однако важно подчеркнуть ограничение данного исследования: его исключительная зависимость от базы данных Scopus, что может исключать другие ценные научные и академические ресурсы. Для обеспечения всестороннего охвата, литература поиск должна включать рецензируемые научные и академические публикации по состоянию на август 2024 года.

Процесс поиска начался с выбора базы данных Scopus. Первоначальный поиск (таблица 2) был проведён с использованием Scopus, выбранной благодаря широкому охвату рецензируемой литературы. Процесс отбора включал несколько этапов.

База данных Scopus	Скрининг	Публикации
Первоначальный запрос	Ключевые слова: Automated Machine Learning	2089
Первый скрининг	Ключевые слова: Automated Machine Learning Ограничено: Business	74
Критерии соответствия	Ключевые слова: Automated Machine Learning Ограничено: Business Опубликовано до августа 2024 г.

Источник: Адаптировано из Росарио и Диаса [8,9].

Первоначальный поиск проводился с использованием базы данных Scopus, с упором на документы, содержащие фразу «Automated Machine Learning» в названии, аннотации или ключевых словах. Этот широкий подход к поиску дал в общей сложности 2089 статей. Чтобы сузить результаты до исследований, непосредственно относящихся к бизнес-области, был применен дополнительный фильтр, ограничивающий предметную область словом «Business». Кроме того, для обеспечения релевантности и качества отобранной литературы использовались критерии включения и исключения. В данном случае рассматривались только рецензируемые журнальные статьи, материалы конференций и обзорные статьи. В результате этого процесса отбора и скрининга было синтезировано 74 источника, представленных в итоговом отчете. Мы считаем, что данный подход является наиболее рекомендуемым для достижения целей исследования, учитывая цель предоставления целостного представления о преимуществах AutoML для компаний.

Тематический анализ использовался для анализа и организации результатов исследования. Росарио и Диас [8] описывают тематический анализ как метод исследования, который извлекает смысл и концепции из данных путем выявления, изучения и документирования повторяющихся закономерностей или тем в выявленных исследованиях. Аналогичным образом, Росарио и др. [9] определяют тематически-ориентированный обзор как метод, который проясняет, как более ранние публикации вносят вклад в тему исследования, выявляя существенные темы, концепции и явления. Этот подход позволяет исследователю организовывать результаты в соответствии с повторяющимися закономерностями или темами, демонстрируя, как компании используют предиктивную аналитику для прогнозирования поведения клиентов и разработки соответствующей стратегии. Мы применили как методы контент-анализа, так и методы тематического анализа для выявления, изучения и представления разнообразных документов, следуя рекомендациям Росарио и Диаса [7,8].

Затем 74 научных и академических документа, проиндексированных в Scopus, были проанализированы как с точки зрения повествования, так и с точки зрения библиометрии для более глубокого изучения содержания и извлечения общих тем, которые напрямую касаются исследовательского вопроса (рисунок 1).

Руководящие принципы PRISMA 2020 содержат набор стандартов, разработанных для повышения прозрачности и качества систематических обзоров. Эти руководящие принципы включают в себя полный контрольный список и блок-схему, которые помогают исследователям четко и подробно представлять результаты систематических обзоров. Соблюдение этих стандартов имеет решающее значение для обеспечения надежности и достоверности научных доказательств, что способствует принятию обоснованных решений в клинической практике и научных исследованиях [7,8].

Для анализа данных мы применили методы контент-анализа и тематического анализа, чтобы классифицировать и обсудить разнообразные документы, следуя рекомендациям Росарио и Диаса [8,9]. 74 документа, проиндексированных в Scopus, были проанализированы как с точки зрения повествования, так и с точки зрения библиометрии, чтобы углубить наше понимание содержания и выявить общие темы, которые непосредственно касаются исследовательского вопроса [7–9].

Среди отобранных документов 36 были статьями, 31 — материалами конференций, 6 — главами книг и 1 — книгой.

Мы проанализировали, как Автоматизированное Машинное обучение может улучшить бизнес, по август 2024 года включительно. 2022 год имел наибольшее количество рецензируемых публикаций, достигнув 17. Рисунок 2 обобщает рецензируемую литературу, опубликованную по август 2024 года включительно.

Публикации были организованы следующим образом: Материалы Международной конференции по информации и управлению знаниями (11); Knowledge-Based Systems (5); Journal of Cleaner Production (4); Материалы 18-й Международной конференции IEEE по машинному обучению и приложениям ICMLA 2019 (2); и оставшиеся публикации с 1 документом.

3. Результаты и обсуждение

Эта часть стремится предоставить всесторонний обзор преимуществ AutoML, подчеркивая ключевые теоретические вклады в этой области в результате применения метода LRSB. Другими словами, ниже будут представлены собранные данные, начиная с наиболее релевантных теоретических вкладов, которые помогают правильно определить понятие AutoML и его происхождение, затем дать общий обзор AutoML и его основных этапов. Впоследствии это представляет эволюцию концепции и ее общее влияние.

AutoML быстро стал трансформирующей силой в бизнес-секторе. Он предлагает компаниям упрощенный подход к использованию силы машинного обучения без необходимости обширных знаний [10]. В результате влияние AutoML распространилось на различные отрасли, стимулируя инновации и предоставляя конкурентное преимущество на быстро развивающемся рынке.

3.1. Введение в автоматизированное машинное обучение (AutoML)

Определение и объем

AutoML представляет собой значительный прогресс в области искусственного интеллекта, направленный на упрощение и демократизацию процесса машинного обучения. Традиционно, разработка моделей машинного обучения требовала высокого уровня экспертизы в науке о данных, включая глубокие знания алгоритмов, предварительной обработки данных, выбора модели и настройки гиперпараметров [11,26]. AutoML решает эти проблемы, автоматизируя весь рабочий процесс, позволяя неэкспертам создавать и развертывать высококачественные модели машинного обучения с минимальным ручным вмешательством. Ривас и др. [27] описывают AutoML как возникающую подобласть машинного обучения, где модели машинного обучения автоматически выбираются, составляются и параметризуются для обеспечения оптимальной производительности. Шух и др. [28] объясняют, что это достигается путем введения функций без кода или с низким кодом, требующих минимальных знаний машинного обучения и статистики. Рост AutoML может быть связан с увеличением числа программных компаний, которые предоставляют настраиваемые программные решения, позволяя компаниям адаптировать свои модели для конкретных нагрузок.

