ІНТЕГРУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДО БІЗНЕС-ПРОЦЕСІВ ПІДПРИЄМСТВА ЯК ЕФЕКТИВНОГО ІНСТРУМЕНТУ ЙОГО РОЗВИТКУ

Світлана Легомінова; Альона Голобородько

doi:10.36910/6775-2308-8559-2022-4-12

Світлана Легомінова Державний університет телекомунікацій
Альона Голобородько Державний університет телекомунікацій

DOI: https://doi.org/10.36910/6775-2308-8559-2022-4-12

Ключові слова: бізнес-процес, підприємство, штучний інтелект, прогнозування, інтелектуальний аналіз, розвиток

Анотація

У статті узагальнено питання щодо підвищення ефективності, швидкості та коректності бізнес-процесів підприємства. Основною метою статті слугувало поєднання можливості підвищення ефективності бізнес-процесів підприємства зі застосування штучного інтелекту, його методів та інструментів.Розглянуто нові подходи до прогнозування бізнес-процесів підприємства (РгебісііуеРгосе88МопіЮгіп§ (РРМ), що дає змогу аналізу події та поточне виконання алгоритму, з метою передбачення майбутньої поведінки запрограмованого алгоритму бізнес-процесу. РРМ надає можливість розширеного інтелектуального аналізу бізнес-процесів з функціоналом прогнозування. Грунтовний аналіз літературних джерел подтвердив актуальність дослідження та виявив цілеспрямованість на застосуванні штучного інтелекту в управлінні бізнес-процесами. Широке застосування інформаційних технологій на підприємствах дозволить перейти на більш високий рівень розвитку та пришвидшити відновлення мікро-та макроекономічне середовище країни. Процес злиття та поглинання підприємств буде характерним при відновленні після закінчення війни, тому саме ця методологія була запропонована авторами. Методологічним інструментарієм дослідження слугували методи: наукова абстракція, аналіз та синтез, структурно-логічний метод для формування інструментарію удосконалення бізнес-процесів підприємства, їх моніторингу з метою адаптування та корегування процесу виробництва. Об’єктом дослідження обрано бізнес-процеси підприємства, а предметом -штучний інтелект, його методи.
Міждисциплінарний підхід дав змогу запропонувати рішення штучного інтелекту до бізнес-процесів підприємства. Машинне навчання виявлено як інструмент підвищення операційної ефективності за допомогою впровадження автоматизованих рішень, створення фреймворків когнітивних бізнес-технологій, які фактично мислять як люди, що позитивно вплине на продуктивність та скоротить людську працю. Доведено, що прогнозне моделювання дозволить покращити фінансові результати підприємств, збільшити дохід. Результати дослідження можуть бути використаними підприємствами України для формування стратегічної мети їх розвитку.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

Світлана Легомінова, Державний університет телекомунікацій

Легомінова Світлана, д.е.н., професор, завідувач кафедри Управління інформаційною
та кібернетичною безпекою Державного університету телекомунікацій, Київ, Україна https://orcid.org/0000-0002-4433-5123

Альона Голобородько, Державний університет телекомунікацій

Голобородько Альона, к.е.н., доценткафедри економіки Державного університету телекомунікацій

https://orcid.org/0000-0001-5416-0526

Посилання

Amouzgar, F., Bchcshti, A., Ghodratnama, S., Bcnatallah, B., Yang J., Shcng, Q. Z. (2018, November 12-15). "ishccts: A spreadsheet-based machine learning development platform for data-driven process analytics", Service-Oriented Computing -ICSOC 2018 Workshops - ADMS ASOCA ISYyCC CloTS DDBS and NLS4IoT, vol. 11434, pp. 453-457. DOI: https://doi.org/10.1007/978-3-030-17642-6_43

Arias, M., Saavedra, R., Marques, M., Munoz-Gama, J., Scpalveda,M. (2018). Human resource allocation in business process management and process mining. A systematic mapping study, Manage. Decis., vol. 56, no. 2, pp. 376-405. DOI: https://doi.org/10.1108/MD-05-2017-0476

Arias, M., Munoz-Gama, J., Sepulveda, M. (2017). Towards a taxonomy of human resource allocation criteria, in Proc. BPM. Cham, Switzerland: Springer, pp. 475-483. DOI: https://doi.org/10.1007/978-3-319-74030-0_37

Bchcshti, A., Bcnatallah B., Motahari-Nezhad, H. (2018a). Processatlas: A scalable and extensible platform for business process analytics, Softw. Pract. Exp, vol. 48, no. 4, pp. 842-866. DOI: https://doi.org/10.1002/spe.2558

Bchcshti, A.,Schiliro, F., Ghodratnama, S., Amouzgar, F., Bcnatallah, B.,Yang, J. (2018 b, September 9-14). Iproccss: Enabling iot platforms in data-driven knowledge-intensive processes, Business Process Management Forum - BPM Forum, vol. 329, pp. 108-126. DOI: https://doi.org/10.1007/978-3-319-98651-7_7

Bchcshti, S., Benatallah, B., Nczhad, H., Sakr, S. (2011, August 30 - September 2). A query language for analyzing business processes execution, Business Process Management - 9th International Conference BPM 2011, vol. 6896, pp. 281-297. DOI: https://doi.org/10.1007/978-3-642-23059-2_22

