Разработка платформы для создания искусственного интеллекта на основе корпоративных данных.

Введение …………………………………………………………………… 3
Глава I. Теоретические основы применения машинного обучения в базах данных……………………………………................................…

5
1.1. Корпоративные данные: характеристики, источники и проблемы использования ……………………………………….................................

5
1.2. Применение искусственного интеллекта в корпоративной среде …
1.3. Жизненный цикл разработки ИИ-решений и концепция MLOps .....
1.4. Обзор и анализ существующих платформ и инструментов для разработки ИИ……………………….........................................................
8

10

12
Глава II. Проектирование платформы для создания ИИ на основе корпоративных данных ………………..……………………………….

20
2.1. Выбор языка программирования……............................…………….
20
2.2. Основные концепции платформы……………………………………
2.3. Проектирование платформы…………………......................…………
21
23
Глава III. Разработка платформы …………………………………….
31
3.1. Структура программы …………...……………………………………
31
3.2. Результаты работы платформы………………………………………. 50

Заключение…………..…………...………………………………………... 56
Список использованной литературы …….......…………...…………… 57
Приложение 1................................................................................................
Приложение 2................................................................................................

Весь текст будет доступен после покупки

В современную эпоху цифровой трансформации данные превратились в один из наиболее ценных активов для любой организации. Экспоненциальный рост объемов корпоративных данных, генерируемых различными системами – от ERP и CRM до IoT-устройств и логов пользовательской активности – открывает беспрецедентные возможности для извлечения знаний, оптимизации процессов и создания новых бизнес-моделей. Ключевым инструментом для реализации этого потенциала становится искусственный интеллект (ИИ), способный анализировать сложные наборы данных, выявлять скрытые закономерности и автоматизировать принятие решений.
Внедрение ИИ перестает быть прерогативой технологических гигантов и становится стратегической необходимостью для компаний любого масштаба, стремящихся сохранить конкурентоспособность. Однако разработка и развёртывание ИИ-решений в корпоративной среде сопряжены с рядом существенных трудностей. К ним относятся обеспечение безопасности и конфиденциальности чувствительных данных, интеграция с существующей сложной IT-инфраструктурой, управление полным жизненным циклом моделей машинного обучения (MLOps), а также необходимость адаптации ИИ-инструментов под специфические бизнес-задачи и наборы данных компании. Использование универсальных облачных платформ или разрозненных инструментов не всегда отвечает этим требованиям, создавая барьеры для эффективного и масштабируемого применения ИИ.

Весь текст будет доступен после покупки

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРИМЕНЕНИЯ МАШИННОГО ОБУЧЕНИЯ В БАЗАХ ДАННЫХ
Внедрение технологий искусственного интеллекта (ИИ) в бизнес-процессы является одним из ключевых факторов повышения эффективности и конкурентоспособности современных организаций. Для успешной реализации ИИ-проектов компаниям необходимы не только качественные данные и квалифицированные специалисты, но и соответствующие инфраструктурные и программные решения. Глава посвящена анализу предметной области, связанной с использованием корпоративных данных для создания ИИ-решений, рассмотрению жизненного цикла таких решений и обзору существующих платформ и инструментов, а также формулированию ключевых требований к специализированной корпоративной платформе.

1.1. Корпоративные данные: характеристики, источники и проблемы использования
Корпоративные данные представляют собой совокупность информации, которую компания генерирует, собирает, обрабатывает и хранит в ходе своей операционной, тактической и стратегической деятельности. Эти данные являются фундаментальной основой для принятия обоснованных управленческих решений и разработки интеллектуальных систем.
Типы корпоративных данных. Корпоративные данные можно классифицировать по степени их структурированности:
1. Структурированные данные имеют четко определенный формат и хранятся в реляционных базах данных, таблицах. Примеры: финансовые транзакции, данные о клиентах из CRM-систем, складские остатки из ERP-систем, данные из систем управления цепочками поставок (SCM).
2. Неструктурированные данные не имеют предопределенного формата или организации. Это наиболее объемная категория данных. Примеры: текстовые документы (договоры, отчеты, электронная почта), изображения (сканы документов, фотографии продукции), видеозаписи (записи с камер наблюдения, обучающие материалы), аудиофайлы (записи звонков в колл-центр).

Весь текст будет доступен после покупки

1. Пальмов, С. В. Интеллектуальные системы и технологии: учебное пособие / С. В. Пальмов. – Самара: Поволжский государственный университет телекоммуникаций и информатики, 2017. – 195 c.
2. Алферьев, Д. А. Программные средства моделирования и разработки систем искусственного интеллекта // Крымский научный вестник. – 2020. – №1 (26). – С. 14–18.
3. Еремеев, А. П. Методы и программные средства интеллектуальной поддержки принятия решений для мониторинга и управления сложными техническими устройствами // Вестник Тверского государственного технического университета. Серия Технические науки. – 2019. – №1 (1). – С. 63–74.
4. Мельников, А. В., Бачурин, А. И., Распопов, А. А., Гниломедов, Е. В. О перспективах применения корпоративных информационных систем при создании технологий искусственного интеллекта для управления научно-технической деятельностью // Информационные ресурсы России. – 2020. – №6. – С. 30–35.
5. Сергеев, Д. И. Искусственный интеллект: методы и алгоритмы / Д. И. Сергеев, Т. В. Лукашина. – М.: Лаборатория Базовых Знаний, 2019.303 с
6. Браунли, Р. Python и машинное обучение / Р. Браунли, Д. Кульп, Н. Котерин. – М.: ДМК Пресс, 2020.848 с

Весь текст будет доступен после покупки