Объем AutoML распространяется на различные отрасли и приложения, от оптимизации маркетинговых стратегий до улучшения операций цепочки поставок и улучшения опыта клиентов. Лазебник и Сомех [12] объясняют, что влияние AutoML автоматизирует сложные и времяемкие задачи, связанные с машинным обучением, позволяя компаниям сосредоточиться на использовании инсайтов, полученных из их данных, вместо того, чтобы застревать в технических деталях разработки модели. Это подтверждается в исследовании Шух и др. [28], которое показало, что компании без технической экспертизы часто покупают удобные программные решения для создания пользовательских моделей машинного обучения, используемых в логистике, производстве и поддерживающих процедурах, таких как обработка естественного языка (NLP). Эта широкая применимость делает AutoML универсальным инструментом для организаций, стремящихся использовать силу принятия решений на основе данных.

3.2. Обзор AutoML и его основных этапов

Процесс AutoML может быть разделен на несколько критических этапов: автоматическая предварительная обработка, автоматическая инженерия функций, выбор модели, автоматическая настройка гиперпараметров и обучение модели, как показано на рисунке 8. Каждый этап играет важную роль в создании надежных и точных моделей машинного обучения.

3.2.1. Автоматическая предварительная обработка

Автоматическая предварительная обработка — это первый шаг в конвейере AutoML, где сырые данные преобразуются в чистый, используемый формат. Согласно Чаухану и др. [2], этот этап необходим, потому что качество входных данных напрямую влияет на производительность модели машинного обучения. Несколько ключевых процессов автоматизируются на этом этапе, включая импьютацию данных, балансировку и кодирование [13]. Импьютация данных включает автоматическое выявление и заполнение пропущенных данных с использованием методов, таких как замещение средним или k-ближайших соседей (KNN), чтобы обеспечить полноту набора данных и отсутствие пробелов.

AutoML системы решают проблемы дисбаланса классов для балансировки данных, которые могут привести к предвзятым прогнозам модели [14]. Техники, такие как перевыборка, недовыборка или генерация синтетических данных, как SMOTE, используются для балансировки распределения классов. Наконец, кодирование данных включает преобразование категориальных переменных в числовой формат, который могут обработать модели машинного обучения [15].

AutoML автоматизирует эту задачу с использованием техник, таких как one-hot или label encoding, в зависимости от природы данных.

3.2.2. Автоматическая инженерия функций

Автоматическая инженерия функций включает создание и выбор наиболее релевантных функций из данных. Функции — это критические переменные, которые модель использует для прогнозов. Процессы, автоматизированные в этом этапе, — это майнинг функций, генерация и выбор [2]. Инструменты AutoML автоматически извлекают полезные функции из сырых данных, выявляя шаблоны и отношения, которые могут улучшить производительность модели. Генерация включает создание новых функций из существующих данных для предоставления дополнительных инсайтов [29]. Например, Алон и др. [30] обнаружили, что могут генерироваться термины взаимодействия между переменными, или определенные функции могут быть преобразованы для лучшей точности модели. Затем система AutoML автоматически выбирает наиболее важные функции, отбрасывая нерелевантные или избыточные. Специалисты по данным часто используют техники, такие как рекурсивное устранение функций (RFE) или методы регуляризации, такие как Lasso.

3.2.3. Выбор модели

В этапе выбора модели система AutoML оценивает несколько алгоритмов машинного обучения, чтобы определить наиболее подходящий для конкретного набора данных и проблемы. Этот этап критически важен, потому что разные алгоритмы могут давать разные результаты в зависимости от данных [2]. Система AutoML сравнивает модели, от простых линейных регрессий до сложных ансамблевых методов, таких как случайные леса или машины градиентного бустинга. Затем она выбирает модель с наивысшей прогностической точностью или соответствующую другим критериям.

3.2.4. Автоматическая настройка гиперпараметров

После выбора оптимальной модели AutoML фокусируется на автоматической настройке гиперпараметров. Этот процесс включает тонкую настройку параметров модели для максимизации ее производительности. Несколько оптимизационных техник используются, включая оптимизацию сетки поиска, случайный поиск, последовательную модель на основе оптимизации (SMBO) и эволюционную оптимизацию [2]. Оптимизация сетки поиска систематически тестирует диапазон значений гиперпараметров для нахождения лучшей комбинации. Вместо тестирования всех возможных комбинаций метод случайной оптимизации оценивает случайное подмножество гиперпараметров, что может быть более эффективным [31]. SMBO строит модель ландшафта производительности гиперпараметров и использует ее для фокусировки на наиболее перспективных областях [32]. Эволюционная оптимизация итеративно развивает популяцию моделей, выбирая наилучшие для дальнейшего уточнения.

3.2.5. Обучение модели

Заключительный этап в процессе AutoML — обучение модели. На этом этапе выбранная и оптимизированная модель обучается на полном наборе данных. Система AutoML применяет лучшие практики, чтобы обеспечить хорошую обобщаемость модели на новых, невиданных данных. После обучения модель готова к развертыванию, где она может быть использована для прогнозов или предоставления инсайтов, которые информируют бизнес-решения и стратегии.

