905

рованные программные продукты, сложные алгоритмы, реагирующие на действия и слова пользователей, могут эффективно взаимодействовать с соискателями, новыми сотрудниками, проходящими адаптивное обучение, специалистами по льготам и компенсациям при расчете зарплат и бонусов, менеджерами по персоналу и линейными руководителями при составлении аналитических отчетов, а также «человеческими фигурами» [8]. Это обеспечивает большую компетентность, больше времени и бюджета, а также более точную информацию для управления людьми; ИИ помогает эффективно автоматизировать многие бэк-офисные функции для надежных Hr-транзакций и предоставления услуг с помощью технологизированных чат-ботов.

Выводы. Область управления человеческими ресурсами сегодня находится под влиянием значительных технологических вызовов и возможностей, вызванных цифровизацией экономики и общества. Передовые технологии охватывают все функциональные элементы предпринимательской деятельности, а также процессы организации и ведения бизнеса. С учетом этого стратегия инновационного развития предприятия должна учитывать требования цифрового управления человеческими ресурсами, включая применение интегрированных мобильных приложений, социальных сетей, аналитики, облачных технологий и дополненной реальности. Появляются методы для реализации онлайн-рекрутинга, автоматизации кадровых служб, отслеживания и оценки качества, онлайн-обучения, развития, продвижения по карьерной лестнице, управления эффективностью с использованием геймификации, автоматизированного измерения и вовлечения, а также обеспечения обратной связи. Результат – более эффективное использование ресурсов, более обоснованное и объективное принятие решений, снижение затрат и стабильная работа компании.

Список литературы

1.Будущее HR 2019: В курсе или в KPMG International Cooperative, 2018. – 24 с.

2.Цифровые компетенции как условие формирования качества человеческого капитала: Аналит. зап. / В.С. Куйбида, А.Н. Петрое, Л.И. Федулова, Г.А. Андрощук. – Киев: НАДУ, 2019.

–28 с.

3.Нагибина, Н.И. Час-цифровой: цифровые технологии в управлении человеческими ресурсами / Н.И. Нагибина // Интернет-журнал «Науковедение». – 2017. – 17 с.

4.Как облегчить жизнь HR-ам: цифровая трансформация поиска персонала [Электронный ресурс]. – Режим доступа: https://prohr.rabota.ua/yak-polegshiti-zhittya-hram-tsifrova- transformatsiya-poshuku-personalu / (дата обращения: 20.03.2023).

5.Рия, Сэнд. Отдел кадров и облачные вычисления: как облако трансформирует отдел кадров [Электронный ресурс] / Рия Сэнд. – Режим доступа: https://www.hrtechnologist.com / статьи/цифровая трансформация/hr-и-облачные-вычисления-как-облако-трансформирует-hr/ (дата обращения: 20.03.2023).

6.Жуковская, В. М. Цифровые технологии в управлении персоналом: сущность, тенденции, развитие / В.М. Жуковская // научный вестник международного гуманитарного университета. – 2017. – № 2. – С. 13-17.

7.Кеннеди, Э. Как VR трансформирует HR / CNN бизнес [Электронный ресурс] /Э. Кеннеди. – Режим доступа: https://edition.cnn.com/2019/02/26/tech/vr-transforming-hr-intl- bizevolved/index.html (дата обращения: 20.03.2023).

8.Новая эра: искусственный интеллект для возможностей и функций человеческих ресурсов. Опрос, проведенный EY (Ernst & Young LLP). [Электронный ресурс]. – Режим доступа: https://www.ey.com/Publication/vwLUAssets/EY-the-new-age-artificial-intelligence-forhuman- resource-opportunities-and-functions/$FILE/EY-the-new-age-artificial-intelligencefor-human- resource-opportunities-and-functions.pdf (дата обращения: 20.03.2023).

