Інноваційні аналітико-статистичні технології як інструмент моніторингу та протидії корупції

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Інноваційні аналітико-статистичні технології як інструмент моніторингу та протидії корупції

Юлія Олександрівна Яцина

Голова громадської організації «Союз соціальних технологів України»

Yulia Oleksandrivna Yatsyna

The Head of the GO The Union of

Social Engineers of Ukraine (USEU)

Анотація

Стаття присвячена дослідженню напрямків впровадження інноваційних аналітико-статистичних технологій як інструменту моніторингу та виявлення корупції в державі. Для досягнення мети автором було уточнено зміст основних понять, визначено сутність інноваційних аналітико-статистичних технологій та проаналізовано напрями застосування інноваційних аналітико-статистичних технологій як елементи антикорупційної політики держави. Визначено, що сучасні аналітико-статистичні технології є складовою інформаційних технологій. Залучення аналітико-статистичних технологій як інструменту протидії корупції на державному рівні обумовлено специфікою процесу ідентифікації корупції. Застосування відповідних технологій можливе за умов сприйняття корупції як виду шахрайства, тому пошук корупції в сучасних умовах розвитку суспільства необхідно здійснювати на основі комплексного використання математичних, аналітичних та психофізичних методів дослідження, що дасть змогу не лише ідентифікувати, але й прогнозувати ймовірні випадки зловживань. Виділено п'ять напрямів впровадження інноваційних аналітико-статистичних технологій в антикорупційній діяльності: 1) автоматизація процесу збору та обробки даних; 2) автоматизація процесів комунікації та офісу; 3) автоматизація безпосередньо процесів управління; 4) автоматизація процесу розробки та прийняття управлінських рішень; 5) розвиток експертних систем. Визначено, що аналітико- статистичні технології отримують свої впровадження найбільше у 4 з визначених напрямів: збору / обробки даних; безпосереднього управління; підтримки прийняття рішень та експертній підтримці.

Ключові слова: антикорупційна діяльність, інформаційні технології, інформаційна система, автоматизація управлінської діяльності, штучний інтелект.

Abstract

INNOVATIVE ANALYTICAL AND STATISTICAL TECHNOLOGIES AS A TOOL FOR MONITORING AND COUNTERACTING CORRUPTION

The article focuses on exploring the directions for implementing innovative analytical-statistical technologies as a tool for monitoring and detecting corruption in the state. To achieve this goal, the author clarifies the content of key concepts, defines the essence of innovative analytical-statistical technologies, and analyzes the applications of these technologies as elements of the state's anti-corruption policy. It is determined that modern analytical-statistical technologies are integral to information technologies, which have emerged as a separate branch of production known as the information industry. Information technologies, including analytical-statistical ones, are realized through information systems, which combine technical tools (computers, communication devices and channels, peripherals, input/output devices, etc.) with software applications that facilitate the functioning of the technical components and analytical aspects, including the mathematical component (statistics). The use of analytical-statistical technologies as a tool to counter corruption at the state level is driven by the specificity of the corruption identification process. The application of relevant technologies is possible when perceiving corruption as a form of fraud. Therefore, the search for corruption in modern society requires a comprehensive approach, utilizing mathematical, analytical, and psychophysical research methods. This approach enables not only the identification but also the prediction ofprobable instances of abuse. Five directions for implementing innovative analytical-statistical technologies in anti-corruption activities are identified: 1) automation of data collection and processing; 2) automation of communication and office processes; 3) automation of direct management processes; 4) automation of decision-making processes and development; 5) development of expert systems. It is noted that analytical-statistical technologies find the most implementation in four of the identified directions: data collection/processing, direct management, decision support, and expert support.

Keywords: anti-corruption activity, information technology, information system, management automation, artificial intelligence.

Вступ

Корупція залишається однією з найбільших соціально-економічних проблем, що впливають на розвиток країни та підривають довіру громадян до владних структур. Інноваційні аналітико-статистичні технології, такі як штучний інтелект, машинне навчання, аналіз великих даних та інші, володіють потенціалом забезпечити ефективний моніторинг та виявлення корупційних схем. Вони дозволяють автоматизувати процес аналізу великого обсягу даних, що допомагає виявляти недоречності, неузгодженості та аномалії, які можуть свідчити про корупційні дії. Актуальність теми дослідження обумовлена необхідністю покращення ефективності антикорупційних заходів та забезпечення прозорості та відповідальності владних структур, що особливо має значення для країни, що знаходиться у стані війни. Впровадження таких технологій дає надію на зменшення можливостей для корупційних дій, забезпечення ефективного моніторингу корупційних ризиків та скорішому відновленню у післявоєнній Україні.

Мета статті - визначити напрями впровадження інноваційних аналітико-статистич- них технологій як інструменту моніторингу та виявлення корупції в державі. Для досягнення поставленої мети були визначені такі завдання: 1) уточнити зміст основних понять;

2) визначити сутність та зміст інноваційних аналітико-статистичних технологій; 3) проаналізувати напрями застосування інноваційних аналітико-статистичних технологій як інструменту моніторингу та протидії корупції в державі.

Викладення основного матеріалу

1. Визначення основних понять дослідження.

Під корупцію ми розуміємо протиправне використання посадовою особою наданих їй управлінських ресурсів для особистої чи 146

групової вигоди, що може мати як матеріальну, так і нематеріальну форму. При цьому протиправне використання - це порушення як формальних нормативно-юридичних установ, включаючи норми службової поведінки та етики, так і неформалізованих норм поведінки, етики і моралі [Rose-Ackerman, Palifka 2016].

Запобігання, протидія та боротьба це три різні напрями антикорупційної діяльності. Якщо запобігання та боротьба з проявами корупції в державі передбачає сумісну активність всіх зацікавлених суб'єктів (держави, бізнесу, громадського суспільства) щодо «виявлення, вивчення, обмеження або усунення явищ, що породжують корупційні правопорушення або сприяють їхньому поширенню ... всіма доступними способами комунікативної взаємодії, реалізація якої об'єктивована превентивними, репресивними та ліквідаційними заходами», то протидія - це суто діяльність «антикорупційних і правоохоронних органів, спрямована на виявлення корупційних правопорушень, належне розслідування, притягнення до відповідальності правопорушників, а також захист осіб, яким заподіяно шкоду внаслідок корупційних дій» [Приходько 2020: 140-141].