3.3. Фон и эволюция AutoML на протяжении лет

AutoML эволюционировал на протяжении лет с момента введения моделей МО. Согласно Барачи и др. [33], Джон Райс заложил основы современного AutoML, когда ввел проблему выбора алгоритма в 1976 году. Работа Райса фокусировалась на вызове выбора наиболее подходящего алгоритма для данной задачи на основе характеристик проблемы, которая должна быть решена. Это понятие выбора алгоритма является ключевым для AutoML, поскольку оно лежит в основе идеи автоматизации процесса выбора лучшей модели для конкретного набора данных [16,34]. В десятилетия после работы Райса машинное обучение увидело значительные прогрессы, особенно в разработке алгоритмов и вычислительных техник [35]. Однако эволюция AutoML набрала обороты в начале 2000-х годов с растущим признанием необходимости автоматизации в машинном обучении. Эта эра увидела введение более сложных техник для сокращения ручного труда, необходимого в разработке модели [17,36].

Ранние рамки AutoML появились, предлагая частичную автоматизацию для задач, таких как выбор модели и оптимизация гиперпараметров. Эти системы полагались на эвристические методы и базовые алгоритмы поиска для исследования пространства возможных моделей и конфигураций, закладывая основу для более продвинутых решений AutoML.

2010-е годы отметили значительный поворот в эволюции AutoML благодаря прогрессу в вычислительной мощности и увеличению доступности больших наборов данных. Хотя термин «AutoML» не может быть приписан одному автору или ссылке, Барбудо и др. [37] (2023) обнаружили, что он впервые появился в 2014 году через мастер-класс AutoML, организованный совместно с Международной конференцией по машинному обучению (ICML) с 2014 по 2021 год. Введение платформ автоматизированного машинного обучения, таких как AutoML Google и Azure Machine Learning Microsoft, революционизировало область, предоставив сквозные решения, которые могли обрабатывать весь конвейер машинного обучения [38,39]. Эти платформы использовали облачные вычислительные ресурсы для выполнения сложных задач, таких как поиск нейронной архитектуры (NAS), который автоматизирует дизайн архитектур нейронных сетей [40]. Техники NAS представляли прорыв в AutoML, позволяя автоматическую генерацию высокооптимизированных моделей глубокого обучения.

По мере эволюции AutoML фокус сместился на улучшение удобства использования и доступности. Поздние 2010-е и ранние 2020-е годы увидели распространение открытого исходного кода рамок AutoML, таких как TPOT и Driverless AI H2O.ai, которые демократизировали доступ к продвинутым техникам машинного обучения [18]. Эти рамки предоставляли пользователям мощные инструменты для автоматизации всего процесса разработки модели, от предварительной обработки данных до развертывания модели. Кроме того, интеграция AutoML с платформами бизнес-интеллекта и рабочими процессами науки о данных сделала проще для организаций принятие технологий машинного обучения, даже без специализированной экспертизы [41,42]. Сегодня AutoML представляет собой зрелую и быстро растущую область, которая продолжает эволюционировать в ответ на нужды как академии, так и отрасли. Современные платформы AutoML характеризуются их способностью обрабатывать все более сложные данные и типы моделей и их фокусом на интерпретируемости и прозрачности [19].

Исследователи активно исследуют новые методы для улучшения эффективности и эффективности систем AutoML, включая использование мета-обучения, трансферного обучения и объяснимых техник ИИ [43,44]. Эти прогрессы стимулируют принятие AutoML в широком диапазоне приложений, от здравоохранения и финансов до маркетинга и производства, где способность быстро и точно строить модели машинного обучения становится критическим конкурентным преимуществом.

3.4. Влияние AutoML на бизнес-операции

AutoML приводит к значительным изменениям в том, как компании работают и принимают решения. Автоматизируя сложные и часто времяемкие задачи разработки и развертывания моделей машинного обучения, позволяет компаниям использовать силу продвинутой аналитики без необходимости обширной технической экспертизы [45]. Бото Феррейра и др. [46] обнаружили, что это демократизация возможностей машинного обучения имеет глубокие последствия для различных аспектов бизнес-операций, от эффективности и принятия решений до управления затратами и устойчивости. Следующие разделы исследуют конкретные воздействия AutoML на разные области бизнеса, подчеркивая, как он перестраивает традиционные процессы и позволяет организациям процветать в экономике, основанной на данных.

3.4.1. Эффективность и производительность

AutoML значительно улучшает эффективность и производительность внутри организаций, автоматизируя многие трудоемкие задачи, связанные с разработкой модели машинного обучения. Традиционные рабочие процессы машинного обучения требуют обширного ручного труда, от предварительной обработки данных и инженерии функций до выбора модели и настройки гиперпараметров [47].

Эти задачи могут быть времяемкими и требовать эвристических знаний, часто приводя к узким местам в процессе разработки. AutoML решает эти проблемы, автоматизируя эти этапы, позволяя компаниям строить и развертывать модели быстрее и с меньшим человеческим вмешательством [48,49]. Эта автоматизация ускоряет время выхода на рынок для новых продуктов и услуг и освобождает ценные ресурсы, позволяя специалистам по данным и инженерам сосредоточиться на более стратегических задачах.

Возможность быстро итеративно уточнять модели через AutoML также приводит к более точным и надежным результатам, дальнейшему улучшая производительность [50]. Кроме того, способность AutoML обрабатывать большие объемы данных и исследовать широкий диапазон моделей параллельно означает, что компании могут масштабировать свои операции более эффективно, справляясь с большим количеством проектов за меньшее время и с большей последовательностью [3].

Эта эффективность переводится в конкурентные преимущества, поскольку компании могут быстрее реагировать на изменения рынка и нужды клиентов, в конечном итоге стимулируя рост и инновации.

3.4.2. Принятие решений и стратегическое планирование

Интеграция AutoML в бизнес-операции позволяет организациям принимать решения на основе данных с большей уверенностью и точностью. Традиционные процессы принятия решений часто полагаются на исторические данные и ручной анализ, которые могут быть времяемкими и подверженными человеческим ошибкам [51]. AutoML, с другой стороны, автоматизирует генерацию прогностических моделей, которые могут анализировать огромные объемы данных в реальном времени, предоставляя компаниям действенные инсайты, которые своевременны и точны [52]. Эти модели могут выявлять шаблоны, тенденции и корреляции, которые могут быть упущены человеческими аналитиками, приводя к более обоснованным решениям.