71

УДК 004.04

АВТОМАТИЗАЦИЯ УЧЁТА МАТЕРИАЛЬНЫХ СРЕДСТВ НА СКЛАДЕ

П.А. Мясников – студент 4-го курса С.В. Каштаева – научный руководитель, канд. экон. наук, доцент

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

Аннотация. В статье рассмотрен процесс учёта материальных средств на складе на предприятии ООО «ПРОСТОР ПЛЮС». С применением программы AllFusion ERWin Process Modeler была построена модель «AS-IS». В ходе рассмотрения процесса был выявлен ряд недостатков, для устранения которых была посторожена модель «ТО-ВЕ».

Ключевые слова: учёт, моделирование процессов, анализ процесса, «AS-IS», «TO-BE».

Постановка проблемы. В настоящее время для повышения эффективности, каждое предприятие нуждается в быстром и эффективном ведении учёта материальных средств. Для этого необходимо иметь средства, позволяющие быстро и безошибочно перерабатывать большие потоки данных.

ООО «ПРОСТОР ПЛЮС» ‒ организация, предоставляющая услуги в сфере строительных работ. Компания в частности занимается такими видами работ как: производство и обработка прочих стеклянных изделий, включая технические изделия из стекла, Обработка металлов и нанесение покрытий на металлы.

Результаты исследований. В процессе изучения процесса учёта материальных средств на складе, был обнаружен наиболее трудоёмкий и трудозатратный подпроцесс, требующий автоматизации, а именно – учитывать запасы на складе.

На данный момент учет материалов ведется вручную с помощью MS Word. Заведующий складом получает задачу принять полученную продукцию и передать информацию Бухгалтеру. Бухгалтер получает задачу внесения информации о полученной продукции в Ms Word. Дается пустой протокол и инструкция по его заполнению. Бухгалтер заполняет исходные данные, а затем по мере нахождения ошибок вписывает их в MS World.

Заведующий складом учитывает запасы на складе, проводит инвентаризацию склада, подписывает карточку учета и отдает ее бухгалтеру. Затем Бухгалтер на основе этих данных ведет заполнение списка через MS Word, а также сверяет данные с прошлым списком инвентаризации. В случае возникновения ошибки бухгалтер сравнивает все данные с карточкой учета Зав. складом.

После бухгалтер оформляет полученную документацию и заносит ее данные в документ. На случай, если происходит ошибка, Бухгалтер выдает документы Зав. складом.

Для анализа рассматриваемого бизнес-процесса и выявления его недостатков использовалась методология IDEF0 [1-3]. Модель «AS-IS» процесса представлена на рис. 1.

72

Рис. 1. Декомпозиция контекстной диаграммы первого уровня ТО-ВЕ «Учитывать материальные средства»

Существующая модель бизнес-процесса «Учет материальных средств» имеет ряд существенных недостатков:

1.Учет заполняется и обрабатывается вручную с помощью MS Word.

2.Приходится вручную сортировать и изменять список материалов.

3.Долгий поиск информации по материалу.

4.Протоколами пользуются только Заведующий складом и Бухгалтер из-за требований работодателя, для других сотрудников процесс получения протокола затруднен.

Всех этих проблем можно избежать, если автоматизировать бизнес-процесс «Учет материальных средств». На рис. 2 представлена декомпозиция контекстной диаграммы ТО-ВЕ «Учитывать запасы на складе», которая устраняет имеющиеся недостатки.

Выводы и предложения. На данной диаграмме появляется ИС реализованная в виде разработанной конфигурации 1С Предприятия. Внедрение собственной конфигурации позволит устранить имеющиеся недоставки, а также будет содержать лишь необходимые для предприятия функции.

Внедрение информационной системы для оформления заявок по ремонту техники в учебном заведении позволит:

‒повысить качество и скорость работы;

‒пользователь ИС получит удобный и эффективный инструмент для работы.

73

Рис. 2. Декомпозиция контекстной диаграммы ТО-ВЕ «Учитывать запасы на складе»

Список литературы

1.AllFusion Process Modeler (BPWin) [Электронный ресурс]. - URL: https://blog.iteam.ru/allfusion-process-modeler-bpwin/ (дата обращения: 13.07.2022).

