vestreaВестник Российского экономического университета имени Г. В. ПлехановаVestnik of the Plekhanov Russian University of Economics2413-28292587-9251Plekhanov Russian University of Economics10.21686/2413-2829-2019-6-83-95vestrea-791Research ArticleЭКОНОМИКА ПРЕДПРИНИМАТЕЛЬСТВАECONOMICS OF ENTREPRENEURSHIPМетоды машинного обучения в малом бизнесе: содержание и управлениеMethods of Machine-Aided Training in Small Business: Content and ManagementТищенкоС. А.TishchenkoS. A.

Сергей Александрович Тищенко  – кандидат физико-математических наук, доцент кафедры экономической информатики  

119991, Москва,  Ленинские горы, д. 1

Sergey A. Tishchenko  – PhD, Assistant Professor  of the Department for Economic Informatics  

1 Leninskie gory, Moscow, 119991

tichtch@mail.ruШахмурадянМ. А.ShakhmuradianM. A.

Михаил Андреевич Шахмурадян  – аспирант кафедры экономики  инноваций

119991, Москва,  Ленинские горы, д. 1

Mikhail A. Shakhmuradian  – Post-Graduate Student of the Department  for Economics of Innovation  

1 Leninskie gory, Moscow, 119991

m.a.shahmuradyan@gmail.comМосковский государственный университет имени М. В. ЛомоносоваРоссияLomonosov Moscow State UniversityRussian Federation201911122019068395Copyright © Тищенко С.А., Шахмурадян М.А., 20192019Тищенко С.А., Шахмурадян М.А.Tishchenko S.A., Shakhmuradian M.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vest.rea.ru/jour/article/view/791

В статье рассмотрены ключевые характеристики стандартных методов машинного обучения, используемых компаниями в операционных бизнес-процессах. В условиях отечественного курса на развитие инновационного бизнеса, цифровой экономики и инфраструктуры для хранения данных человеческий фактор приобретает ключевое значение. Применение методов искусственного интеллекта в работе сотрудников малых предприятий встречает препятствия, которые заключаются в том числе и в отсутствии представлений у персонала о стратегической функциональности существующих в настоящее время алгоритмов бизнес-процессов. Малые коммерческие предприятия сталкиваются с проблемой незнания основных инструментальных принципов функционирования и использования алгоритмов машинного обучения. Вместе с тем бизнес-процессы предприятия могут быть качественно улучшены благодаря имплементации (реализации) алгоритмов машинного обучения. Авторами приведен формальный и аналитический обзор существующих базовых алгоритмов, используемых рядом крупных коммерческих компаний в качестве потенциального средства для оптимизации бизнеса малого предприятия. Описаны виды алгоритмов и моделей машинного обучения – множественная модель регрессии, логистическая регрессия и др., а также инструментальные проблемы их использования аналитиками и разработчиками предприятия. Даны рекомендации по применению данных моделей для повышения эффективности работы малых коммерческих предприятий.  

The article provides key characteristics of standard methods of machine-aided training used by companies in operative business processes. Within the frames of home orientation to the innovation business development, digital economy and infrastructure for data storage the human factor becomes essential. The use of methods of artificial intellect by employees of small enterprises faces obstacles that imply personnel ignorance concerning strategic functionality of available today algorithms of business processes. Small commercial enterprises encounter the problem that they do not know the key instrumental principles of functioning and use of machine-aided training algorithms. At the same time business processes of the enterprise could be seriously improved through implementing algorithms of machine-aided training. The authors conducted a formal and analytical review of potential means for small business optimization. They described types of algorithms and models of machine-aided training, such as multiple regressive model, logistic regression, etc., as well as instrumental problems of their use by enterprise analysts and developers. Recommendations were prepared aimed at use of these models in order to raise the efficiency of small commercial enterprises.  