В стратегическом планировании AutoML может моделировать различные сценарии и прогнозировать потенциальные результаты, позволяя компаниям оценивать разные стратегии и выбирать наиболее эффективный путь вперед. Эта способность особенно ценна в неопределенных или быстро меняющихся средах, где быстрое и точное принятие решений критически важно для поддержания конкурентного преимущества [53,54].

Кроме того, AutoML улучшает способность персонализировать решения на основе конкретных сегментов клиентов или рыночных условий. Это позволяет компаниям адаптировать свои стратегии для лучшего удовлетворения нужд их целевых аудиторий [55]. Предоставляя более глубокое понимание факторов, стимулирующих производительность бизнеса, AutoML дает организациям возможность согласовывать их стратегические цели с реальными данными. Эта практика приводит к более эффективным и устойчивым бизнес-практикам.

3.4.3. Экономическая эффективность и ROI

AutoML предлагает значительную экономическую эффективность и улучшенный возврат инвестиций (ROI) за счет сокращения расходов, связанных с традиционными процессами машинного обучения, и предоставления более быстрых, более точных результатов. Разработка моделей машинного обучения вручную часто требует значительных инвестиций в специализированный талант, вычислительные ресурсы и время [56].

Итеративная природа разработки модели, которая включает эксперименты с разными алгоритмами, настройку гиперпараметров и валидацию результатов, может быть дорогостоящей и ресурсоемкой. AutoML смягчает эти затраты, автоматизируя большую часть процесса, снижая потребность в высокоспециализированном персонале и обширных вычислительных ресурсах [57]. Эта автоматизация позволяет компаниям развертывать модели быстрее, сокращая время до получения ценности и позволяя более быстрые итерации и улучшения.

В результате компании могут достигать лучших результатов с меньшими финансовыми инвестициями, напрямую способствуя повышению ROI [58]. Кроме того, способность AutoML оптимизировать модели для конкретных бизнес-целей обеспечивает, что модели точны и согласованы с целями организации, что дополнительно повышает их ценность. Оптимизируя процесс машинного обучения и снижая связанные с ним затраты, расширенная аналитика становится доступной для более широкого круга предприятий, включая малые и средние предприятия, которые могут не иметь ресурсов для инвестирования в традиционные команды по науке о данных [57,59]. Эта демократизация машинного обучения способствует созданию более равных условий игры, где предприятия всех размеров могут использовать аналитику на основе данных для улучшения своих операций и стимулирования роста.

3.4.4. Доступность для неэкспертов

Одно из наиболее трансформирующих воздействий AutoML — это его способность делать продвинутые методы машинного обучения доступными для неэкспертов, позволяя более широкому кругу профессионалов использовать аналитику на основе данных в их работе. Традиционно, машинное обучение было доменом специалистов по данным и инженеров с специализированными знаниями в алгоритмах, программировании и статистическом анализе [60]. Это создало барьеры для многих компаний, особенно меньших организаций или тех в отраслях без сильного технического фокуса. AutoML удаляет эти барьеры, предоставляя удобные интерфейсы и автоматизированные рабочие процессы, которые упрощают процесс построения и развертывания моделей машинного обучения [61]. Эти платформы часто включают функции drag-and-drop, предварительно созданные шаблоны и управляемые рабочие процессы, которые позволяют пользователям с малым или без опыта машинного обучения создавать сложные модели.

Следовательно, AutoML абстрагирует сложность разработки модели, давая возможность бизнес-аналитикам, маркетологам и другим профессионалам использовать силу машинного обучения без необходимости понимать базовые алгоритмы или языки программирования [62]. Эта повышенная доступность способствует инновациям и экспериментам внутри организаций, так как больше сотрудников могут вносить вклад в проекты и инициативы, основанные на данных.

Кроме того, вовлечение более широкого круга заинтересованных сторон в процесс машинного обучения приводит к более разнообразным перспективам и решениям, улучшая общее качество принятия решений и разработки стратегии [63,64]. По мере эволюции AutoML, он, вероятно, расширит свою доступность еще больше, позволяя еще большему числу людей и организаций извлекать пользу из силы машинного обучения.

3.4.5. Доступ к инсайтам в реальном времени

Возможность AutoML предоставлять инсайты в реальном времени — это игра, меняющая правила, для компаний, стремящихся оставаться конкурентоспособными на быстро меняющихся рынках. Традиционные модели машинного обучения часто требуют значительного времени для разработки, обучения и развертывания, что может задерживать доступность действенных инсайтов [65]. Напротив, платформы AutoML предназначены для быстрой обработки и анализа данных, позволяя компаниям генерировать инсайты в реальном времени. Эта немедленность особенно ценна в отраслях, где условия могут меняться быстро, таких как финансы, розничная торговля и логистика [20]. Например, в финансовом секторе инсайты в реальном времени могут информировать торговые решения, управление рисками и обнаружение мошенничества, помогая компаниям реагировать на флуктуации рынка по мере их возникновения [21]. В розничной торговле анализ поведения клиентов и данных продаж в реальном времени может позволить компаниям быстро корректировать ценообразование, инвентарь и маркетинговые стратегии, максимизируя выручку и удовлетворенность клиентов.

Способность AutoML непрерывно обновлять модели новыми данными обеспечивает, что инсайты остаются релевантными и точными. Это позволяет компаниям поддерживать динамичный и отзывчивый подход к принятию решений [66]. Кроме того, инсайты в реальном времени от AutoML могут поддерживать прогнозирующее обслуживание в производстве, где раннее обнаружение потенциальных отказов оборудования может предотвратить дорогостоящие простои и продлить срок службы машин [22,67].

Предоставляя компаниям инструменты для быстрого действия на основе самых текущих данных, AutoML улучшает их способность ориентироваться в неопределенности и использовать возникающие возможности.