Вважаємо за необхідне взяти за аксіому твердження про те, що корупцію як феномен знищити неможливо. Однак єдине, що можна з нею зробити, так це протидіяти її розповсюдженню. Тому під поняттям «протидія корупції» ми розглядаємо діяльність суб'єктів анти- корупційної діяльності щодо запобігання ко- рупційним проявам (виявлення та намагання усунення причин поширення корупційної злочинності); боротьби з корупційними діяннями (їх припинення, розкриття та безпосереднє розслідування) та мінімізацію і ліквідацію наслідків вчинених корупційних правопору- шень[Окунєв, Бойко, Лукін 2018].

Інноваційні аналітико-статистичні технології. В загальному сенсі під аналітико-ста- тистичною технологією слід розуміти задокументовану процедуру або алгоритм аналізу даних. Згідно з [Ковтун 2011; Kobis, Starke, Rahwan 2021; Odilla 2023] аналітико-статистичні технології поділяються на традиційні (класичні) та автоматизовані.

Перші передбачають діяльність 1-2 експертів із незначним застосуванням комп'ютерних (інформаційних) технологій, під час яких відбувається аналіз взаємозв'язків, вза- ємообумовленості різних показників з метою ідентифікації відхилень від норми (сюди можна віднести метод стереотипів, скорегованих показників, пов'язаних зіставлень тощо).

В свою чергу автоматизовані технології передбачають, по перше, залучення до процесу обробки даних інтелектуальні системи, що навчені виконувати аналітико-статистич- ні операції з наборами даних та спроможні замінити людину в більшості виконуваних операцій. До таких технологій відносять технології пошуку даних (data mining), ідентифікації в них аномалій (anomaly detection) або нового знання (novelty detection, knowledge discovery). Використанням цих алгоритмів дозволяє автоматизувати роботу декількох фахівців та спростити процес підготовки звітів про виняткові (нові, аномальні) ситуації. Виходячи з даної класифікації інноваційними аналітико-статистичними технологіями слід вважати автоматизовану групу технологій. Додамо, що використанням вказаних технологій в сучасних умовах розвитку суспільства неможливе без використання також таких технологій як машинне навчання (machine learning), глибинне навчання (deep learning), нейронні мережі (neural networks), обробка природної мови (natural language processing - NLP), аналіз графів (network analysis), аналізу даних у режимі реального часу (real-time data analysis), які дозволяють отримувати швидкі та точні результати аналізу великих обсягів даних.

Отже, інноваційні аналітико-статистичні технології визначаються:

- в широкому значенні як сукупність методів та інструментів, що базуються на використанні математичних та статистичних методів аналізу даних з метою виявлення корисних залежностей та закономірностей в даних, підвищення ефективності прийняття рішень та виявлення аномалій у різних сферах діяльності;

- у вузькому - як процес використання найсучасніших методів та технологій аналізу даних, таких як машинне навчання, глибинне навчання, нейронні мережі, обробка природної мови, аналіз графів тощо з метою виявлення складних залежностей та корисних закономірностей в даних. До таких технологій відносяться також методи аналізу даних у режимі реального часу, які дозволяють отримувати швидкі та точні результати аналізу великих обсягів даних.

2. Сутність та класифікація інформаційних технологій.

Щоб зрозуміти їх сутність, а далі їх місце і роль, нам доведеться розібратися із сутністю більш загального феномену під назвою «інформаційні технології». На сучасному етапі розвитку інформаційні технології визначаються, у вузькому значенні, як спосіб виробництва інформаційних продуктів та послуг необхідної якості та кількості з оптимальними витратами з урахуванням поточних умов та часових витрат; в широкому значенні, як набір раціональних методів та засобів інформаційної діяльності, що забезпечують запланований результат [Fox 2021; Tracy 2021].

Сучасні інформаційні технології мають загальні особливості з вже традиційними промисловими. В той же час, вони мають свою специфіку, що проявляється в переважанні інтелектуальної праці, різноманітності асортиментів продуктів та послуг, невеликих, порівняно з традиційним виробництвом, обсягах товарів та послуг одного найменування. Будь- яка сучасна інформаційна, в тому числі аналі- тико-статистична, технологія має всі атрибути практичної технології і характеризується власною метою, предметом, ресурсами, процесами та результатами, а отже, має подібні особливості з інформаційним виробництвом.

Аналітико-статистична технологія в її практичному застосуванні (на рівні організації, регіону, галузі, держави, світу) існує у

формі (або породжує) інформаційну систему [Haigh, Ceruzzi 2021; Tracy 2021]. Інформаційна система - це організаційно впорядковани набір документів (масиви документів) та інформаційних технологій, включаючи використання комп'ютерних та комунікаційних фондів, що впроваджують інформаційні процеси [Fox 2021; Vanneschi, Silva 2023].

Різноманітність інформаційних технологій та сфери їх практичного застосування породжують необхідність розвитку теоретичних та емпіричних класифікацій. В рамках нашого дослідження ми розглянемо лише ті варіанти класифікацій, під які тим або іншим чином підпадають аналітико-статистичні технології [Bandyopadhyay 2023; Thakare, Laddha, Pawar 2023].

За критерієм сфери застосування розрізняють базові, прикладні та спеціальні (предметні) інформаційні технології. Відповідно до даної типології інформаційних технологій, аналітико-статистичні технології як завершена (функціонуюча) інформаційна система відноситься до спеціальних інформаційних технологій.

За призначенням інформаційної технології розрізняють інформаційні технології підтримки (забезпечення) та функціональні інформаційні технології. В даній типології аналітико-статистичні технології мають безпосереднє відношення до функціональних інформаційних технологій, оскільки інформаційні системи, що створюються цим типом технологій завжди передбачає досягнення мети, що визначається керівним апаратом організації, підприємства, місцевої, регіональної, національної і т.п. влади.