2.Володин, А.И. Анализ основных бизнес процессов отдела складских операций и пополнения цепи поставок магазина торгово-розничного предприятия / А.И. Володин // Научнообразовательный журнал для студентов и преподавателей «StudNet». ‒ 2021. ‒ № 6. ‒ С. 455-

461 // Сервис «КиберЛенинка». - URL: https://cyberleninka.ru/article/n/analiz-osnovnyh-biznes- protsessov-otdela-skladskih-operatsiy-i-popolneniya-tsepi-postavok-magazina-torgovo-roznichnogo

(дата обращения: 13.07.2022).

3.Кабакова, Ю.А. Методы анализа бизнес-процессов / Ю.А. Кабакова // Бизнесобразование в экономике знаний. ‒ 2016. ‒ №2 (4). ‒ С. 38-40 // Сервис «КиберЛенинка». - URL: https://cyberleninka.ru/article/n/metody-analiza-biznes-protsessov (дата обращения: 13.07.2022).

4.Каштаева, С.В. Методические рекомендации по производственной практике для направления подготовки 09.03.03 Прикладная информатика / С.В. Каштаева// ФГБОУ ВО Пермская ГСХА. – Пермь: Изд: ФГБОУ ВО Пермская ГСХА, 2019. – 116 с.

5.Стрельников, В.С. Возможности использования технологии процессной аналитики для информационных систем предприятий / В.С. Стрельников, В.А. Бондарев // Вестник науки.

‒2022. ‒ №4 (49). ‒ С. 78-85 // Сервис «КиберЛенинка». ‒ URL: https://cyberleninka.ru/article/n/vozmozhnosti-ispolzovaniya-tehnologii-protsessnoy-analitiki-dlya- informatsionnyh-sistem-predpriyatiy (дата обращения: 13.07.2022).

74

УДК 004.414.2

ОБЗОР ТЕХНОЛОГИЙ ДЛЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СФЕРЕ ТОЧНОГО ЗЕМЛЕДЕЛИЯ

Д.В. Нагибин – студент 1-го курса А. Ю. Беляков – научный руководитель, канд. техн. наук, доцент

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

Аннотация. Данная статья представляет собой обзор информационных технологий для проектирования комплексной системы поддержки принятия решений в сфере точного земледелия с целью её дальнейшей реализации.

Ключевые слова: точное земледелие, клиент-серверная архитектура, агропромышленные предприятия, информационные технологии в сельском хозяйстве.

Постановка проблемы. Ситуация в мире остаётся напряжённой. Аналитики предрекают мировой финансовый кризис [5]. При этом Россия по-прежнему отрезана от мировых рынков, что сказалось, и ещё может сказаться, на уменьшении объёма товаров и технологий, поставляемых из-за рубежа. Нестабильность, с одной стороны, создаёт множество проблем в обыденной жизни, но также несёт и потенциальные перспективы, по выходу из данной ситуации.

В сложившейся ситуации проблема обеспечения населения продуктами сельскохозяйственного производства не перестаёт быть актуальной. Наиболее эффективным, в плане увеличения урожайности, является интенсивный подход, к которому, в том числе, относится точное (прецизионное или координатное) земледелие.

Анализ имеющихся решений в сфере точного земледелия показал, что многие из имеющихся на рынке систем поддержки принятия управленческих решений в сфере точного земледелия полагаются на зарубежные технологии и инвестиции. Отсюда вытекает актуальность работы в данном направлении при сложившихся условиях рынка. Также в своём большинстве конкурентные системы интегрируются в работу агропредприятия в целом и не делают упор на проблемы точного земледелия [2].

Материалы и методы. Разработка системы поддержки принятия решений в сфере точного земледелия представляет собой комплексный процесс, ключевой частью которого является проектирование модулей и подсистем, разрабатываемой информационной системы.

Обзор имеющихся аналогов привёл к формированию списка наиболее необходимых функций для такой системы [2]. Одной из наиболее важных особенностей является возможность подключения специализированных датчиков, предоставляющих данные о текущих погодных условиях, данные почвенного состояния различных производителей [3].