3.4.6. Поддержка инициатив по устойчивости

AutoML оптимизирует процессы и использование ресурсов, снижая экологическое влияние бизнес-операций. По мере того, как организации все больше приоритизируют устойчивость, растет необходимость в инструментах, которые могут помочь балансировать экономический рост с экологической ответственностью. AutoML может способствовать этим усилиям, позволяя компаниям анализировать и оптимизировать их потребление энергии, логистику цепочки поставок и практики управления отходами [68,69]. Например, в энергетическом секторе AutoML может использоваться для разработки моделей, которые прогнозируют спрос на энергию и оптимизируют распределение энергии, снижая отходы и обеспечивая более эффективное использование ресурсов. AutoML может оптимизировать производственные процессы в производстве для минимизации использования ресурсов и снижения выбросов, поддерживая переход отрасли к более устойчивым практикам [70]. Кроме того, AutoML может помочь компаниям мониторить и отчитываться о их метриках устойчивости, предоставляя инсайты в реальном времени в их экологическую производительность и помогая им соответствовать регуляторным требованиям.

Автоматизируя анализ сложных наборов данных, AutoML позволяет компаниям выявлять возможности для снижения их углеродного следа и улучшения их общей устойчивости.

Способность AutoML обрабатывать большие объемы данных быстро и точно делает его ценным для отслеживания прогресса в достижении целей устойчивости. Это помогает обеспечить, чтобы инициативы были эффективными и масштабируемыми [23]. По мере того, как устойчивость становится все более важным аспектом корпоративной стратегии, AutoML будет продолжать играть ключевую роль в помощи организациям достигать их экологических целей.

3.4.7. Обнаружение мошенничества в системах цифровых платежей

Рост систем цифровых платежей принес новые вызовы в обнаружении мошенничества. AutoML стал мощным инструментом в борьбе с мошенническими действиями. Традиционные методы обнаружения мошенничества часто полагаются на предопределенные правила и ручные проверки, которые могут быть подвержены ошибкам [24]. По мере того, как мошенники становятся более изощренными, растет необходимость в более продвинутых и динамичных методах обнаружения. AutoML решает эту потребность, автоматизируя создание моделей машинного обучения, которые могут обнаруживать мошеннические шаблоны в реальном времени, даже по мере их эволюции [71]. Эти модели могут анализировать огромные объемы данных транзакций, выявлять аномалии и отмечать потенциально мошеннические действия с высокой точностью. Модели AutoML могут адаптироваться к возникающим тактикам мошенничества, непрерывно обучаясь на новых данных, обеспечивая, что системы обнаружения остаются эффективными с течением времени [72].

Эта адаптивность критически важна в цифровых платежах, где мошенники постоянно разрабатывают новые методы для обхода мер безопасности. Кроме того, AutoML может улучшить эффективность процессов обнаружения мошенничества, сокращая количество ложных срабатываний [73]. Это позволит компаниям фокусировать свои ресурсы на реальных угрозах. В конечном итоге, AutoML помогает защищать бизнесы и потребителей от финансовых потерь и укрепляет общую безопасность систем цифровых платежей путем предоставления более точного и автоматизированного подхода к обнаружению мошенничества.

3.4.8. Измерение маркетинга и производительности бизнеса

Традиционно, оценка успеха маркетинговых кампаний и бизнес-инициатив включала сбор огромных объемов данных из различных источников, их анализ и извлечение инсайтов, которые информируют будущие решения [74]. Однако, Kongar and Adebayo [75] указывают, что AutoML трансформирует этот процесс, автоматизируя весь рабочий процесс, от сбора данных до анализа и отчетности, предоставляя компаниям быстрые и точные оценки их маркетинговой и бизнес-производительности. Один из ключевых преимуществ AutoML в этом контексте — это его способность обрабатывать большие наборы данных из нескольких каналов, включая цифровые маркетинговые платформы, записи о продажах, отзывы клиентов и взаимодействия в социальных сетях [76]. Интегрируя и анализируя эти данные, модели AutoML могут выявлять шаблоны и тенденции, которые было бы трудно выявить человеческим аналитикам. Это позволяет компаниям понимать, как разные маркетинговые стратегии работают в реальном времени, позволяя быстро корректировать их для оптимизации результатов [77]. Например, AutoML может помочь выявить сегменты клиентов, которые наиболее восприимчивы к конкретным кампаниям. Такие инсайты позволяют компаниям адаптировать свои маркетинговые усилия для максимального воздействия.

Кроме того, AutoML облегчает непрерывный мониторинг ключевых показателей эффективности (KPI), предоставляя компаниям постоянные инсайты в их операции. Этот анализ в реальном времени позволяет компаниям более точно измерять эффективность их стратегий и принимать основанные на данных решения, которые улучшают общую производительность [78]. Согласно Cruz et al. [79], AutoML также снижает зависимость от ручной отчетности и потенциал человеческой ошибки, автоматизируя процесс измерения маркетинговых и бизнес-результатов, обеспечивая, что решения основаны на точной, актуальной информации. Кроме того, прогностические способности AutoML позволяют компаниям прогнозировать будущую производительность на основе исторических данных, чтобы предвосхищать рыночные тенденции и проактивно корректировать их стратегии [80].

Этот опережающий подход улучшает эффективность маркетинговых и бизнес-операций, а также поддерживает долгосрочное стратегическое планирование. В результате, компании могут лучше согласовывать свои маркетинговые инициативы и бизнес-цели, что приводит к улучшению ROI и устойчивому конкурентному преимуществу [81].

3.4.9. Обслуживание оборудования

AutoML глубоко влияет на обслуживание оборудования, революционизируя то, как компании подходят к прогнозирующему обслуживанию и управлению активами. В отраслях, где оборудование играет критическую роль, таких как производство, энергетика и транспорт, незапланированные простои из-за отказа оборудования могут привести к значительным финансовым потерям и операционным сбоям [82]. Традиционные подходы к обслуживанию, такие как плановое или реактивное обслуживание, часто неэффективны и дороги, так как они либо включают ненужные мероприятия по обслуживанию, либо решают проблемы только после того, как произошел сбой.