Відповідно до ступеня охоплення завдань управління виділяють інформаційні технології обробки даних, автоматизації офісної діяльності, управління, процесів прийняття управлінських рішень та експертні системи. Аналітико-статистичні технології згідно даної класифікації можуть бути віднесеними щонайменше до трьох типів: управління, прийняття рішень та експертних систем, оскільки кожний з цих типів має безпосереднє відношення до процесу прийняття рішень, що може відбуватися автоматизовано (управління), напівавтоматизовано (прийняття рішень) та у ручному режимі (експертна система). В той же час, функціонування вказаних технологій неможливе без застосування технологій обробки даних та офісних технологій, оскільки вони відповідають за формування баз даних, без яких функціонування аналітичних чи статистичних алгоритмів неможливе.

Як вже було сказано, інформаційні технології, в тому числі аналітико-статистичні технології, отримують своє практичне втілення у формі інформаційної системи, що об'єднує в собі як технічні засоби (комп'ютери, засоби та канали зв'язку, периферійні пристрої, пристрої введення/виводу даних тощо), так і програмні застосунки, що забезпечують функціонування технічної частини та аналітичну складову, включаючи математичну складову (статистику).

Залучення аналітико-статистичних технологій як інструменту протидії корупції на державному рівні обумовлено специфікою процесу ідентифікації корупції. Застосування відповідних технологій можливе за умов сприйняття корупції як виду шахрайства. Тому вважаємо за доцільне використати підхід Н.Ковтун [Ковтун 2011: 14], згідно з яким пошук корупції в сучасних умовах розвитку суспільства необхідно здійснювати на основі комплексного використання математичних, аналітичних та психофізичних методів дослідження, що дасть змогу не лише ідентифікувати, але й прогнозувати ймовірні випадки.

До математичних методів ідентифікації корупції, в першу чергу, відносять застосування так званого закону Бенфорда у тестах Нигрини і Миттермайера у 1997 році, які було використані компанією «Ернст і Янг» під час проведення аудиторських перевірок. Суть тесті полягає в тому, що «якщо внаслідок дослідження і побудови послідовності цифр емпіричних даних виявлені значні розбіжності з еталонними значеннями, то це є сигналом на проведення спеціального дослідження, яке виявить причину появи таких розбіжностей» [Ковтун 2011: 14]. Такі тести можуть бути застосовані при проведенні внутрішніх розслідувань, аудиті, податкових перевірках, оцінці тощо та дозволяють отримувати додаткові підтвердження щодо наявності / відсутності корупційної / шахрайської складової, навмисних / ненавмисних помилок в діяльності співробітників, контрагентів, організацій, підприємств тощо. Єдиною умовою ефективного застосування математичних методів - це необхідність наявності значних масивів даних, тому для організацій з неінтенсивними операційною діяльністю вони не підходять. Тому більш розвинутими в плані можливостей ідентифікації корупційної / шахрайської активності є аналітико-статистичні методи. Ця група методів умовно поділяється на традиційну та автоматизовану групи [Ковтун 2011].

До традиційних відносяться такі методи як метод пов'язаних зіставлень, метод спеціальних розрахункових показників, метод стереотипів та метод скорегованих показників. Дані методи відносяться до традиційних саме з того приводу, що розрахунки можливо зробити «на пальцях», на калькуляторі, принаймні у застосунку електронних таблиць (Excel, Google Tables тощо).

Їхньої протилежністю є методи, реалізація яких неможлива навіть в умовах використання зведених таблиць - автоматизовані аналітико-статистичні методи. Першою особливістю даних методів є допустимий розмір масиву даних. Так, наприклад, при використанні традиційного методу із застосуванням штатних засобів Microsoft Excel (без використання функції PowerQuery) користувач автоматично обмежений у кількості можливих записів в одній таблиці в 1 048 576 строчок [Excel Specifications and Limits], в той час як автоматизовані аналітичні методи розраховані на обробку значно більшої кількості значень, для чого використовуються, наприклад, технології баз даних та відповідного до них середовища / мови обробки даних (S, R, Python, SQL), реалізовані, як на умовах вільної ліцензії (R, Python), так і умовно-безплатних (SPSS, SAS, SAP, Power BI). Застосування додаткових технологій дозволяє автоматизувати процес збору первинної інформації (наприклад, за допомогою технологій розпізнавання образів автоматизується процес введення даних соціально-економічних та політичних досліджень), чищення (обробки) масивів даних (застосування логіки умовних виразів або технології машинного навчання). Другою перевагою цієї групи методів є можливість використання алгоритмів пошуку аномалій (викидів, новизни). Саме ці алгоритми стали розповсюдженими (впровадженими) в системах ідентифікації вторгнення, ідентифікації шахрайства / корупції, моніторингу здоров'я, виявлення електоральних аномалій, пошуку інсайдерів на біржі, сейсмологія тощо. Серед найпоширеніших алгоритмів виявлення аномалій виділяють такі: статистичні випробування, модельний тест, ітераційний алгоритм, метричний алгоритм, машинне навчання, ансамбль алгоритмів [Han, Hu, Huang etc. 2022].

Крім того, інноваційні аналітико-статис- тичні методи як елемент антикорупційної діяльності активно впроваджуються навіть у сфері поведінкових наук, загальну характеристику яких було проілюстровано у таких серіалах як «Доктор Хаус» [House MD 20042012] або «Менталіст» [The Mentalist 20082015. Але найбільшої популярності вони отримали завдяки серіалу «Теорія брехні» [Lie to Me 2011-2013], за сценарієм якого теоретичні наробки в психології було органічно поєднано із передовими інформаційними технологіями (технологіями розпізнання образів), що дозволяють головному герою (доктору Лайт- ману) розслідувати заплутані та складні кримінальні та/або адміністративні справи. Хоча більшість сценаріїв - це вигадка або припущення, однак всі вони засновані на реальних можливостях сучасних комп'ютерів, що використовуються для автоматизації процесу протидії перевищенню швидкості, пошуку потенційних терористів в аеропортах та ін.

