Agrarian Bulletin of the Agrarian Bulletin of the Аграрный вестник Урала 1997-4868 2307-0005 80903 10.32417/1997-4868-2024-24-03-440-449 Экономика. Экономические науки Economy. Economics Экономика. Экономические науки Improving the process of making management decisions in agriculture using artificial intelligence systems Совершенствование процесса принятия управленческих решений в сельском хозяйстве с применением систем искусственного интеллекта Ялунина Екатерина Николаевна Yalunina Ekaterina Nikolaevna

докторант экономических наук;

doctoral candidate of economic sciences;

 Прядилина Наталья Константиновна Pryadilina Natalya Konstantinovna Lotos_nk@inbox.ru

кандидат экономических наук;

candidate of economic sciences;

 Скворцов Егор Артемович Skvorcov Egor Artemovich 9089267986@mail.ru

кандидат экономических наук;

candidate of economic sciences;

 УрГЭУ Россия УрГЭУ Russian Federation ФГБОУ ВО «Уральский государственный лесотехнический университет» Екатеринбург Россия Federal State Budget Educational Institution of Higher Education «Ural State Forest Engineering University» Екатеринбург Russian Federation Уральский государственный экономический университет Ural State University of Economics 26 03 2024 26 03 2024 24 03 440 449 26 03 2024 https://usau.editorum.ru/en/nauka/article/80903/view

Аннотация. Проблема качества управленческих решений является одной из наиболее острых в сельском хозяйстве. Их качество может быть повышено с использованием цифровых технологий, в том числе применения систем искусственного интеллекта (ИИ). Цель исследования состоит в уточнении основных этапов принятия управленческих решений с учетом применения систем ИИ. Научная новизна состоит в разработке структурной модели принятия управленческого решения с учетом применения систем ИИ, определении основных компонентов этого процесса. Методами исследования послужили анализ публикаций в сети научного цитирования WoS по тематикам «сельское хозяйство» и «искусственный интеллект», а также абстрактно-логический метод при анализе основных этапов принятия управленческого решения. Результатами исследования явились определение состава и содержания этапов процессуального инварианта решения с учетом применения систем искусственного интеллекта. Применение систем искусственного интеллекта позволяет диагностировать возникновение проблем в растениеводстве, животноводстве, в технических системах на ранних стадиях. Сбор и анализ данных в процессе принятия управленческого решения с применением систем ИИ включает непосредственный сбор данных с применением датчиков, камер, сканеров и т. д., их очистку и предварительный анализ, исследовательский и статистический анализ, моделирование данных и интерпретацию результатов. Применение систем ИИ позволит оперировать большими наборами данных с объектов сельскохозяйственного производства, что позволяет снизить неопределенность при принятии управленческих решений. Анализ альтернатив и выработка управленческого решения с применение систем ИИ включает прогнозирование показателей развития сельского хозяйства в заданной системе ограничений, генерацию альтернативных решений и выбор оптимальной альтернативы, принятие или игнорирование предложенных альтернатив. Системы ИИ могут использоваться для автоматизации и оптимизации процесса выполнения управленческих решений, мониторинг и контроль управленческих решений. Применение систем ИИ для автоматизации процессов принятия управленческих решений в сельском хозяйстве может помочь повысить эффективность управления.

Abstract. The problem of the quality of managerial decisions is one of the most acute problems of agriculture. Their quality can be improved with the use of digital technologies, including the use of artificial intelligence (AI) systems. The purpose of the study is to clarify the main stages of managerial decision-making, taking into account the use of AI systems. The scientific novelty lies in the development of a structural model for making a managerial decision, taking into account the use of AI systems, the main components of this process are identified. The research methods were the analysis of publications in the WoS scientific citation network on the topics “agriculture” and “artificial intelligence”, as well as the abstract-logical method in the analysis of the main stages of making a managerial decision. The results of the study were the determination of the composition and content of the stages of the procedural decision invariant, taking into account the use of artificial intelligence systems. The use of artificial intelligence systems allows diagnosing the occurrence of problems in crop production, animal husbandry, and technical systems at an early stage. Data collection and analysis in the process of making a managerial decision using AI systems includes direct data collection using sensors, cameras, scanners, etc., their cleaning and preliminary analysis, exploratory and statistical analysis, data modeling and interpretation of results. The use of AI systems will make it possible to operate with large data sets from agricultural production facilities, which will reduce uncertainty in making managerial decisions. The analysis of alternatives and the development of a management decision using AI systems turns off the forecasting of agricultural development indicators in a given system of constraints, the generation of alternative solutions and the choice of the optimal alternative, the acceptance or ignoring of the proposed alternatives. AI systems can be used to automate and optimize the process of implementing management decisions, monitoring and controlling management decisions. The use of AI systems to automate management decision-making processes in agriculture can help improve management efficiency.