AutoML решает эти проблемы, обеспечивая прогнозирующее обслуживание, которое использует модели машинного обучения для прогнозирования отказов оборудования до того, как они произойдут [83]. С помощью AutoML, компании могут строить модели, которые анализируют огромные объемы данных с датчиков, исторические записи обслуживания и факторы окружающей среды для выявления шаблонов и аномалий, указывающих на потенциальные отказы оборудования [84]. Эти модели могут обнаруживать ранние признаки, которые могут быть пропущены человеческими операторами, такие как незначительные изменения в вибрации, температуре или давлении, позволяя своевременно вмешиваться и предотвращать поломки. Автоматизируя процесс мониторинга и анализа производительности оборудования, снижается зависимость от ручных проверок и плановых графиков обслуживания, что приводит к более эффективному использованию ресурсов.

Кроме того, модели AutoML непрерывно обучаются и улучшаются по мере получения новых данных, что делает их все более точными со временем. Эта адаптивность обеспечивает, что стратегии обслуживания остаются эффективными даже по мере старения оборудования или изменения условий эксплуатации [25,85]. Способность прогнозировать и предотвращать отказы оборудования минимизирует простои и затраты на обслуживание, а также продлевает срок службы активов, обеспечивая долгосрочные финансовые выгоды. Кроме того, AutoML может помочь компаниям оптимизировать их запасы запасных частей и уровни штата обслуживающего персонала, дополнительно снижая затраты и повышая операционную эффективность [86]. Таким образом, AutoML трансформирует обслуживание оборудования из реактивного в проактивное, позволяя компаниям поддерживать высокий уровень производительности, снижать затраты и обеспечивать надежность их критически важных активов.

3.5. Этические и социальные последствия

Использование AutoML в бизнесе связано с множеством этических и социальных соображений. Этот раздел синтезирует данные о наиболее распространенных.

3.5.1. Этические соображения при использовании AutoML

Использование AutoML поднимает несколько этических соображений, которые критически важны для компаний и разработчиков, когда они интегрируют эти технологии в свои операции. Одно из основных этических забот — это потенциал предвзятости в моделях, генерируемых AutoML [87]. Модели машинного обучения, включая те, которые производятся AutoML, только так хороши, как данные, на которых они обучены. Если обучающие данные содержат предвзятости, будь то связанные с расой, полом, социально-экономическим статусом или другими факторами, эти предвзятости могут быть сохранены или даже усилены в прогнозах модели [88]. Это может привести к несправедливым или дискриминационным результатам, особенно в чувствительных приложениях, таких как найм, кредитование или здравоохранение. Автоматизированная природа AutoML означает, что эти предвзятости могут быть внесены без ведома пользователя, что делает крайне важным для бизнеса внедрение строгих процедур тестирования и валидации для обеспечения справедливости и равенства в развертываемых ими моделях.

Другая этическая проблема — это прозрачность и интерпретируемость моделей AutoML. В отличие от традиционного машинного обучения, где специалисты по данным имеют прямой контроль над разработкой модели и часто могут объяснить, как модель приходит к своим прогнозам, AutoML автоматизирует большую часть этого процесса, создавая модели-«черные ящики» [89]. Эти модели могут быть высокоточными, но процессы принятия ими решений непрозрачны, что затрудняет для пользователей понимание того, как делаются конкретные прогнозы. Этот недостаток прозрачности может быть проблематичным, особенно в отраслях, таких как финансы или здравоохранение, где заинтересованные стороны должны доверять и понимать обоснование автоматизированных решений [90]. Поэтому обеспечение того, чтобы платформы AutoML включали инструменты для интерпретируемости и объяснимости моделей, имеет важное значение для соблюдения этических стандартов.

Рост AutoML привел к увеличению озабоченности по поводу конфиденциальности, особенно при обработке чувствительных или персональных данных. Поскольку системам AutoML часто требуются большие наборы данных для эффективной работы, существует риск нарушения прав на конфиденциальность, если данные обрабатываются ненадлежащим образом [91]. Компании должны соблюдать правила защиты данных и внедрять надежные меры анонимизации и безопасности данных. Кроме того, автоматизированная природа AutoML может привести к непреднамеренному использованию данных способами, не предусмотренными изначально или не согласованными с субъектами данных, поднимая дополнительные этические вопросы об информированном согласии и использовании данных.

Наконец, развертывание AutoML может привести к этическим дилеммам, связанным с ответственностью. Когда автоматизированные системы принимают решения, может быть сложно определить, кто несет ответственность, когда что-то идет не так, будь то разработчики, создавшие платформу AutoML, компании, которые ее развернули, или сами алгоритмы. Эта неопределенность в ответственности может усложнить усилия по решению таких проблем, как дискриминация или ошибки в автоматизированном принятии решений. Поэтому крайне важно, чтобы компании и регуляторы установили четкие руководящие принципы по ответственности и обеспечили человеческий надзор при развертывании технологий AutoML.

3.5.2. Более широкое социальное влияние AutoML на бизнес и занятость

Более широкое социальное влияние AutoML простирается за пределы этических соображений его использования, влияя на бизнес-индустрию и занятость значительными способами. Одно из основных воздействий — это демократизация машинного обучения [92]. Малые и средние предприятия (МСП), которым может не хватать ресурсов для найма специализированных специалистов по данным, теперь могут использовать AutoML для получения инсайтов из своих данных и более эффективной конкуренции с крупными корпорациями [85]. Эта демократизация способствует инновациям и конкуренции, поскольку более широкий круг предприятий может получить доступ к инструментам, необходимым для оптимизации операций, улучшения клиентского опыта и разработки новых продуктов.