3. Напрями застосування інноваційних аналітико-статистичних технологій як інструменту моніторингу та протидії корупції в державі.

Основними напрямами оптимізації управління в організаціях, підприємствах, установах, галузях виробництва, державі загалом є підвищення його продуктивності та скорочення трудомісткості управління шляхом усунення втрат робочого часу та поєднання функцій, розвитку функціонального поділу праці, механізації та автоматизації управлінської праці, удосконалення виробничої та організаційної структури, скорочення документації та раціоналізації документообігу. Основний напрямок підвищення ефективності управління виробництвом - автоматизація роботи з інформацією [Responsible Artificial Intelligence 2023]. Для автоматизації процесів збирання, обробки, передачі та збереження інформації, видачі її при необхідності для вирішення виробничих завдань створюють так звані автоматизовані системи управління виробництвом (АСУВ). Розробка та застосування АСУВ - один з найважливіших шляхів удосконалення управління та керівництва суспільним виробництвом.

Не лишилася осторонь і сфера протидії корупції, яка набула розмірів цілої галузі виробництва інформації, включаючи елементи розвідувальної, нормотворчої, організаційної та технологічної діяльності. Протидія зловживанню та правопорушенням на робочому місці мають безпосереднє відношення до суто управлінської задачі, змістом якої є не лише формулювання норм, процедур діяльності посадових осіб, а в першу чергу процеси розслідування будь-яких невизначених або аномальних ситуацій, що мають у собі ознаки навмисного спотворення звітної (контрольної) документації [Odilla, Veloso 2021]. Під час розслідувань фахівці намагають знайти якомога більше доказів, як для належної та беззаперечної класифікації події (як випадкової ситуації, як зловживання на робочому місці, як умисного правопорушення (шахрайства) або умисного правопорушення зі змовою (корупція)), так і визначення кола підозрюваних або винуватих осіб [Lawless 2022]. На сучасному етапі розвитку інформаційних технологій, їх застосуванні під час реалізації шахрайських / корупційних схем, фахівцям з протидії також доводиться озброюватися відповідним спорядженням - здійснювати автоматизацію своєї розвідувальної діяльності.

Якщо звернутися до досліджень, пов'язаних із протидією корупції засобами інформаційних технологій, то більшість з них концентрує увагу на таких напрямках, як [Adam, Fazekas 2018]:

- цифрові державні послуги та електронний уряд;

- краудсорсингові платформи;

- інструменти інформування;

- портали прозорості та великі дані;

- технології розподіленої бухгалтерської книги (DLT) та blockchain;

- штучний інтелект (artificial intelligence).

На нашу думку, розглядати процес впровадження інноваційних аналітико-статистич- них технологій необхідно з точки зору кінцевих продуктів (інформаційних систем, інформаційних середовищ), застосування яких тим або інших чином може сприяти меті протидії корупції в державі. Тому, на сьогодні можна виділити щонайменше п'ять напрямів автоматизації управлінської діяльності загалом, та антикорупційної діяльності зокрема:

1) автоматизація процесу збору та обробки даних;

2) автоматизація процесів комунікації та офісу;

3) автоматизація безпосередньо процесів управління;

4) автоматизація процесу розробки та прийняття управлінських рішень;

5) розвиток експертних систем.

Аналітико-статистичні технології отримують свої впровадження найбільше у 4 з визначених напрямів: збору / обробки даних; безпосереднього управління; підтримки прийняття рішень та експертній підтримці. Однак ми розглянемо всі зазначені напрямки в порядку ієрархії та масштабу (рівня) впровадження.

3.1. Інформаційна технологія обробки даних

Інформаційна технологія обробки даних розробляються для вирішення добре струк- турованих проблем, згідно з якими відомі необхідні вхідні дані та алгоритми та інші стандартні процедури обробки. Ця технологія використовується на рівні експлуатаційної (виконаної) діяльності з низькою кваліфікацією, щоб автоматизувати деякі рутинні, постійно повторювані операції управлінської праці [VanderPlas 2023].

Прикладом застосування відповідних технологій є як індивідуальні (текстові та табличні редактори, локальні системи управління базами даних з пакетів Apache OpenOffice, Apple iWork, Corel WordPerfect Office, LibreOffice, Microsoft Office, WPS Office, включаючи за- стосунки для роботи з pdf від Adobe, ABBYY, Foxit, Sumatra тощо) так і корпоративні інформаційні системи (1C, BAS, Microsoft Dynamics, Oracle E-Business Suite, SAP тощо), в тому числі хмарні застосунки на кшталт Google або Zoho.

3.2. Технології автоматизації комунікацій та офісу

Автоматизація процесів комунікації та офісу покликана не замінити існуючу традиційну систему комунікації персоналу (з нарадами, телефонними дзвінками і наказами), а лише доповнити її за допомогою автоматизованого офісу - організації та підтримки комунікаційних процесів як усередині організації, так і із зовнішнім середовищем на базі комп'ютерних мереж та інших сучасних засобів передачі та роботи з інформацією [Fraud in Communications 2016].

Що стосуються даного сегменту технологій, то тут маємо дуже розгалужений перелік застосунків, що включає в себе застосунки з попереднього пункту: Apache OpenOffice, Apple iWork, Corel, Google Suite, LibreOffice, Microsoft Office, Oracle, SQL, Vusial FoxPro, Jamovi, KNIME, Maple, MATLAB, MaxQDA, PSPP, R, RapidMiner (Altair), SAS, SPSS (IBM), Statistica, Adobe Acrobat, ABBYY FineReader, Kofax OmniPage, Zoom, Amazon Drive, Apple iDrive, Dropbox, Google Drive, Microsoft OneDrive тощо.

Найголовнішою перевагою автоматизації офісу для фахівців з протидії корупції полягає в тому, що комунікація є однією із форм отримання інформації про скоєні корупційні злочини, в першу чергу це стосується опитування кола підозрюваних осіб. Системі віддаленої комунікації автоматизують процеси запису розмов із свідками, жертвами та учасниками та співучасниками правопорушень.