искусственный интеллектбизнес-процессыинструментальный подходмодель регрессииметод опорных векторовмашинное обучениеartificial intellectbusiness processesinstrumental approachregressive modelmethod of support vectorsmachine-aided trainingReferencesБарский А. Б. Нейронные сети: распознавание, управление, принятие решений. – М. : Финансы и статистика, 2004.Barskiy A. B. Neyronnye seti: raspoznavanie, upravlenie, prinyatie resheniy [Neural Networks: Recognition, Management, Decision Making]. Moscow, Finance and Statistics, 2004. (In Russ.).Брукшир Дж. Информатика и вычислительная техника. – 7-е изд. – СПб. : Питер, 2004.Brookshire J. Informatika i vychislitelnaya tekhnika [Computer Science and Computer Engineering]. 7th edition. Saint Petersburg, Piter, 2004. (In Russ.).Гмах Д., Ролиа Д., Черкасова Л., Кемпер А. Управление вычислительной мощностью и прогнозирование потребностей центров обработки данных // Информационная безопасность. – 2008. – № 2 (112). – URL: https://www.bytemag.ru/articles/detail.php?ID=11622Gmakh D., Rolia D., Cherkasova L., Kemper A. Upravlenie vychislitelnoy moshchnostyu i prognozirovanie potrebnostey tsentrov obrabotki dannykh [Management of Computing Power and Forecasting the Needs of Data Centers]. Informatsionnaya bezopasnost [Information Security], 2008, No. 2 (112). (In Russ.). Available at: https://www.bytemag.ru/articles/detail.php?ID=11622Грас Дж. Data Science. Наука о данных с нуля : пер. с англ. – СПб. : БХВ-Петербург, 2017.Grasse J. Data Science. Nauka o dannykh s nulya [Data Science. The Science of Data from Scratch], translated from English. Saint Petersburg, BKHV-Peterburg, 2017. (In Russ.).Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. – 2-е изд., испр. – М. : ДМК Пресс, 2018.Goodfellow Ya., Bengio I., Courville A. Glubokoe obuchenie [Deep Learning], translated from English by A. A. Slinkin. 2nd edition, corrected. Moscow, DMK Press, 2018. (In Russ.).Дэви С., Мейсман А., Мохамед А. Основы Data Science и Big Data. Python и наука о данных. – СПб. : Питер, 2017.Devi S., Meysman A., Mokhamed A. Osnovy Data Science i Big Data. Python i nauka o dannykh [Fundamentals of Data Science and Big Data. Python and Data Science]. Saint Petersburg, Piter, 2017. (In Russ.).Козлов А., Котов К., Седов С. 3 примера применения машинного обучения для бизнеса, чтобы использовать бизнес-процессы. – URL: https://www.gd.ru/articles/9073-mashinnoe-obuchenie (дата обращения: 01.11.2019).Kozlov A., Kotov K., Sedov S. 3 primera primeneniya mashinnogo obucheniya dlya biznesa, chtoby ispolzovat biznes-protsessy [3 Examples of Using Machine Learning for Business to Leverage Business Processes]. (In Russ.). Available at: https://www.gd.ru/articles/9073-mashinnoe-obuchenie (accessed 01.11.2019).Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. – М. : МЦНМО, 2009.Nikolenko S. I., Tulupev A. L. Samoobuchayushchiesya sistemy [Self-Learning Systems]. Moscow, MTSNMO, 2009. (In Russ.).Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. – СПб. : Питер, 2018.Nikolenko S., Kadurin A., Arkhangelskaya E. Glubokoe obuchenie [Deep Learning]. Saint Petersburg, Piter, 2018. (In Russ.).