Однако широкое внедрение AutoML также вызывает опасения по поводу будущего занятости, особенно для профессионалов в области науки о данных и смежных областях. Поскольку платформы AutoML становятся более сложными, они могут автоматизировать многие задачи, традиционно выполняемые специалистами по данным, такие как выбор модели, разработка функций и настройка гиперпараметров [93,94]. Хотя эта автоматизация может повысить эффективность и снизить затраты для бизнеса, она также создает риск снижения спроса на специалистов по науке о данных. В долгосрочной перспективе это может привести к вытеснению рабочих мест и потребовать изменения необходимых навыков в рабочей силе [95]. Это влияние AutoML на занятость распространяется на другие отрасли, где машинное обучение используется для автоматизации задач, которые ранее выполнялись людьми. Например, в производстве AutoML может оптимизировать производственные процессы и прогнозирующее обслуживание, потенциально снижая потребность в ручном труде. В результате возрос страх, связанный с увеличением уровня безработицы и связанными с этим негативными последствиями.

В сумме, результаты показывают, что AutoML автоматизирует рабочий процесс машинного обучения, делая его доступным для неэкспертов через функции без кода или с низким кодом. Это позволяет компаниям использовать инсайты данных без фокуса на технической разработке модели. Ключевые этапы включают автоматическую предварительную обработку, инженерию функций, выбор модели, настройку гиперпараметров и обучение модели. С момента выбора алгоритма Джона Райса в 1976 году AutoML значительно эволюционировал. Платформы, такие как AutoML Google и Azure Machine Learning Microsoft, ввели поиск нейронной архитектуры (NAS), и открытые рамки улучшили удобство использования. Сегодня AutoML обрабатывает сложные данные, фокусируется на интерпретируемости и извлекает пользу из продолжающихся исследований в области мета-обучения, трансферного обучения и объяснимого ИИ. AutoML улучшает эффективность, принятие решений, управление затратами и устойчивость, автоматизируя такие задачи, как предварительная обработка данных и выбор модели. Он масштабирует операции, улучшает принятие решений и является экономически эффективным. AutoML предоставляет инсайты в реальном времени, поддерживает устойчивость, улучшает обнаружение мошенничества, маркетинг и измерение производительности, а также обеспечивает прогнозирующее обслуживание. Однако AutoML представляет этические проблемы, такие как предвзятость из обучающих данных, проблемы прозрачности, проблемы конфиденциальности и ответственность за решения. Компании должны тщательно тестировать модели, обеспечивать интерпретируемость, соблюдать правила защиты данных и устанавливать четкие руководящие принципы ответственности для решения этих проблем.

4. Заключение

Интеграция AutoML в бизнес-операции трансформировала то, как организации используют данные для стимулирования инноваций и улучшения эффективности. AutoML упростил то, что когда-то было сложным и ресурсоемким процессом машинного обучения, сделав его доступным для более широкого диапазона компаний, независимо от их технической экспертизы. Автоматизируя ключевые задачи, такие как предварительная обработка данных, инженерия функций, выбор модели и настройка гиперпараметров, AutoML дает компаниям возможность быстро развивать и развертывать мощные модели, адаптированные к их уникальным потребностям. Эта автоматизация не только ускоряет время до производства моделей, но и позволяет организациям непрерывно итерировать и совершенствовать свои стратегии на основе данных в реальном времени и меняющихся рыночных условий. В результате компании могут принимать более быстрые, более обоснованные решения, используя данные для сохранения конкурентоспособности и отзывчивости в быстро развивающейся среде.

Широкая применимость AutoML в различных отраслях подчеркивает его важность как мощного инструмента для стимулирования операционной эффективности и стратегических инноваций. Способность AutoML оптимизировать сложные процессы позволяет компаниям всех размеров использовать машинное обучение, приводя к более эффективному управлению затратами и более высокой рентабельности инвестиций. Его роль в обеспечении масштабируемости особенно важна по мере роста компаний и увеличения объемов их данных, гарантируя, что их усилия в области машинного обучения могут эволюционировать в соответствии с их развитием. Однако, этические и социальные последствия его внедрения являются важными соображениями, которые должны быть решены для обеспечения ответственного использования. Поскольку AutoML автоматизирует задачи, традиционно выполняемые специалистами по данным, существует потенциальный риск вытеснения рабочих мест в ролях, ориентированных на ручной анализ данных. Этот сдвиг требует переосмысления навыков рабочей силы, с акцентом на стратегический, творческий и этический надзор в области науки о данных. Чтобы в полной мере реализовать преимущества AutoML, компании должны инвестировать в программы переподготовки и повышения квалификации, чтобы подготовить своих сотрудников к этой развивающейся среде. Обеспечение того, чтобы внедрение AutoML способствовало не только успеху бизнеса, но и более широкому общественному благосостоянию, требует сосредоточения внимания на готовности рабочей силы. Поиск баланса между технологическими достижениями и ответственным развертыванием будет необходим для максимизации положительного воздействия AutoML как на отрасль, так и на общество. Автоматизированное Машинное обучение (AutoML) обладает потенциалом для значительного улучшения как теоретических основ, так и практических применений в деловом мире. Вклад, который AutoML может внести в теорию и практику:

(i) Теоретический вклад: (a) Развитие прогностических моделей: AutoML демократизирует доступ к сложным прогностическим моделям, позволяя исследовать более сложные теории, которые ранее были ограничены необходимостью обширной ручной обработки данных и выбора модели; (b) Автоматизируя процесс выбора и оптимизации модели, AutoML позволяет разработку более точных и надежных моделей принятия решений, внося вклад в теоретическое понимание науки о принятии решений в бизнес-контекстах; (c) AutoML облегчает масштабирование исследовательских экспериментов, позволяя тестировать и проверять теоретические модели на больших наборах данных и в более разнообразных бизнес-сценариях, что способствует более надежным и обобщаемым теориям; и (d) AutoML поддерживает интеграцию методов из различных дисциплин, таких как статистика, информатика и экономика, приводя к разработке более всеобъемлющих теорий, которые включают инсайты из нескольких областей;