Зазначимо, що деякі функції комунікаційних інформаційних технології можуть бути інтегровані в більшість корпоративних інформаційних системи: 1C, BAS, Microsoft Dynamics, Oracle E-Business Suite, SAP - були б тільки гроші.

3.3. Інформаційна технології управління

Інформаційна технологія управління впроваджується із метою задоволення інформаційних потреби всіх співробітників організації, підприємства чи установи, на яких покладено функцію ухвалення рішень. Ця технологія орієнтована на роботу з менш струк- турованими завданнями і може бути корисною на будь-якому рівні управління [Information Technology for Management 2018].

Починаючи з цього рівня впровадження інформаційних технологій говорять про їх групи, тобто виділяють: системи планування ресурсів (ERP), системи взаємодія із замовниками (CRM), системи адміністрування ло- гістичних ланцюжків (SCM), системи планування матеріальних потоків (MRP), системи управління кадровими ресурсами (HRM), системи підтримки аналітичної діяльності (BI).

Особливістю подібних систем є унікальність конфігурації системи для кожної організації навіть за умов наявності типових шаблонів. Тому значна сума витрат на ці засто- сунки складається не з виплат на ліцензії, а виплати за налаштування (впровадження) та підтримку актуальності та відповідності алгоритмів аналітичних розрахунків вимогам законодавства (розрахунок ПДВ, єдиного податку, єдиного соціального внеску та інших обов'язкових виплат, що можуть впливати на вартість товарів та послуг організації). Саме тому на цьому рівні говорять не про конкретні застосунки, а про програмні системи (1С, ADempiere, Aptean, Bitrix24, IBM, Microsoft Dynamics, Odoo, Oracle E-Business Suite, SAS) або фреймворки, що розробляються, наприклад, в Oracle або Microsoft.

3.4. Інформаційна технологія підтримки прийняття управлінських рішень

Основною особливістю інформаційних технологій для підтримки прийняття рішень - якісно новий метод організації взаємодії людини та комп'ютера. Розробка рішення, що є кінцевою метою цієї технології, відбувається в результаті процесу ітерації, в якому беруть участь дві сторони: 1) система підтримки рішень у ролі обчислювальної одиниці та об'єкта управління; 2) людина як керівний елемент, що встановлює вхідні дані та оцінює результат обчислень на комп'ютері. Ітерації відбуваються доки вони не будуть зупинені користувачем (аналітиком / керівником). Дана технологія дозволяє інформаційній системі разом із користувачем створювати нову інформацію для прийняття рішень [Bandyopadhyay 2023].

Інформаційні технології для підтримки рішень можна використовувати на будь-якому рівні управління із функцією узгодження рішень на різних рівнях управління. При цьому дані технології можуть включати в себе функціональні можливості попередніх технологій (обробки та аналізу даних, візуалізації). Головною відмінністю систем такого рівня полягає в наявності не лише розвинутої (ієрархічної) бази даних та бази (математичних) моделей, а й підсистем управління цими базами даних (СУБД) з системою управління інтерфейсом між користувачем (аналітиком, керівником) і комп'ютером.

Системи підтримки рішень мають, в більшості випадків, попит у корпоративних замовників із значною чисельністю персоналу та обсягами фінансових потоків, для яких витрати на подібні застосунки не забаганки, а обов'язковий елемент іміджу організації.

Як і з технологіями управління, на рівні систем підтримки рішень краще говорити про компанії, що надають послуги з розробки, впровадження відповідних інформаційних рішень в господарську діяльність, ніж про назви конкретних застосунків. Так, найбільш популярними виробниками корпоративних рішень є: Apache Software Foundation, Clickhouse Inc, IBM, icCube, Jedox, Kyvos Insights, Microsoft, Oracle, Pentaho, SAP, SAS Institute.

Серед одиничних інформаційних систем (програмне забезпечення, що можна встановити на персональному комп'ютері / ноутбуці), які дозволяють здійснювати ана- літико-статистичний аналіз даних можна виділити такі: IcCube, GNU PSPP, Microsoft PowerBI, SageMath, Scilab, STATA, Tableau та численні застосунки компаній IBM (Watson, Cognos Analytics, Planning Analytics, SPSS) та SAS (Anti-Money Laundering, Detection and Investigation, Viya Portfolio, Visual Analytics).

Доречи про продукти останніх двох гігантів індустрії аналітико-статистичного програмного забезпечення. Якщо більшість виробників подібних продуктах акцентують увагу на можливостях своїх застосунків виконувати складні математичні розрахунки, то IBM і SAS активно пропонують свої продукти, що спроможні автоматизувати будь-яку аналітико-статистичну діяльність, а також, в меншій мірі IBM, в більшій мірі SAS, рішення з протидії шахрайству, корупції, відмиванню грошей та іншим зловживанням / правопорушенням на робочому місці [Achieving program integrity 2023; Next-generation AML 2023; Vendor Analysis 2022].

Одним із головних недоліків цих засто- сунків є їх пропрієтарність, тобто приналежність до платного програмного забезпечення (вартість ПЗ можливо визначити лише за умови безпосереднього спілкування з відділом продажів, що має спочатку сформувати так зване технічне завдання, що й визначає остаточну вартість програмного забезпечення. Альтернативою даним рішенням слугує FOSS (free and open-source software) - відкрите та безкоштовне програмне забезпечення, точніше, в контексті аналітико-статистичних технологій, мови і програмного середовища для статистичних обчислень, аналізу, візуалізації даних R та Python. Безкоштовність рішень компенсується необхідністю у аналітиків відповідних компетенцій аналізу даних з використанням даних мов, розумінні принципів роботи та розумінні їх переваг та недоліків. Можливості застосунків значно розширюються додатковими пакетами (бібліотеками), серед яких також є пакети, що дозволяються здійснювати будь-який аналітико-статистич- ний аналіз, в тому числі, алгоритми з пошуку аномалій.