 системы искусственного интеллекта управленческие решения сельское хозяйство сбор и анализ данных выбор альтернатив процесс принятия управленского решения мониторинг контроль artificial intelligence systems management decisions agriculture data collection and analysis choice of alternatives management decision-making process monitoring control

Мезоэкономика России: стратегия разбега: монография / Под ред. чл.-корр. РАН Г. Б. Клейнера. Москва: Издательский дом «Научная библиотека», 2022. 808 с. Mezoekonomika Rossii: strategiya razbega: monografiya / Pod red. chl.-korr. RAN G. B. Kleynera. Moskva: Izdatel'skiy dom «Nauchnaya biblioteka», 2022. 808 s. Moazenzadeh R., Mohammadi B. Assessment of bio-inspired metaheuristic optimisation algorithms for estimating soil temperature // Geoderma. 2019. Vol. 353. Pp. 152–171. DOI: 10.1016/j.geoderma. 2019. 06.028. Moazenzadeh R., Mohammadi B. Assessment of bio-inspired metaheuristic optimisation algorithms for estimating soil temperature // Geoderma. 2019. Vol. 353. Pp. 152–171. DOI: 10.1016/j.geoderma. 2019. 06.028. Raei B., Ahmadi A., Neyshaburi M.R., Ghorbani M.A., Asadzadeh F. Comparative evaluation of the whale optimization algorithm and backpropagation for training neural networks to model soil wind erodibility // Arabian journal of geosciences. 2021. Vol. 14, № 1. Article number 29. DOI: 10.1007/s12517-020-06328-0. Raei B., Ahmadi A., Neyshaburi M.R., Ghorbani M.A., Asadzadeh F. Comparative evaluation of the whale optimization algorithm and backpropagation for training neural networks to model soil wind erodibility // Arabian journal of geosciences. 2021. Vol. 14, № 1. Article number 29. DOI: 10.1007/s12517-020-06328-0. Череватова Т. Ф., Ермолаева О. С. Искусственный интеллект: диагностика болезней растений по распознаванию изображений // Экономика и предпринимательство. 2021. № 2 (127). С. 980–985. Cherevatova T. F., Ermolaeva O. S. Iskusstvennyy intellekt: diagnostika bolezney rasteniy po raspoznavaniyu izobrazheniy // Ekonomika i predprinimatel'stvo. 2021. № 2 (127). S. 980–985. Babaee M., Maroufpoor S., Jalali M., Zarei M., Elbeltagi A. AI Approach to Rice Yield Estimation // Irrigation and drainage. 2021. Vol. 70, № 4. Pp. 732–742. DOI: 10.1002/ird.2566. Babaee M., Maroufpoor S., Jalali M., Zarei M., Elbeltagi A. AI Approach to Rice Yield Estimation // Irrigation and drainage. 2021. Vol. 70, № 4. Pp. 732–742. DOI: 10.1002/ird.2566. Kasinathan T., Dakshayani S., Srinivasulu R. U. Insect classification and detection in field crops using modern machine learning techniques // Information Processing in Agriculture. 2021. Vol. 8, № 3. Pp. 446–457. DOI: 10.1016/j.inpa.2020.09.006. Kasinathan T., Dakshayani S., Srinivasulu R. U. Insect classification and detection in field crops using modern machine learning techniques // Information Processing in Agriculture. 2021. Vol. 8, № 3. Pp. 446–457. DOI: 10.1016/j.inpa.2020.09.006. Thenmozhi K., Srinivasulu U. Crop pest classification based on deep convolutional neural network and transfer learning // Computers and Electronics in Agriculture. 2019. Vol. 164. Article number 104906. DOI: 10.1016/j.compag.2019.104906. Thenmozhi K., Srinivasulu U. Crop pest classification based on deep convolutional neural network and transfer learning // Computers and Electronics in Agriculture. 2019. Vol. 164. Article number 104906. DOI: 10.1016/j.compag.2019.104906. Bakoev S., Getmantseva L., Kolosova M., Kostyunina O., Chartier D. R., Tatarinova T. V. PigLeg: prediction of swine phenotype using machine learning // PEERJ 2020. Vol. 8. Article number 8764. DOI: 10.7717/peerj.8764. Bakoev S., Getmantseva L., Kolosova M., Kostyunina O., Chartier D. R., Tatarinova T. V. PigLeg: prediction of swine phenotype using machine learning // PEERJ 2020. Vol. 8. Article number 8764. DOI: 10.7717/peerj.8764. Fuentes S., Viejo C. G., Cullen B., Tongson E., Chauhan S. S. Dunshea F. R. Artificial Intelligence Applied to a Robotic Dairy Farm to Model Milk Productivity and Quality based on Cow Data and Daily Environmental Parameters // Sensors. 