LEVERAGING MACHINE LEARNING MODELS TO BOOST THE MANIPULATION OF UNSTRUCTURED DECISIONS AND UNSTRUCTURED DATA IN DIGITAL BUSINESS FIRMS

Аннотация

В современном динамично развивающемся цифровом пространстве организации сталкиваются с большим количеством неструктурированных решений, принимаемых в условиях неполной информации, высокой степени неопределённости и постоянных изменений. Основная цель настоящего исследования заключается в изучении возможностей моделей машинного обучения (ML) для извлечения ценной информации из больших и разнородных массивов данных, что, в конечном итоге, способствует повышению эффективности процессов принятия решений в условиях неструктурированной среды и снижению вероятности неудачного выполнения проектов бизнес-организаций. Методология исследования основана на смешанном подходе, включающем анализ современной научной литературы и детальное рассмотрение двух практических кейсов: JPMorgan Chase в финансовой сфере и Airbus в авиационной отрасли. Результаты исследования показали, что применение машинного обучения обеспечивает существенное повышение эффективности в обоих рассматриваемых случаях. В JPMorgan Chase точность обнаружения мошеннических операций увеличилась с 70 % до 92 %, тогда как доля ложноположительных результатов снизилась с 50 % до 8 %. Время, необходимое для выявления мошеннических операций, сократилось с двух дней до менее одной минуты, что способствовало снижению операционных затрат примерно на 35 %. Аналогичные положительные результаты были получены в авиационной отрасли. В Airbus применение технологий предиктивного обслуживания на основе машинного обучения позволило сократить количество неожиданных отказов на 60 %, снизить затраты на техническое обслуживание на 40 % и повысить доступность воздушного флота на 29 %. Проведённый анализ позволяет сделать вывод о том, что машинное обучение следует рассматривать прежде всего как инструмент поддержки экспертов при решении неструктурированных задач, а не как замену человеческого участия в процессе принятия решений. В исследовании также обозначены основные перспективные направления и вызовы, включая необходимость развития объяснимого искусственного интеллекта (XAI), совершенствования механизмов управления данными и повышения эффективности интеграции моделей машинного обучения с процессами принятия решений человеком. Это позволит обеспечить эффективное, надёжное и ответственное внедрение технологий машинного обучения в деятельность современных бизнес-организаций.