Слід зазначити, що окремим напрямом розробки інформаційних системи є інструменти навігації у сховищах даних, необхідність розробки яких пов'язана з необхідністю розробки ефективних технологій пошуку, які дозволяли б ефективно обробляти великі обсяги не тільки «сирих» даних, але сформованих на їх основі аналітики - вітрин даних, графічної інформації, дашбордів (dashboard) тощо. Серед найбільш популярних комерційних корпоративних пошукових систем можна виділити: Algolia [The flexible Al-powered Search]; IBM Watson Discovery [Information Technology for Management 2018]; Yext [Power Your Website]; Swiftype [A Powerful Search Experience]; SearchUnify [SearchUnify for Sales & Customer Service], ElasticSearch [Elastic: Search More, Spend Less]; Solr [Solr is the popular]; Sphinx [Introduction to Search with SPHINX] тощо.

3.5. Експертні системи

Найбільший прогрес серед комп'ютерних інформаційних систем відзначається у галузі розробки експертних систем на основі використання штучного інтелекту. Експертні системи надають можливість керівнику чи аналітику отримувати експертні консультації щодо будь-яких проблем, про які ці системи накопичили знання. В основі експертних систем покладені технології штучного інтелекту. Штучний інтелект зазвичай розуміється як здатність комп'ютерних систем для таких дій, які можна було б назвати інтелектуальними, якби їх виконувала людина [Gupta, Nagpal 2020; Kangra, Singh 2023.].

Експертні системи вперше були розроблені в 1970-х роках як розширення технологій штучного інтелекту [Smith 1994]. Системи створюються з метою зменшення потенційної помилки користувача в процесі прийняття рішень та симуляції тих аналітичних процесів мислення, які використовуються експертами в певній галузі [Leonard-Barton, Sviokla 1988]. Впровадження експертних систем у господарську діяльність є можливим у сферах, де потрібно професійне судження. Зазвичай, застосування експертних систем в якості інструменту протидії шахрайству чи корупції найбільш доречно до ситуацій, пов'язаних із придбанням / реалізацією товарів та послуг, коли існує значний ризики застосування шахрайських / корупційних схем [Berru, Batista, Torres-Carrion, Jimenez 2020].

Як одне з головних застосувань штучного інтелекту, експертні системи - це комп'ютерні програми, які перетворюють досвід експертів у будь-якій галузі знань у форму евристичних правил (евристику). Вони не гарантують оптимального результату з тією ж ймовірністю, що і звичайні алгоритми, які використовуються для вирішення проблем в рамках технології підтримки рішень. Однак часто вони дають достатньо прийнятні рішення в рамках свого практичного використання. Все це дозволяє використовувати технологію експертних систем як консультаційну систему.

Вважаємо за потрібне ще сказати про машинне навчання та штучний інтелект. Це дві тісно пов'язані, але різні концепції в галузі комп'ютерних наук. У загальному сенсі штучний інтелект - це область науки, яка прагне створити машини, які можуть діяти за допомогою інтелекту, аналогічного людському. Машинне навчання - це одна з технологій, що використовуються для створення таких машин [Artificial Intelligence Technology 2023].

В загальному сенсі машинне навчання - це методологія, що дозволяє комп'ютерам навчатися з урахуванням даних без явного програмування. Замість розробки програми, яка вирішує певне завдання, алгоритми машинного навчання використовують для навчання комп'ютера набори даних, виходячи з яких штучний інтелект самостійно створює власну логіку розмірковування (формулювання умовиводів на основі існуючих даних, фактів, прецедентів) [Managing Machine Learning 2022].

Штучний інтелект, з іншого боку, є більш загальним поняттям, яке охоплює всі технології, спрямовані на створення комп'ютерних систем, які можуть діяти інтелектуально, тобто сприймати, обробляти та використовувати знання та вирішувати завдання, які потребують людського інтелекту. Технології штучного інтелекту можуть використовувати методи машинного навчання, але можуть включати інші підходи, такі як системи експертних знань, вирішення завдань на основі знань і нейронні мережі [Chan, Hogaboam, Cao 2022]. Таким чином, машинне навчання є одним із методів, що використовуються в галузі штучного інтелекту [Kobis, Starke, Rahwan 2022]. Обидва ці поняття використовуються в різних галузях, включаючи пошук корупції, де машинне навчання може використовуватися для аналізу великих обсягів даних, а штучний інтелект може використовуватися для розробки систем, які можуть приймати рішення

на основі цього аналізу [Managing Machine Learning 2022].

Як зазначають [Kobis, Starke, Rahwan 2021; Odilla 2023], технології, в основі яких покладено алгоритми, методи штучного інтелекту та/або машинного навчання створили нову категорію застосунків, відмінних від традиційний або класичних методів реалізації аналітико-статистичних процедур. Головною відмінністю новітніх засобів вважається можливість їх функціонування в автономному режимі, тобто без участі людини.

Найбільшого успіху застосування експертних систем як аналітико-статистичної технології в господарській діяльності зафіксовано в діяльності так званої «Великої четвірки». «Велика четвірка» - найбільша у світі мережа аудиторських та консалтингових компаній: Deloitte, PricewaterhouseCoopers, Ernst & Young та KPMG. Аналізуючи зміст існуючих експертних систем та систем підтримки рішень, можна прийти до висновку про їх подібність, оскільки обидві системи забезпечують високий рівень підтримки рішень. Однак є три суттєві відмінності.

По-перше, вирішення проблеми в рамках систем підтримки рішень відображає рівень її розуміння користувачем (аналітиком / керівником) та його здатністю отримувати та розуміти рішення [Bandyopadhyay 2023]. Технологія експертних систем, навпаки, пропонує такі рішення, що можуть перевищувати інтелектуальні можливості користувача [Gupta, Nagpal 2020]. По-друге, відмінність між цими технологіями полягає у здатності експертних систем пояснювати свої міркування в процесі отримання рішення [Explainable AI 2023].

Дуже часто ці пояснення більш важливіші для користувача, ніж саме рішення. Нарешті, третя відмінність пов'язана з використанням нового компонента інформаційних технологій - знань. Якщо експертна система розпізнає ситуації, для яких вона не була призначена (розроблена), вона має повідомити користувача про ненадійність власних відповідей [Kangra, Singh 2023].