Также система должна быть многопользовательской. Это позволит производить обработку всех собранных с датчиков данных централизованно, а затем уже пользователям подключаться к системе со своих клиентских устройств вне зависимости от их местоположения через сеть интернет. Среди пользователей, например, можно выделить агронома или фермера либо другого сотрудника организации-клиента, заинтересованного в предоставляемых системой результатах [1].

75

Обработка данных во многих аспектах будет производиться при помощи нейронных сетей (искусственного интеллекта). На них будут полагаться сервисы, связанные с прогнозированием урожайности и метеоусловий, а также спутниковые карты, на которых нейросети могут, например, выделять контуры сельскохозяйственных полей, производить расчёт индекса NDVI для каждого конкретного участка поля или, например, определять сорные растения среди полезных культур. Затем эти данные будут отображаться слоями в виде тепловых карт при помощи геоинформационной системы, интегрированной в разрабатываемую ИС.

Втакой системе будет необходимо хранить большой объём данных, поступающих как в режиме реального времени, так и данные за предыдущие, до запуска системы года. Это позволит намного точнее рассчитывать прогнозы с учётом всех особенностей местного климата, в частности Пермского края. Естественно, данные необходимо будет группировать и минимизировать, в целях более экономного использования дискового пространства.

Также будут весьма полезны 3D-карты высот и склонов. Такие карты помогут лучше понимать рельеф сельскохозяйственных угодий. Например, агроном при помощи карты высот с лёгкостью сможет определить влажные участки почвы или, например, при помощи карты склонов определить какую культуру лучше высаживать на данном поле, с учётом направления ветров и того, насколько хорошо участок освещается солнцем.

Результаты исследований. Наиболее оптимальным вариантом реализации системы будет «облачный» сервис. Сервис будет иметь клиент-серверную архитектуру. При этом клиентская часть должна быть кроссплатформенной, это значит, что наиболее оптимальным вариантом будет разработка веб-приложения, что позволит подключаться

ксистеме из любого веб-браузера без необходимости в установке дополнительного программного обеспечения.

Вкачестве веб-сервера приложений стоит рассмотреть Django. В отличие от ASP.NET, данное решение не завязано на экосистеме конкретной компании, в частности Microsoft. Также Django, в отличие от решений на базе Node.js или PHP, является комплексным фреймворком, включающем в себя множество функций, к тому же данное решение имеет модульную структуру, что в дальнейшем позволит реализовать микросервисную архитектуру. Стоит отметить и работу с базой данных в этом фреймворке, в данном случае предполагается использование PostreSQL. Связь Django c базой данных осуществляется по технологии ORM (Object-Relational Mapping).

Для разработки клиентской части необходим веб-фреймворк. В данном случае был выбран Vue.js. Данное решение довольно популярно при разработке, имеет широкий функционал и множество плагинов, расширяющих функционал.

Взаимодействие клиентов с сервером будет осуществляться по RESTAPI. Это позволит выделить клиентскую часть ИС в отдельное приложение. Такой подход позволит создать комплексное веб-приложение с довольно обширным функционалом, например, не потребуется обновления всей страницы целиком для обновления каких-либо данных на этой странице. В случае необходимости будет обновлены лишь требуемые компоненты веб-страницы. В дальнейшем при помощи RESTAPI можно будет подключать клиентов вне зависимости от типа клиентского приложения.

Для более удобного развёртывания каждого из компонентов системы стоит использовать средства контейнеризации, в частности Docker, что позволит относительно

76

легко переносить уже полностью настроенные и готовые к эксплуатации компоненты между серверными машинами.

Для реализации поставленных задач будут использоваться два типа нейронных сетей: свёрточные и рекуррентные нейронные сети.

Для работы с изображениями используют свёрточные нейросети различных архитектур, например Xception, InceptionResNetV2 и другие (среди моделей, которые ис-

пользуются для обучения — Deep Neural Network, Random Forest, Extra Trees, CatBoost

и другие) [1].

