Авторы

Адаптация стандарта PRINCE2 для проекта внедрения MES-системы

Цифровая трансформация розничной торговли (ритейла): архитектурный подход

Функционально-ориентированный подход к автоматизации горнодобывающих предприятий

В настоящее время производственное предприятие немыслимо без автоматизации всех его процессов – технологических, производственных, управленческих. Эффективность предприятия во многом зависит от качественной обработки данных в рамках единого информационного пространства. Внедрение комплексной автоматизированной системы управления промышленным предприятием, соответствующей бизнес-модели, устранит многие проблемы, возникающие при создании, интеграции и развитии автоматизированных систем, создаст эффективную систему управления предприятием и снизит себестоимость продукции в будущем. Современные тенденции цифровой трансформации повышают спрос на модель интегрированной системы управления бизнесом, которая включала бы модель интегрированной системы управления информацией как неотъемлемую ее часть. Целью исследования является разработка эталонной функциональной модели горнодобывающих предприятий, включающей комплексное видение бизнеса, производственных и технологических процессов и их ИТ- поддержки. Предлагаемая модель основана на анализе существующих международных отраслевых подходов к автоматизации, а также опыта и лучших практик автоматизации горнодобывающих предприятий. Методологические основы исследования включают подход к архитектуре предприятия (включая концепцию сервис-ориентированной архитектуры) и авторский функционально-ориентированный подход к проектированию ИТ-архитектуры. В статье описана эталонная функциональная модель горнодобывающего предприятия, на основе которой определена структура функциональной структуры ИТ-архитектуры горнодобывающего предприятия. Функционально-ориентированный подход к проектированию ИТ-архитектуры как отражение функциональной структуры бизнеса является хорошим примером феномена симметрии в управлении предприятием. Дальнейшие исследования будут посвящены вопросам проектирования модели информационного обмена и модели архитектуры данных для цепочки создания стоимости горнодобывающей промышленности и ее отдельных частей во взаимосвязи, а также отражения сквозных процессов горнодобывающих предприятий в ИТ- архитектуре на основе разработанной модели определения границ функциональных блоков информационных систем. Читать дальше...

Применение методов причинно-следственного анализа и машинного обучения для автоматизированной интерпретации медицинских данных

В условиях стремительного развития методов машинного обучения и причинно-следственных методов их интеграция в медицинские исследования приобретает особую актуальность. Внедрение подходящих методов в медицинскую область позволит проводить качественную оценку эффективности лечения на индивидуальном уровне. Цель настоящего исследования – проведение экспериментов на синтетических данных и оценка точности предсказания индивидуальных эффектов лечения с использованием методов T-learner и S-learner. В статье представлен интегрированный подход к анализу медицинских данных, сочетающий методы причинно-следственного анализа и алгоритмы машинного обучения. Впервые проведено комплексное сравнение эффективности методов T-learner и S-learner для оценки индивидуальных эффектов лечения. На основе симулированных данных экспериментально установлены условия оптимального применения этих методов в зависимости от характеристик клинических данных. По результатам проведенных экспериментов было установлено, что метод T-learner показал более высокую точность (87 %) по сравнению с S-learner (84 %), что делает его предпочтительным при существенных различиях между группами лечения и контроля. Однако метод S-learner показал более высокую обобщающую способность в условиях ограниченного объема данных. Для валидации предсказанных эффектов лечения применялся индекс c-for-benefit, результаты которого подтвердили высокую точность обоих методов. Полученные результаты подчеркивают потенциал интеграции методов машинного обучения и причинно-следственных методов для разработки персонализированных терапевтических стратегий и автоматизации анализа медицинских данных, позволяющих улучшить клинические исходы и качество лечения. Разработанный подход позволяет повысить точность прогнозирования результатов лечения на индивидуальном уровне и может быть интегрирован в системы поддержки принятия клинических решений. Полученные результаты предоставляют новые возможности для персонализации медицинской помощи и могут служить основой для последующих исследований в этой области. Читать дальше...