Bchcshti, S., Benatallah, B., Sakr, S., Grigori, D., Motahari-Nczhad, H., Barukh, M., Gater, A., Ryu,S. (2016).Process analytics: concepts and techniques for querying and analyzing process data, Springer. DOI: https://doi.org/10.1007/978-3-319-25037-3

Brunk, J., Stottmeister, J., Weinzierl, S., Matzncr, M., Becker, J. (2020). Exploring the effect of context information on deep learning business process predictions, Journal of Decision Systems, vol.29, no.supl, pp.328. DOI: https://doi.org/10.1080/12460125.2020.1790183

Buij s, J., Van Dongen, В., Van der Aalst, W. (2012). Towards cross-organizational process mining in collections ofprocess modelsand their executions, in: 1st Int. Workshop on Process Model Collections (PMC 2011), LNBIP, Springer. DOI: https://doi.org/10.1007/978-3-642-28115-0_2

Gralla, P. (2007). How the Internet Works, 8th edition, Indianapolis, USA: Quc Publishing.

Hansen, L., Nissenbaum, H. (2009). ‘Digital Disaster, Cyber Security, and the DOI: https://doi.org/10.1111/j.1468-2478.2009.00572.x

Copenhagen School’, International Studies Quarterly, 53(4), pp. 1155-1175.

Harrington, H. J. (1991a). Business Process Improvement - The Breakthrough Strategy for Total Quality, Productivity, and Competitiveness, Journal of public health management and practice JPHMP. New York, NY.: McGraw-Hill, doi: 10.1097/PHH.0b01 ЗеЗ 181 c65534.

Harrington, H. J. (1991b). Business Process Improvement - The Breakthrough Strategy for Total Quality, Productivity, and Competitiveness, Journal of public health management and practice JPHMP. New York: McGraw-Hill, doi: 10.1097/PHH.0b01 ЗеЗ 181 c65534.

Harris, J. G. and Davenport, T. H. (2017). ‘Competing on Analytics, Updated, with a New Introduction: The New Science of Winning. ’, Harvard Business School Press Books.

Lupton,D., Michael, M. (2015). ‘Toward a Manifesto for thcPublic Understanding of Big Data’, Public Understanding ofScicnce, 25(0), pp. 1-13. URL:https://itr.st-andrcws.ac.uk/articlcs/10.15664/itr. 1467/print/ (дата звернення 10.07.2022) DOI: https://doi.org/10.1177/0963662515609005

Mayer-Schönberger, V.,Cukicr, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work and Think.

Boston. New York: An Eamon Dolan book / Houghton Harcourt.URL:

http://bdbanalytics.ir/media/1421/bdbanalyticsir bookpdf.pdf (дата звернення 10.07.2022)

Pika, A.,Lcyer, M.,Wyn, M., Fidge,Hofstede, A.,Aalst, W. (2017). Mining resource profiles from event logs, A CM Trans. Manage. Inf. Syst., vol. 8, no. 1, pp. 1-30. DOI: https://doi.org/10.1145/3041218

Pika,A.,Wynn, M. (2021). Machine Learning Based Approach for Recommending Unfamiliar Process Activities. IEEEAcces, vol. 9, pp. 104969- 104979. DOI: https://doi.org/10.1109/ACCESS.2021.3096513

Polpinij, J., Ghose, A., Dam, H. (2010). Business rules discovcryfrom process design repositories, in: IEEE Congress on Services,pp. 614-620. DOI: https://doi.org/10.1109/SERVICES.2010.73

Schiliro, F., Bcheshti, A., Ghodratnama, S., Amouzgar, F., Bcnatallah, B., Yang, J. (2018). "icop: lot-enabled policing processes", Scrvicc-Oricntcd Computing - IC-SOC 2018 Workshops - ADMS ASOCA ISYyCC CloTS DDBS and NLS4IoT, vol. 11434, pp. 447-452. DOI: https://doi.org/10.1007/978-3-030-17642-6_42

Sindhgatta, R., Ghose, A., Dam, H. (2016). Contcxt-awarc recommendation of task allocations in service systems, in Proc. ICSOC. Cham, Switzerland: Springer, pp. 402—416 DOI: https://doi.org/10.1007/978-3-319-46295-0_25

Van Dcr Aalst, W. (2016). Data science in action in Process mining, Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/978-3-662-49851-4

Van Der Aalst, W., Bichlcr, M., Hcinzl, A. (2018). Robotic process automation, Business & Information Systems Engineering: The International Journal of WIRTSCHAFTS1NFORMATIK, Springer; vol. 60(4), pages 269-272, August.DOI: 10.1007/s 12599-018-0542-4 DOI: https://doi.org/10.1007/s12599-018-0542-4

Wolf, F., Brunk, J., Becker, J.(2021). A Framework of Business Process Monitoring and Prediction Techniques, Innovation Through Information Systems, vol.47, pp.714. DOI: https://doi.org/10.1007/978-3-030-86797-3_47

Zhao, X. (2011). A business process driven approach for automatic gcn-cration of business applications, Ph.D. thesis, Queen’s University, Canada. DOI: https://doi.org/10.1002/spe.1068

Zhao, X., Zou, Y., Hawkins, J., Madapusi, B. (2007). A business-process-driven approach for generating e-commcrce user interfaces,Model Driven Engineering Languages and Systems, vol. 4735of LNCS, Springer, pp. 256-270. DOI: https://doi.org/10.1007/978-3-540-75209-7_18

Frolova, L.V., Goloborodko, A.Yu. (2013). Zlyttya ta pohlynannya pidpryyemstv. Kyyiv: Kondor.