| Анотація: | Методологія дослідження. Стаття побудована на теоретичному огляді впливу штучного інтелекту та машинного навчання на зміну моделей функціонування бізнесу. Під час дослідження було використано методи наукової абстракції – при встановленні взаємозв’язку між штучним інтелектом і машинним навчанням, аналізу й синтезу – при визначенні переваг застосування штучного інтелекту в бізнесі. Результати. У статті розглянуто сутність штучного інтелекту і машинного навчання, показано взаємозв’язок між ними. Охарактеризовано вплив цих нових цифрових інструментів на економічні процеси і, передусім, на динамічні аспекти функціонування бізнес-структур. Наведено думку експертів, які передбачають, що штучний інтелект буде робити все те, що можуть зробити люди, але з набагато вищою точністю. Проаналізовано дискусії щодо етичних аспектів використання штучного інтелекту. Визначено, що Business Operation дозволяє організаціям швидко впоратися зі своїми бізнес-можливостями, зменшити кількість помилок, підвищити прозорість своєї діяльності та у такий спосіб створити сприятливі умови для значного покращення результатів своєї економічної діяльності. Поряд з цим компанії отримують можливість спостерігати за своєю робочою силою, на основі чого створювати сприятливі умови для покращення її якості та наповнення інноваційним змістом. Це дозволяє суттєво підвищити інноваційну активність компаній, оскільки застосування штучного інтелекту дозволяє сформувати вимоги до команд, так як дозволяє побачити перші перешкоди для розробки інноваційних рішень. Разом з цим, якщо підприємства будуть підтримувати кращу ерудицію щодо штучного інтелекту, то зможуть завчасно здійснити модернізацію свого бізнесу і досягти успіху. Новизна. Дослідження продемонструвало важливі аспекти взаємозв’язку штучного інтелекту і машинного навчання та їхнього впливу на зміну бізнес-моделей. Практична значущість. Результати дослідження утверджують розуміння позитивних наслідків застосування штучного інтелекту і машинного навчання на підвищення ефективності бізнесу, а саме: економію часу і ресурсів, зменшення помилок людського фактора, більш швидкий спосіб прийняття управлінських рішень, можливість більш точного прогнозу уподобань клієнтів, збільшення обсягів продажу товарів завдяки автоматизації та аналізу даних. |
| Література: | - 1. Russell, S.J., & Norvig, P. (2005). Artificial intelligence: a modern approach. 1st edition. Prentice Hall, p. 52.
- 2. Bean, R. (2017). How Big data is empowering ai and machine learning at scale. MIT sloan management review, p. 8.
- 3. Alhashmi, S.F., Salloum, S.A., & Abdallah, S. (2019, October). Critical success factors for implementing artificial intelligence (AI) projects in Dubai government United Arab Emirates (UAE) health sector: Applying the extended technology acceptance model (TAM). In International Conference on Advanced Intelligent Systems and Informatics, (pp. 393-405). Springer.
- 4. Armour, J., & Sako, M. (2020). AI-enabled business models in legal services: from traditional law firms to next-generation law companies? Journal of Professions and Organization, 7(1), pp. 27-46.
- 5. Ghoreishi, M., & Happonen, A. (2020). New promises AI brings into circular economy accelerated product design: A review on supporting literature. In E3S Web of Conferences, (vol. 158, p. 602). EDP Sciences.
- 6. Samsung White Paper (July 14, 2020): https://research.samsung.com/next-generation-communications (Retrieve on July 16, 2020 at 10.40 pm IST).
- 7. Benkler, Y. (2019). Don’t let industry write the rules for AI. Nature, 569(7754), pp. 161-162. https://doi.org/10.1038/d41586-019-01413-1
- 8. Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-powered organization. Harvard Business Review, 97(4), pp. 62-73.
- 9. González-González, I., & Jiménez-Zarco, A. I. (2014). The MOOC phenomenon: The current situation and an alternative business model. In eLearn Center Research Paper Series, (pp. 26-33).
- 10. Åström, J. (2020). Value creation and value capture in AI offerings: A process framework on business model development, p. 37.
- 11. Agarwal, Y., Jain, M., Sinha, S., & Dhir, S. (2020). Delivering high-tech, AI-based health care at Apollo Hospitals. Global Business and Organizational Excellence, 39(2), pp. 20-30. https://doi.org/10.1002/joe.21981
- 12. LeCessie S, Van Houwelingen JC. Ridge estimators in logistic regression. J R Stat Soc Ser C (Appl Stat). 1992; 41(1), pp. 191-201. https://doi.org/10.2307/2347628
- 13. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, et al. 2011. Scikit-learn: machine learning in python. J Mach Learn Res. Pp. 25-30.
- 14. Han J, Pei J, Kamber M. (2011). Data mining: concepts and techniques. Amsterdam: Elsevier. pp. 15-18.
- 15. Muthusamy, V., Slominski, A., & Ishakian, V. (2018, September). Towards enterprise-ready AI deployments minimizing the risk of consuming AI models in business applications. In 2018 First International Conference on Artificial Intelligence for Industries (AI4I), (pp. 108-109). IEEE.
- 16. Ciuriak, D. (2019). Economics of AI/ML and big data in the data-driven economy: Implications for Canada’s Innovation Strategy. In ML and Big Data in the Data-Driven Economy: Implications for Canada’s Innovation Strategy (March 25, 2019). Pp. 37-42. https://doi.org/10.2139/ssrn.3362083
|
Архів