Орешков В. И., Васильев Е. П. Совершенствование процесса принятия управленческих решений в экономике и бизнесе на основе применения интеллектуального анализа данных // Фундаментальные исследования. – 2012. – № 9-4. – С. 965–971. – URL: http://www.fundamental-research.ru/ru/article/view?id=30432 (дата обращения: 20.03.2019).Oreshkov V. I., Vasilev E. P. Sovershenstvovanie protsessa prinyatiya upravlencheskikh resheniy v ekonomike i biznese na osnove primeneniya intellektualnogo analiza dannykh [Improvement of the Process of Making Administrative Decisions in Economics and Business on the Basis of Application of Intellectual Data Analysis]. Fundamentalnye issledovaniya [Fundamental Research], 2012, No. 9-4, pp. 965–971. (In Russ.). Available at: http://www.fundamental-research.ru/ru/article/view?id=30432 (accessed 20.03.2019).Плас В. Дж. Python для сложных задач: наука о данных и машинное обучение. – СПб. : Питер, 2018.Plus V. Dzh. Python dlya slozhnykh zadach: nauka o dannykh i mashinnoe obuchenie [Vander Python for Complex Tasks: Data Science and Machine Learning]. Saint Petersburg, Piter, 2018. (In Russ.).Саттон Р. С., Барто Э. Г. Обучение с подкреплением : пер. с англ. – М. : Бином, 2011.Sutton R. S., Barto E. G. Obuchenie s podkrepleniem [Training with Reinforcement], translated from English. Moscow, Binom, 2011. (In Russ.).Сегаран Т. Программируем коллективный разум : пер. с англ. – СПб. : Символ-Плюс, 2008.Segaran T. Programmiruem kollektivnyy razum [Programming a Collective Mind], translated from English. Saint Petersburg, Simvol-Plyus, 2008. (In Russ.).Тарик Р. Создаем нейронную сеть : пер. с англ. – СПб. : ООО «Альфа-книга», 2017.Tarik R. Sozdaem neyronnuyu set [Create a Neural Network], translated from English. Saint Petersburg, OOO «Alfa-kniga», 2017. (In Russ.).Траск Э. Грокаем глубокое обучение. – СПб. : Питер, 2019. – (Серия «Библиотека программиста»).Trask E. Grokaem glubokoe obuchenie [Grokay Deep Learning]. Saint Petersburg, Piter, 2019. (Seriya «Biblioteka programmista»). (In Russ.).Amunategui M., Roopaei M. Monetizing Machine Learning: Quickly Turn Python ML Ideas into Web Applications on the Serverless Cloud. – New York : Apress, 2018.Amunategui M., Roopaei M. Monetizing Machine Learning: Quickly Turn Python ML Ideas into Web Applications on the Serverless Cloud. New York, Apress, 2018.Bishop C. M. Pattern Recognition and Machine Learning. – New York : Springer Science + Business Media, LLC, 2006. – URL: https://pdfs.semanticscholar.org/8f8f/9222d66a30f1f4026dc1035ef10f9ccd079d.pdf (дата обращения: 06.11.2018).Bishop C. M. Pattern Recognition and Machine Learning. New York, Springer Science + Business Media, LLC, 2006. Available at: https://pdfs.semanticscholar.org/8f8f/9222d66a30f1f4026dc1035ef10f9ccd079d.pdf (accessed 06.11.2018).Bonaccorso G. Machine Learning Algorithms: Popular Algorithms for Data Science and Machine Learning. – 2nd edition. – Birmingham, UK : Published by Packt Publishing Ltd., 2018.Bonaccorso G. Machine Learning Algorithms: Popular Algorithms for Data Science and Machine Learning. 2nd edition. Birmingham, UK, Published by Packt Publishing Ltd., 2018.Dangeti P. Statistics for Machine Learning. – Birmingham, UK : Published by Packt Publishing Ltd., 2017.Dangeti P. Statistics for Machine Learning. Birmingham, UK, Published by Packt Publishing Ltd., 2017.Fox C. Data Science for Transport : Springer Textbooks in Earth Sciences, Geography and Environment. – Springer, 2018.Fox C. Data Science for Transport. Springer Textbooks in Earth Sciences, Geography and Environment. Springer, 2018.Kevin P. Murphy Machine Learning A Probabilistic Perspective. – Cambridge : The MIT Press Cambridge, 2012.Kevin P. Murphy Machine Learning A Probabilistic Perspective. Cambridge, The MIT Press Cambridge, 2012.Lakshmi P. Y. Big