2020. Vol. 20, № 10. Article number 2975. DOI: 10.3390/s20102975. Fuentes S., Viejo C. G., Cullen B., Tongson E., Chauhan S. S. Dunshea F. R. Artificial Intelligence Applied to a Robotic Dairy Farm to Model Milk Productivity and Quality based on Cow Data and Daily Environmental Parameters // Sensors. 2020. Vol. 20, № 10. Article number 2975. DOI: 10.3390/s20102975. Побединский В. В., Иовлев Г. А., Ляхов С. В., Голдина И. И. Нейро-нечеткая сеть для оценки остаточного ресурса тракторных двигателей // Лесной вестник. 2022. Vol. 26. №2. С. 120–130. Pobedinskiy V. V., Iovlev G. A., Lyahov S. V., Goldina I. I. Neyro-nechetkaya set' dlya ocenki ostatochnogo resursa traktornyh dvigateley // Lesnoy vestnik. 2022. Vol. 26. №2. S. 120–130. Ahmad J., Jan B., Farman H., Ahmad W., Ullah A. Disease Detection in Plum Using Convolutional Neural Network under True Field Conditions // Sensor. 2020. Vol. 20. Article number 5569. DOI: 10.3390/s20195569. Ahmad J., Jan B., Farman H., Ahmad W., Ullah A. Disease Detection in Plum Using Convolutional Neural Network under True Field Conditions // Sensor. 2020. Vol. 20. Article number 5569. DOI: 10.3390/s20195569. Rogachev A. F., Melikhova E. V. Justification of algorithms and tools for neural network forecasting of agricultural productivity using retrospective data // Izvestia of the Lower Volga Agro-University Complex. 2020. № 1. Pp. 290–302. Rogachev A. F., Melikhova E. V. Justification of algorithms and tools for neural network forecasting of agricultural productivity using retrospective data // Izvestia of the Lower Volga Agro-University Complex. 2020. № 1. Pp. 290–302. Melnikov Y. B., Skvortsov E., Ziablitckaia N., Kurdyumov A. Modeling of Territorial and Managerial Aspects of Robotization of Agriculture in Russia // Mathematics. 2022. Vol. 10. Article number 2540. DOI: 10.3390/math10142540. Melnikov Y. B., Skvortsov E., Ziablitckaia N., Kurdyumov A. Modeling of Territorial and Managerial Aspects of Robotization of Agriculture in Russia // Mathematics. 2022. Vol. 10. Article number 2540. DOI: 10.3390/math10142540. Sumarudin A., Ismantohadi E., Puspaningrum A., Maulana S., Nadi M. Implementation irrigation system using Support Vector Machine for precision agriculture based on IoT // 5TH Annual applied science and engineering conference (AASEC 2020). IOP Conference Series-Materials Science and Engineering. 2021. Vol. 1098. Article number 032098. DOI: 10.1088/1757-899X/1098/3/032098. Sumarudin A., Ismantohadi E., Puspaningrum A., Maulana S., Nadi M. Implementation irrigation system using Support Vector Machine for precision agriculture based on IoT // 5TH Annual applied science and engineering conference (AASEC 2020). IOP Conference Series-Materials Science and Engineering. 2021. Vol. 1098. Article number 032098. DOI: 10.1088/1757-899X/1098/3/032098. Abba S. I., Pham Q. B., Saini G. Implementation of intelligent data models combined with ensemble machine learning for water quality index prediction. // Environmental Science and Pollution Research. 2020. Vol. 27. Pp. 41524–41539 DOI: 10.1007/s11356-020-09689-x. Abba S. I., Pham Q. B., Saini G. Implementation of intelligent data models combined with ensemble machine learning for water quality index prediction. // Environmental Science and Pollution Research. 2020. Vol. 27. Pp. 41524–41539 DOI: 10.1007/s11356-020-09689-x. Shadrin D., Menshchikov A., Somov A. Bornemann G., Hauslage J., Fedorov M. Enabling Precision Agriculture through Embedded Sensing with Artificial Intelligence // IEEE Transactions on Instrumentation and Measurement. 2019. № 10. Pp. 99–105. DOI: 10.1109/TIM.2019.2947125. Shadrin D., Menshchikov A., Somov A. Bornemann G., Hauslage J., Fedorov M. Enabling Precision Agriculture through Embedded Sensing with Artificial Intelligence // IEEE Transactions on Instrumentation and Measurement. 2019. № 10. Pp. 99–105. DOI: 10.1109/TIM.2019.2947125.