ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Прогнозирование киберрисков в цифровой экономике с помощью гибридных моделей глубокого обучения и анализа графовых структур

Авторы

  • Максим Сергеевич Васильев Российский государственный гуманитарный университет

Как цитировать

ГОСТ Васильев М. С. Прогнозирование киберрисков в цифровой экономике с помощью гибридных моделей глубокого обучения и анализа графовых структур // Академический исследовательский журнал. 2023. Т. 1. № 1. С. 105-112. DOI: 10.25726/f8428-5607-1158-s
APA Васильев, М. С. (2023). Прогнозирование киберрисков в цифровой экономике с помощью гибридных моделей глубокого обучения и анализа графовых структур. Академический исследовательский журнал, 1(1), 105-112. https://doi.org/10.25726/f8428-5607-1158-s

Аннотация

В данной статье рассматривается актуальная проблема взаимосвязи инновационных технологий и традиционных методов производства в условиях динамично развивающегося рынка. Обоснована необходимость внедрения цифровых инструментов для повышения эффективности производственных процессов и повышения конкурентоспособности предприятий. Цель исследования – разработать методологическую основу интеграции инновационных технологий в традиционные производственные системы с учетом специфики отраслевых особенностей. Для достижения поставленной цели использовался комплексный подход, включающий анализ литературы по теме, экспертное опросное исследование, моделирование производственных процессов и сравнительный анализ результатов традиционных и инновационных подходов. В качестве выборки исследовались предприятия малого и среднего бизнеса в промышленном секторе, что позволило получить репрезентативные данные и выявить общие тенденции внедрения технологических новшеств в условиях ограниченных ресурсов. Проведенное исследование показало, что интеграция инновационных технологий приводит к повышению производительности труда, снижению производственных затрат и улучшению качества конечной продукции. Особое внимание уделено влиянию цифровизации на оптимизацию логистических процессов и управление ресурсами. Результаты моделирования продемонстрировали, что применение современных решений способствует более оперативной реакции на изменения рыночной среды и повышению устойчивости бизнеса к внешним воздействиям. Выявлены ключевые факторы успеха, такие как уровень квалификации кадров, организационная культура и психологическая готовность персонала к изменениям. На основе полученных данных обсуждаются перспективы развития цифровых трансформаций в традиционных секторах экономики. Обсуждение включает анализ преимуществ и возможных препятствий на пути внедрения инновационных методов, а также рекомендации для практического применения результатов исследования в реальных условиях. Автор отмечает, что представленные результаты могут служить основой для дальнейших исследований и разработок в области оптимизации производственных процессов через применение передовых технологических решений. В заключении подчеркивается, что системное внедрение инноваций требует комплексного подхода и взаимодействия различных стадий производственного цикла для достижения максимальных показателей эффективности и конкурентоспособности предприятия.

Ключевые слова

киберриски цифровая экономика гибридные модели глубокое обучение графовые структуры.

Библиографические ссылки

Блохин Н.В., Макрушин С.В. Построение векторного представления отраслей экономики с помощью графовых нейронных сетей // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 7-15.

Буханец А.К., Дудник Д.А., Косникова О.В. Гибридные модели машинного обучения для анализа финансовых рынков // Прикладные экономические исследования. 2024. № 1. С. 27-35.

Досанов Н.Е., Алданов Е.С. Применения вероятностно-графических моделей для анализа работы в интеллектуальных системах обучения // Нанотехнологии: наука и производство. 2023. № 6. С. 62-70.

Зарипов Е.А., Петрунев Е.А. Разработка нейронной сети для моделирования поведения учебного процесса // Искусственные общества. 2023. Т. 18. № 1. 15 с.

Коровин Д.И., Романова Е.В., Муминова С.Р., Осипов А.В., Плешакова Е.С., Мазутский Н.М., Гатауллин Т.М., Гатауллин С.Т. Графовая аналитика для задач цифровой экономики // Журнал информационных технологий и вычислительных систем. 2023. № 3. С. 33-45.

Ломакин Н.И., Марамыгин М.С., Кособокова Е.В., Бестужева Л.И., Юрова О.В., Положенцев А.А., Ломакин И.Н. Разработка киберфизической системы на Python и QLua для трейдинга на платформе QUIK на MOEX в русле цифровизации экономики // Международная экономика. 2024. № 3. С. 214-231.

Параскевов А.В., Шаповалов А.В., Сергеев А.Э., Уварова А.Г. Подходы к анализу больших данных в системе высшего образования // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2024. № 196. С. 193-215.

Пятковский О.И. Нейросетевые компоненты для прогнозирования деятельности организаций // Перспективы науки. 2023. № 12(171). С. 49-54.

Семенова П.А., Гринева Н.В., Михайлова С.С. Предварительный анализ данных и построение признаков в задаче прогнозирования объемов поставок // Проблемы экономики и юридической практики. 2023. Т. 19. № 3. С. 141-152.

Соколинский Ю.В., Соколинская М.О., Лозовицкая Г.П. Прогнозирование тенденций киберпреступности с учетом демографических и экономических данных // Вестник Восточно-Сибирской Открытой Академии. 2024. № 54(54).

Тимофеев А.Г., Лебединская О.Г. Статистический и интеллектуальный анализ при построении прогноза цен и финансовых показателей в моделях с использованием машинного обучения и ИИ // Экономика и предпринимательство. 2022. № 4(141). С. 1118-1126.

Франтасов Д.Н., Балановская А.В., Репина Е.Г., Воронина Е.В. Разработка модели предиктивной аналитики финансовых поступлений от образовательной деятельности на основе цифрового следа обучающегося // Вестник Самарского государственного экономического университета. 2022. № 5(211). С. 52-59.

Чечулина М.Ю. Анализ экономических моделей прогнозирования успеваемости учащихся // Экономика и предпринимательство. 2024. № 1(162). С. 1118-1121.

Якунин Ю.Ю., Шестаков В.Н., Ликсонова Д.И., Даничев А.А. Прогнозирование результатов обучения студентов с использованием инструментов машинного обучения // Информатика и образование. 2023. Т. 38. № 4. С. 28-43.

Kustitskaya T.A., Esin R.V., Vainshtein Yu.V., Noskov M.V. Hybrid approach to predicting learning success based on digital educational history for timely identification of at-risk students // Education sciences. 2024. Т. 14. № 6. С. 657.

Опубликован

2025-05-26

Выпуск

Раздел

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

414 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Машиночитаемые метаданные

Похожие статьи

<< < 1 2 3 4 5 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.