Висновки

Сучасні аналітико-статистичні технології є складовою інформаційних технологій, що виокремилися в окрему галузь виробництва - інформаційну індустрію. Інформаційні технології відрізняються від традиційних промислових технологій переважанням інтелектуальної праці, широким асортиментом продуктів та послуг та меншим обсягом виробництва. Ці (в т.ч. аналітико-статистичні) технології отримують своє опредметнення у формі інформаційної системи, що об'єднує в собі як технічні засоби (комп'ютери, засоби та канали зв'язку, периферійні пристрої, пристрої введення/ви- воду даних тощо), так і програмні застосунки, що забезпечують функціонування технічної частини та аналітичну складову, включаючи математичну складову (статистику).

Залучення аналітико-статистичних технологій як інструменту протидії корупції на державному рівні обумовлено специфікою процесу ідентифікації корупції. Застосування відповідних технологій можливе за умов сприйняття корупції як виду шахрайства, тому пошук корупції в сучасних умовах розвитку суспільства необхідно здійснювати на основі комплексного використання математичних, аналітичних та психофізичних методів дослідження, що дасть змогу не лише ідентифікувати, але й прогнозувати ймовірні випадки зловживань.

Розглядати процес впровадження інноваційних аналітико-статистичних технологій необхідно з точки зору кінцевих продуктів (інформаційних систем, інформаційних середовищ), застосування яких тим або інших чином може сприяти меті протидії корупції в державі. Виділяється щонайменше п'ять напрямів автоматизації управлінської діяльності загалом, та антикорупційної діяльності зокрема 1) автоматизація процесу збору та обробки даних; 2) автоматизація процесів комунікації та офісу; 3) автоматизація безпосередньо процесів управління; 4) автоматизація процесу розробки та прийняття управлінських рішень;

5) розвиток експертних систем.

Аналітико-статистичні технології отримують свої впровадження найбільше у 4 з визначених напрямів: збору/обробки даних; безпосереднього управління; підтримки прийняття рішень та експертній підтримці.

Бібліографічні посилання / References

протидія корупції інноваційна аналітико-статистична технологія

A Powerful Search Experience for Your Website - Without the Learning Curve. [Електронний ресурс]. Режим доступу: https://swiftype.com (дата звернення 02.02.2023)

Achieving program integrity for health care cost containment: How analytics transforms health care costs for payer programs. SAS. (2023).

Adam, I., Fazekas, M. (2018). Are Emerging Technologies Helping Win the Fight Against Corruption in Developing Countries? Pathways for Prosperity Commission Background Paper Series, 21. https://doi. org/10.13140/RG.2.2.17930.52162

Artificial Intelligence Technology. (2023). Beijing: Posts & Telecom Press; Springer Nature Singapore Pte Ltd. https://doi.org/10.1007/978-981-19-2879-6

Bandyopadhyay, S. (2023). Decision Support System: Tools and Techniques. Boca Raton, FL: CRC Press. https://doi.org/10.1201/9781003307655

Berru, Y.T., Batista, V.F.L., Torres-Carrion, P., Jimenez, M.G. (2020). Artificial Intelligence Techniques to Detect and Prevent Corruption in Procurement: A Systematic Literature Review. In: Botto-Tobar, M., Zambrano Vizuete, M., Torres-Carrion, P., Montes Leon, S., Pizarro Vasquez, G., Durakovic, B. (eds). Applied Technologies. ICAT 2019. Communications in Computer and Information Science, vol 1194. Springer, Cham, 254-268. https://doi.org/10.1007/978-3-030-42520-3 21

Chan, L., Hogaboam, L., Cao, R. (2022). Applied Artificial Intelligence in Business: Concepts and Cases. Cham, Switzerland: Springer Nature Switzerland AG, https://doi.org/10.1007/978-3-031-05740-3

Elastic: Search More, Spend Less. [Електронний ресурс]. Режим доступу: https://www.elastic.com (дата звернення 02.02.2023)

Excel Specifications and Limits. [Електронний ресурс]. Режим доступу: https://support.microsoft.com/en-us/ office/excel-specifications-and-limits-1672b34d-7043-467e-8e27-269d656771c3 (дата звернення 02.02.2023) Explainable AI: Foundations, Methodologies and Applications. (2023). Cham: Springer Nature Switzerland

AG. https://doi.org/10.1007/978-3-031-12807-3

Fox, R. (2021). Information Technology: An Introduction for Today's Digital World. Boca Raton, FL: CRC Press.

Fraud in Communications. SAS Report. (2016).

Gupta, I., Nagpal, G. (2020). Artificial Intelligence and Expert Systems. Dulles, VA: David Pallai.

Haigh, T., Ceruzzi, P.E. (2021). A new history of modern computing. Cambridge, Massachusetts: The MIT Press.

Han, S., Hu, X., Huang, H., Jiang, M., Zhao, Y. (2022). ADBench: Anomaly Detection Benchmark. arXiv:2206.09426 [cs.LG]. https://doi.org/10.48550/arXiv.2206.09426

House MD. (2004-2012). [Електронний ресурс]. Режим доступу: https://www.imdb.com/title/tt0412142 (дата звернення 02.02.2023)

IBM Watson Discovery. [Електронний ресурс]. Режим доступу: https://www.ibm.com/cloud/watson- discovery (дата звернення 02.02.2023)

Information Technology for Management: On-Demand Strategies for Performance, Growth and Sustainability. (2018).

