Россия
Екатеринбург, Россия
Россия
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.
системы искусственного интеллекта, управленческие решения, сельское хозяйство, сбор и анализ данных, выбор альтернатив, процесс принятия управленского решения, мониторинг контроль
1. Мезоэкономика России: стратегия разбега: монография / Под ред. чл.-корр. РАН Г. Б. Клейнера. Москва: Издательский дом «Научная библиотека», 2022. 808 с.
2. Moazenzadeh R., Mohammadi B. Assessment of bio-inspired metaheuristic optimisation algorithms for estimating soil temperature // Geoderma. 2019. Vol. 353. Pp. 152–171. DOI:https://doi.org/10.1016/j.geoderma. 2019. 06.028.
3. 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:https://doi.org/10.1007/s12517-020-06328-0.
4. Череватова Т. Ф., Ермолаева О. С. Искусственный интеллект: диагностика болезней растений по распознаванию изображений // Экономика и предпринимательство. 2021. № 2 (127). С. 980–985.
5. 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:https://doi.org/10.1002/ird.2566.
6. 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:https://doi.org/10.1016/j.inpa.2020.09.006.
7. 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:https://doi.org/10.1016/j.compag.2019.104906.
8. 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:https://doi.org/10.7717/peerj.8764.
9. 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:https://doi.org/10.3390/s20102975.
10. 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.
11. 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:https://doi.org/10.3390/s20195569.
12. 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.
13. 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:https://doi.org/10.3390/math10142540.
14. 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:https://doi.org/10.1088/1757-899X/1098/3/032098.
15. 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:https://doi.org/10.1007/s11356-020-09689-x.
16. 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:https://doi.org/10.1109/TIM.2019.2947125.