Data Analytics Made Easy. – Chennai, India : Notion Press, 2016.Lakshmi P. Y. Big Data Analytics Made Easy. Chennai, India, Notion Press, 2016.Leaders look to embrace AI, and high-growth companies are seeing the benefits. – URL: https://news.microsoft.com/europe/features/leaders-look-to-embrace-ai-and-high-growth-companies-are-seeing-the-benefits/ (дата обращения: 10.03.2019).Leaders look to embrace AI, and high-growth companies are seeing the benefits. Available at: https://news.microsoft.com/europe/features/leaders-look-to-embrace-ai-and-high-growth-companies-are-seeing-the-benefits/ (accessed 10.03.2019).Liu Y. Python Machine Learning by Example: Implement Machine Learning Algorithms and Techniques to Build Intelligent Systems. – 2nd edition. – Birmingham, UK : Published by Packt Publishing Ltd., 2019.Liu Y. Python Machine Learning by Example: Implement Machine Learning Algorithms and Techniques to Build Intelligent Systems. 2nd edition. Birmingham, UK, Published by Packt Publishing Ltd., 2019.Marr B. Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. – United Kingdom, 2015. – URL: https://www.wiley.com/en-us/Big+Data%3A+Using+SMART+Big+Data%2C+Analytics+and+Metrics+To+Make+Better+Decisions+and+Improve+Performance-p-9781118965832Marr B. Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. United Kingdom, 2015. Available at: https://www.wiley.com/en-us/Big+Data%3A+Using+SMART+Big+Data%2C+Analytics+and+Metrics+To+Make+Better+Decisions+and+Improve+Performance-p-9781118965832Minichino J., Howse J. Learning Open CV 3 Computer Vision with Python. – 2nd edition. – Birmingham, UK : Published by Packt Pulishing Ltd., 2015.Minichino J., Howse J. Learning Open CV 3 Computer Vision with Python. 2nd edition. Birmingham, UK, Published by Packt Pulishing Ltd., 2015.Provost F., Fawcett T. Data Science for Business. – Sebastopol : O’Reilly Media, Inc., 2013.Provost F., Fawcett T. Data Science for Business. Sebastopol, O’Reilly Media, Inc., 2013.Raman A., Hyong Tok W. A Developer’s Guide to Building AI Aplications. – Sebastopol : O’Reilly Media, Inc., 2018.Raman A., Hyong Tok W. A Developer’s Guide to Building AI Aplications. Sebastopol, O’Reilly Media, Inc., 2018.Rosing M., Scheer A., Scheel H. The Complete Business Process Handbook: Body of Knowledge from Process Modeling to BPM. – Vol. 1. – Elsevier Inc., 2015.Rosing M., Scheer A., Scheel H. The Complete Business Process Handbook: Body of Knowledge from Process Modeling to BPM. Vol. 1. Elsevier Inc., 2015.Yawen L., Yang L., Yang B., Wang N., Wu T. Application of Interpretable Machine Learning Models for the Intelligent Decision // Neurocomputing. – 2019. – Vol. 333. – P. 273–283.Yawen L., Yang L., Yang B., Wang N., Wu T. Application of Interpretable Machine Learning Models for the Intelligent Decision. Neurocomputing, 2019, Vol. 333, pp. 273–283.Zhang J., Zhan Z., Lin Y., Chen N., Gong Y., Zhong J. Evolutionary Computation Meets Machine Learning: A Survey // Ieee Computational Intelligence Magazine. – 2011. – November. – URL: http://www.dblab.ntua.gr/~gtsat/collection/Machine%20Learning/06052374.pdf (дата обращения: 03.10.2018).Zhang J., Zhan Z., Lin Y., Chen N., Gong Y., Zhong J. Evolutionary Computation Meets Machine Learning: A Survey. Iee Computational Intelligence Magazine, 2011, November. Available at: http://www.dblab.ntua.gr/~gtsat/collection/Machine%20Learning/06052374.pdf (accessed 03.10.2018).

The authors declare that there are no conflicts of interest present.