Introduction to Search with SPHINX. [Електронний ресурс]. Режим доступу: http://sphinxsearch.com (дата звернення 02.02.2023)

Kangra, K., Singh, J. (2023). Explainable Artificial Intelligence: Concepts and Current Progression, in: Explainable Edge AI: A Futuristic Computing Perspective. Cham, Switzerland: Springer Nature Switzerland AG, 1-17. https://doi.org/10.1007/978-3-031-18292-1 1

Kobis, N., Starke, C., Rahwan, I. (2021). Artificial Intelligence as an Anti-Corruption Tool (AI-ACT) - Potentials and Pitfalls for Top-down and Bottom-up Approaches. https://doi.org/10.48550/arXiv.2102.11567

Kobis, N., Starke, C., Rahwan, I. (2022). The promise and perils of using artificial intelligence to fight corruption. Nature Machine Intelligence, 4(5), 418-424. https://doi.org/10.1038/s42256-022-00489-1

Lawless, C. (2022). Forensic Science: A Sociological Introduction. Oxon: Routledge, https://doi. org/10.4324/9781003126379

Leonard-Barton, D., Sviokla, J. (1988). Putting Expert Systems to Work. [Електронний ресурс]. Режим доступу: https://hbr.org/1988/03/putting-expert-systems-to-work (дата звернення 02.02.2023)

Lie to Me. (2011-2013). [Електронний ресурс]. Режим доступу: https://www.imdb.com/title/tt1235099 (дата звернення 02.02.2023)

Managing Machine Learning Projects in International Development: a Practical Guide. (2022). Innovation, Technology, and Research Hub at USAID. [Електронний ресурс]. Режим доступу: https://www.usaid. gov/sites/default/files/2022-05/Vital Wave USAID-AIML-FieldGuide F (дата звернення 02.02.2023) Next-generation AML: 6 Tips to Modernize Your Fight Against Money Laundering. SAS Report. (2023).

[Електронний ресурс]. Режим доступу: https://www.sas.com/en/whitepapers/next-generation- aml-110644.html (дата звернення 02.02.2023)

Odilla, F. (2023). Bots Against Corruption: Exploring the Benefits and Limitations of AI-based Anti-corruption Technology. Crime, Law and Social Change. https://doi.org/10.1007/s10611-023-10091-0

Odilla, F., Veloso, C. (2021). Citizens and their bots that sniff corruption: Using digital media to expose politicians who misuse public money. ECPR 2021 General Conference. 30 August-3 September 2021, 1-18. [Електронний ресурс]. Режим доступу: https://sbap.org.br/ebap/index.php/home/article/ view/315/311 (дата звернення 02.02.2023)

Power Your Website with the World's Best Search. [Електронний ресурс]. Режим доступу: https://www.yext. com (дата звернення 02.02.2023)

Responsible Artificial Intelligence: Challenges for Sustainable Management. (2023). Cham, Switzerland: Springer Nature Switzerland AG. https://doi.org/10.1007/978-3-031-09245-9

Rose-Ackerman, S., Palifka, B.J. (2016). Corruption and Government: Causes, Consequences, and Reform.

Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9781139962933

SearchUnify for Sales & Customer Service. [Електронний ресурс]. Режим доступу: https://www.searchunify. com (дата звернення 02.02.2023)

Smith, M.L. (1994). Accounting Expert Systems. [Електронний ресурс]. Режим доступу: http://archives. cpajournal.com/old/16458936.htm (дата звернення 02.02.2023)

Solr is the popular, blazing-fast, open source enterprise search platform built on Apache Lucene. [Електронний ресурс]. Режим доступу: https://lucene.apache.org/solr (дата звернення 02.02.2023)

Thakare, A.D., Laddha, S., Pawar, A. (2023). Hybrid Intelligent Systems for Information Retrieval. Boca Raton: CRC Press. https://doi.org/10.1201/9781003187974

The flexible AI-powered Search & Discovery platform. [Електронний ресурс]. Режим доступу: https://www. algolia.com (дата звернення 02.02.2023)

TheMentalist. (2008-2015). [Електронний ресурс]. Режим доступу: https://www.imdb.com/title/tt1196946 (дата звернення 02.02.2023)

Tracy K.W. 2021. Software: A Technical History. ACM Books. https://doi.org/10.1145/3477339

VanderPlas, J. (2023). Python Data Science Handbook: Essential Tools for Working with Data. Sebastopol, CA: O'Reilly Media, Inc.

Vanneschi L., Silva S. (2023). Lectures on Intelligent Systems. Cham: Springer Nature Switzerland AG. https:// doi.org/10.1007/978-3-031-17922-8

Vendor Analysis: SAS Trade-based Anti-Money Laundering Solutions. SAS Report. (2022).

Ковтун, Н. (2011). Методи індикативної оцінки можливого шахрайства у фінансовій сфері. Вісник КНУ імені Тараса Шевченка. Серія «Економіка», 123, 11-15. / Kovtun, N. (2011). Metody indykatyvnoi otsinky mozhlyvoho shakhraistva u finansovii sferi [Methods of indicative assessment of possible fraud in the financial sphere]. VisnykKNUimeni Tarasa Shevchenka. Seriia «Ekonomika», 123, 11-15.

Окунєв, О.Й., Бойко, О.І., Лукін, С.Ю. (2018). Антикорупційний комплаєнс: посібник для програми з підготовки осіб, відповідальних за реалізацію антикорупційної програми. К.: ПАКУ, ЦМИН (CIPE). / Okuniev, O.Y., Boiko, O.I. & Lukin, S.Y. (2018). Antykoruptsiinyi komplaiens: posibnyk dlia prohramy z pidhotovky osib, vidpovidalnykh za realizatsiiu antykoruptsiinoi prohramy [Anti-corruption compliance: a guide for the training program for persons responsible for the implementation of the anticorruption program]. K.: PAKU, Tsentr mizhnarodnoho pryvatnoho pidpryiemnytstva (CIPE).

Приходько, А.А. (2020). Адміністративно-правове забезпечення запобігання та протидії корупції в Україні за умов євроінтеграції: дис. д-ра юр.наук: 12.00.07. Київ. / Prykhodko, A.A. (2020). Administratyvno-pravove zabezpechennia zapobihannia ta protydii koruptsii v Ukraini za umov yevrointehratsii [Administrative and legal support for preventing and countering corruption in Ukraine under the conditions of European integration: dissertation].: dis. d-ra yur.n.k: 12.00.07. Kyiv.

Размещено на Allbest.ru