БОЛЬШИЕ ДАННЫЕ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

В НАУЧНЫХ ИССЛЕДОВАНИЯХ: НОВЫЕ ГОРИЗОНТЫ

И ВЫЗОВЫ

Поротников П.А., к.э.н., доцент,

Уральский ЮИ МВД России, г. Екатеринбург, Россия

Закомалдин М.М., к.ист.н.,ст. преподаватель,

Уфимский ЮИ МВД России, г. Уфа, Россия

Аннотация. Современные научные исследования переживают трансформацию благодаря интеграции технологий больших данных и искусственного интеллекта. Применение ИИ для анализа массивов данных открывает новые возможности в различных научных областях, от медицины до астрофизики, значительно ускоряя процесс обработки информации. В статье рассматриваются показатели эффективности использования ИИ при работе с большими данными, сравнивая с традиционными методами обработки информации. Рассмотрены этические вызовы, возникающие при внедрении данных технологий в научную практику.

Ключевые слова: большие данные, искусственный интеллект, научные исследования, машинное обучение, анализ данных, цифровизация науки, нейронные сети.

В эпоху цифровой трансформации объемы генерируемых данных увеличиваются в разы по сравнению с предыдущими годами. Традиционные методы обработки информации не справляются с современными масштабами потока информации, что делает применение искусственного интеллекта незаменимым для научных открытий, позволяя исследователям строить более точные прогностические модели [1, 3, 4].

ИИ-технологи революционизирует способы работы с большими данными в науке благодаря алгоритмам машинного обучения и способен обрабатывать и анализировать колоссальные объемы информации, недоступные для традиционных методов.

В большинстве отраслей визитной карточкой применения ИИ-инструментов является обработка большого количества информации, больших данных, это то, где традиционные методы выдают эффективность в арифметической прогрессии, а ИИ-инструменты – в геометрической.

Для оценки преимуществ ИИ-технологий при работе с большими данными проведен сравнительный анализ ключевых показателей эффективности. В таблице представлены обобщенные данные, характеризующие улучшения по сравнению с традиционными методами обработки данных.

Таблица 1. – Обобщенные данные, характеризующие улучшения по сравнению с традиционными методами обработки данных

Согласно исследованиям, применение ИИ в биомедицинских исследованиях демонстрирует существенное повышение эффективности, а алгоритмы глубокого обучения показывают точность диагностики на уровне, сопоставимом с точностью специалистов-людей [1].

В области анализа научных публикаций и обработки текстовых данных системы на основе ИИ способны обрабатывать миллионы документов, выявляя тренды и связи между исследованиями, что было бы невозможно при ручном анализе [2].

Широкое внедрение ИИ и больших данных в научные исследования порождает ряд этических вызовов, требующих внимательного рассмотрения. Сложные алгоритмы машинного обучения, осложняют воспроизводимость научных результатов, что является основным принципом научного метода.

Работа с большими данными, особенно в медицинских и социальных исследованиях, требует обработки персональной информации. Необходимо обеспечить баланс между открытостью научных данных и защитой конфиденциальности участников исследований.

Можно ли считать автором научного открытия ИИ-систему, если она выявила закономерность в данных? Требуется переосмысление концепций авторства и научного вклада в эпоху ИИ.

Перспективы развития связаны с созданием более интерпретируемых ИИ-систем, разработкой методов обнаружения и коррекции смещений в данных, совершенствованием технологий конфиденциальности и демократизацией доступа к вычислительным ресурсам. Важно, чтобы научное сообщество активно участвовало в формировании этических норм использования ИИ, обеспечивая баланс между инновациями и ответственностью.Будущее науки лежит не в замене человека искусственным интеллектом, а в продуктивном симбиозе человеческого творчества и вычислительной мощности ИИ.

Литература

1.                Esteva A., Robicquet A., Ramsundar B. et al. A guide to deep learning in healthcare // Nature Medicine. 2019. Vol. 25. P. 24-29. DOI: 10.1038/s41591-018-0316-z. URL: https://www.nature.com/articles/s41591-018-0316-z (дата обращения: 17.11.2025).

2.                Fortunato S., Bergstrom C.T., Börner K. et al. Science of science // Science. 2018. Vol. 359. Issue 6379. eaao0185. DOI: 10.1126/science.aao0185. URL: https://www.science.org/doi/10.1126/science.aao0185 (датаобращения: 17.11.2025).

3.                Низамов С.С. Агропромышленный комплекс в условиях цифровой экономики // Вклад молодых ученых в аграрную науку: Материалы Международной научной студенческой конференции,. – Кинель: Самарский государственный аграрный университет, 2022. – С. 322-326.

4.                Низамов С.С. Цифровые технологии и агропромышленный комплекс // Информационные и коммуникационные технологии в образовании и науке: Материалы XII Международной научно-практической конференции. – Бирск: Уфимский университет науки и технологий, 2023. – С. 133-136.