(ii) Практический вклад: (a) AutoML может оптимизировать и ускорить процесс разработки моделей, сокращая время и затраты, связанные с ручным построением моделей, и позволяя компаниям быстрее развертывать стратегии, основанные на данных; (b) Предоставляя компаниям продвинутые возможности машинного обучения без необходимости специализированных знаний, AutoML позволяет компаниям более эффективно использовать науку о данных, тем самым повышая их конкурентоспособность на рынке; (c) AutoML оптимизирует использование данных и вычислительных ресурсов, позволяя компаниям достигать большего с меньшими затратами. Эта эффективность может привести к экономии средств и лучшему распределению ресурсов на другие важные бизнес-функции; (d) Инструменты AutoML снижают барьер для входа для компаний, у которых может не быть доступа к экспертам по науке о данных, позволяя более широкому кругу компаний использовать машинное обучение для принятия решений и операционного улучшения; и (e) Автоматизируя рутинные задачи, AutoML освобождает специалистов по данным и аналитиков, чтобы сосредоточиться на более инновационных аспектах бизнес-стратегии, приводя к разработке новых продуктов, услуг и процессов.

AutoML обладает потенциалом внести значительный вклад как в теоретическое понимание, так и в практическое применение машинного обучения в бизнесе, стимулируя инновации, эффективность и конкурентоспособность во всех отраслях.

Изучение будущих направлений исследований того, как Автоматизированное Машинное обучение (AutoML) может улучшить бизнес, включает выявление возникающих тенденций, проблем и возможностей, которые могут формировать следующую фазу исследований и применения. Вот некоторые потенциальные области для концентрации: (i) Персонализация и клиентский опыт: (a) Исследование того, как AutoML может быть использован для создания высоко персонализированного клиентского опыта путем динамической корректировки маркетинговых стратегий, рекомендаций по продуктам и ответов службы поддержки клиентов на основе данных в реальном времени; (b) Исследование того, как AutoML может улучшить понимание и прогнозирование поведения клиентов в различных точках взаимодействия, приводя к более эффективному и действенному картированию пути клиента; (ii) Этичный ИИ и Прозрачность: (a) Исследование методов использования AutoML для выявления и уменьшения предвзятости в моделях машинного обучения, обеспечивая более справедливые результаты в бизнес-решениях, таких как найм, кредитование или сегментация клиентов; (iii) Интеграция с бизнес-процессами: (a) Исследование лучших практик для интеграции AutoML в существующие бизнес-процессы, обеспечивая, чтобы автоматизированные модели могли быть плавно внедрены и поддерживаться в различных операционных контекстах; (b) Исследование структур, в которых AutoML дополняет человеческое принятие решений, а не заменяет его, с акцентом на оптимальный баланс между автоматизацией и человеческим надзором; (iv) Масштабируемость и кастомизация: (a) Исследование способов сделать AutoML более масштабируемым для крупных предприятий, решая проблемы, связанные с обработкой огромных объемов данных и развертыванием моделей в нескольких бизнес-единицах; и (v) Анализ затрат и выгод и ROI: (a) Проведение исследований, измеряющих возврат на инвестиции (ROI) от внедрения AutoML в различных бизнес-контекстах, помогая организациям понять финансовые выгоды и оправдать внедрение решений AutoML; (b) Исследование стратегий снижения затрат, связанных с развертыванием AutoML, таких как оптимизация использования облачных ресурсов или разработка более эффективных алгоритмов.

Будущее исследований того, как AutoML может улучшить бизнес, богато возможностями, охватывая от технических достижений до этических соображений и отраслевых приложений. Поскольку AutoML продолжает развиваться, его интеграция в бизнес-стратегии, вероятно, станет более сложной, что приведет к новым возможностям для инноваций и роста.

Вклад авторов. Концептуализация, A.T.R. и A.C.B.; методология, A.T.R. и A.C.B.; программное обеспечение, A.T.R. и A.C.B.; валидация, A.T.R. и A.C.B.; формальный анализ, A.T.R. и A.C.B.; исследование, A.T.R. и A.C.B.; ресурсы, A.T.R. и A.C.B.; курация данных A.T.R. и A.C.B.; написание — оригинальный черновик, A.T.R. и A.C.B.; написание — обзор и редактирование, A.T.R. и A.C.B.; визуализация, A.T.R. и A.C.B.; надзор, A.C.B. и A.T.R.; администрация проекта, A.C.B. и A.T.R.; приобретение финансирования, A.C.B. и A.T.R. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование. Первый автор получает финансовую поддержку от Исследовательского отдела по управлению, конкурентоспособности и государственной политике (UIDB/04058/2020) + (UIDP/04058/2020), финансируемого национальными средствами через FCT — Fundação para a Ciência e a Tecnologia.

Заявление институционального совета по обзору. Не применимо.

Заявление о информированном согласии. Не применимо.

Заявление о доступности данных. Не применимо.

Благодарности. Мы хотели бы выразить нашу благодарность Редактору и Рецензентам. Они предложили ценные предложения по улучшениям. Авторы были поддержаны Исследовательским центром GOVCOPP Университета Авейру и UNIDCOM.

Конфликт интересов: Финансисты не имели роли в дизайне исследования; в сборе, анализе или интерпретации данных; в написании рукописи или в решении опубликовать результаты.

Приложение A

Документы	≤2014	2015	2016	2017	2018	2019	2020	2021	2022	2023	2024	Всего
Identifying leather type and authenticity by optical coherence tomography 2024	0	0	0	0	0	0	0	0	0	0	1	1
Всего	8	1	1	2	2	3	7	156	311	458	323	1274

Примечание издателя: MDPI сохраняет нейтралитет в отношении юрисдикционных претензий к опубликованным картам и институциональной принадлежности.

MDPI или его лицензиар обладает исключительными правами на данную статью в соответствии с издательским соглашением с автором(ами) или другим(и) правообладателем(ами).