Архитектура рекуррентных нейронных сетей позволяет эффективно обрабатывать данные, представляющие собой направленную последовательность: например, текст, речь и временные ряды. Например, временными рядами хорошо описывается динамика роста растения во времени [4].

Для реализации модуля спутниковых карт и карт рельефа стоит рассмотреть геоинформационную систему, например, QGIS.

Стоит также отметить, что получение данных, например от метеодатчиков, будет происходить не непосредственно от самих датчиков, а от устройств-хабов, принимающих показания датчиков, а затем, «пачкой» отправляющих эти показания на сервер. Поэтому необходимо рассмотреть возможность реализации надёжной и защищённой от вмешательства связи между хабом и сервером, поскольку они будут соединены через интернет. В качестве механизма защиты рассматривается настройка VPNтуннелей между сервером и устройствами-хабами посредством протокола WireGuard.

Выводы и предложения. При проектировании такой масштабной информационной системы стоит учитывать множество факторов, часть которых описана в данной статье, но немалая часть нюансов будет выявлена уже в процессе разработки. Вполне возможно, что в ходе реализации придётся пересмотреть часть аспектов системы и от некоторых из них отказаться в пользу более подходящих по тем или иным причинам.

В целом в разработке данной системы в основном заинтересованы сельхозтоваропроизводители, поскольку система позволит предотвратить развитие сорных растений и болезней, а также менее затратно оптимизировать операционные расходы и повысить урожайность в среднем на 15‒20 %, поскольку точные и оперативные данные позволяют вовремя реагировать на постоянно меняющиеся условия среды [6].

Список литературы

1.Еда из «облака»: как IT помогает развивать сельское хозяйство [Электронный ре-

сурс]. URL: https://rb.ru/story/cloudfood/ (Дата обращения: 10.02.2023).

2.Нагибин, Д.В. Применение информационных технологий для решения задач в системе точного земледелия / Д.В. Нагибин // проблемы и перспективы развития АПК региона. материалы краевой студенческой научно-практической конференции. ‒ Пермь: ИПЦ Про-

кростъ, 2023. ‒ С. 458.

3.Предсказуемое земледелие. Как современные технологии помогают «Белой Даче» повышать производительность [Электронный ресурс].

URL: https://sber.pro/publication/predskazuemoe-zemledelie-kak-sovremennye-tekhnologii- pomogaiut-beloi-dache-povyshat-proizvoditelnost (Дата обращения: 10.02.2023).

4.Сельское хозяйство будущего: нейронные сети научились предсказывать динамику роста растений [Электронный ресурс]. URL: https://naked-science.ru/article/column/selskoe- hozyajstvo-budushhego-nejronnye-seti-nauchilis-predskazyvat-dinamiku-rosta-rastenij (Дата обра-

щения: 10.02.2023).

77

5.ЦБ описал сценарий глобального кризиса в 2023-м. Какие рынки под угрозой? [Электронный ресурс]. URL: https://quote.rbc.ru/news/article/613735ac9a7947010bee0e51 (Дата обращения: 15.02.2023).

6.AgroTech: как фермеров пытаются подружить с искусственным интеллектом [Элек-

тронный ресурс]. URL: https://trends.rbc.ru/trends/industry/614b6fd09a79470280d775ea (Дата обращения: 10.02.2023).

УДК 004.81

АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ ВО ВРЕМЕННЫХ РЯДАХ

А.П. Некрасов – студент;

Е.А. Муратова – канд. экон. наук, доцент, заведующий кафедрой ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

Аннотация. В статье рассмотрены алгоритмы SR и SR-CNN, а также выполнена программная реализация обнаружения аномалий во временных рядах, используя алгоритм машинного обучения SR-CNN, c применением фреймворка ML.NET.

Ключевые слова: обнаружение аномалий, временной ряд, Spectral Residual Convolutional Neural Network, SR, SR-CNN, набор данных, ML.NET, C#, программная реа-

лизация, программа, алгоритм, машинное обучение.

Предметная область. В данной работе рассматривается одна из задач DataMining временных рядов, а именно «Обнаружение аномалий», которая относится к интеллектуальному анализу временных рядов (TimeSeries DataMining) (TSDM). Задачи TSDM представлены на рис. 1 [1].

Временной ряд (ВР) – последовательность упорядоченных в равноотстоящие моменты времени пар (момент времени, значение характеристики) [1].

Аномалии – это отклонения от нормального (ожидаемого) поведения чего-либо, например, резкое отклонение величины от ее ожидаемого значения [2].

Аномалия временного ряда – это новый, не типичный паттерн временного ряда [1].

Материалы и методы. Алгоритм Spectral Residual (SR). Эффективное коди-

рование ‒ это общий принцип, в соответствии с которым можно интерпретировать многие механизмы обработки изображений. Барлоу впервые предложил гипотезу эффективного кодирования, которая устраняет избыточность сенсорного ввода [4].

Основной принцип систем обработки изображений заключается в том, чтобы избегать часто встречающиеся признаки в данных, в то же время сохраняя чувствительность к признакам, отклоняющимся от нормы, к так называемым аномалиям [6].

Алгоритм SR состоит из трех основных шагов:

1)преобразование Фурье для получения логарифмического амплитудного спектра;

2)вычисление определения спектрального остатка;

3)обратное преобразование Фурье, которое преобразует последовательность обратно в пространственную область.

78

Рис. 1. Задачи DataMining временных рядов

Математическое представление, задаётся последовательностью x, которое состоит из:

где F – это преобразование Фурье,

F−1 – обратное преобразование Фурье,

x – это последовательность исходных данных вида n × 1, A(f) – амплитудный спектр последовательности x,

P(f) – фазовый спектр последовательности x, L(f) – логарифмическое представление A(f),

AL(f) – средний спектр L(f), который можно аппроксимировать, преобразовав

Рис. 2. hq (f)

Алгоритм Spectral Residual Convolutional Neural Network (SR-CNN)

Цель этого алгоритма — выполнить оценку для каждой точки входных данных. Если входные данные представлены как X1, X2, X3, ..., Xn, то этот алгоритм пытается

79

предсказать показатель аномалии для каждой точки во входных данных, представлен-

ных как Y1,Y2, Y3,..., Yn (0, 1).

В результате алгоритма SR-CNN, каждая точка входных данных временного ряда классифицируется как 1 или 0:

1, если точка представляет аномалию;

0, если аномалия отсутствует.

Последовательность действия SR-CNN состоит из двух шагов. На первом шаге для входных данных сначала применяется алгоритм Spectral Residual, а на втором шаге используются результаты первого, в качестве входных данных, для CNN (сверточной нейронной сети), чтобы вычислить, является ли точка аномальной или нет.

Первоначальный метод SR использует одно из двух состояний, с применением карт значимости, для обнаружения точек аномалий, как определено в уравнении представленном на рис. 3.

Рис. 3. Формула для определения аномальных точек используя карты значимости

Значения точек аномалии рассчитываются по формуле 8:

x = ( + mean)(1 + var ) · r + x ( 8 )

где x — локальное среднее значение предыдущих точек;

mean и var — среднее значение и дисперсия всех точек в текущем скользящем

окне;

r N (0, 1) выбирается случайным образом.

Карты значимости (saliency map) – набор методов, которые выделяют важные области на входном изображении. Является популярным алгоритмом демонстрирующим используемые участки изображения, при классификации свёрточной нейронной сети (CNN) [3, 5].

CNN применяется на основе карты значимости вместо необработанных входных данных, что значительно упрощает задачу аннотации аномалий.

На практике собираются производственные временные ряды с синтетическими аномалиями в качестве обучающих данных. Преимущество состоит в том, что детектор может адаптироваться к изменению распределения временных рядов, при этом не требуется никаких данных, размеченных вручную.

Архитектура SR-CNN визуализирована на рис. 4.

Рис. 4. Архитектура алгоритма SR-CNN

80