Концептуальна модель застосування штучного інтелекту у процесах прийняття рішень на основі управління даними

Размещено на http://allbest.ru

Київський національний університет імені Тараса Шевченка

Навчально-наукового інституту публічного управління та державної служби

Концептуальна модель застосування штучного інтелекту у процесах прийняття рішень на основі управління даними

Бугай Ольга Вікторівна аспірантка кафедри регіональної політики



Анотація

У статті вивчено зарубіжні літературні джерела та проаналізовано погляди дослідників щодо процесів прийняття управлінських рішень, заснованих на даних, у публічному управлінні; обґрунтовано доцільність моделювання управління даними із застосуванням штучного інтелекту в контексті територіального відновлення та розвитку, характеризуючи ключові позиції у межах сфери публічного управління, а саме: цілі даніфікації у публічному управлінні; можливості використання даних у публічному управлінні; роль «перекладача» в управлінні даними в публічному управлінні; прозорість та участь громадськості; проблеми у використані даних в процесі прийняття рішень у публічному управлінні; можливості та обмеження візуалізації даних.

Зазначено, що сучасні проблеми часто мають глобальний характер. Система управління даними може служити платформами для спільної роботи, обміну даними та прийняття спільних рішень між різними рівнями врядування.

Представлено спільні та відмінні характеристики підходів у таблиці Матриця характеристик «Управління даними», «Управління знаннями» та «Управління штучним інтелектом». Обгрунтовано, що управління штучним інтелектом доповнює та поглиблює аналітичні можливості на основі управління даними та управління знаннями.

Зазначено, що ключові переваги у е-врядуванні, а саме: підвищення компетентності уряду, підвищення якості публічних послуг залежать від реалізації сучасної тенденції управління знаннями, фундаментом якої є управління даними та процесів цифровізації. Зауважено, що однією із найбільш актуальних проблем використання даних у публічному управлінні є відсутність значного рівня професійних компетенцій у тих, хто приймає рішення, щоб максимально використовувати ті можливості, які зараз надає для публічного управління наука про дані.

Запропоновано та розроблено концептуальну модель застосування штучного інтелекту в процесах прийняття управлінських рішень на основі управління даними на рівні місцевого самоврядування щодо територіального відновлення та розвитку.

Ключові слова: публічне управління, місцеве самоврядування; е- врядування, управління даними, управління знаннями, інструменти штучного інтелекту, територіальне відновлення; розвиток територій; професійна компетенція, цифровізація, процес; прийняття управлінських рішень.



Abstract

Conceptual model of artificial intelligence application in data management decision-making processes

Buhai Olga Victorivna Postgraduate student, Department of Regional Policy, Educational and Scientific Institute of Public Administration and Civil Service, Taras Shevchenko University of Kyiv

The article examines foreign literary sources and analyzes the views of researchers on data-based decision-making processes in public administration; feasibility of modeling data management with the use of artificial intelligence in the context of territorial recovery and development, characterizing key positions within the scope of public administration, namely: the goals of danification in public administration; the possibility of using data in public administration; the role of the "translator" in data management in public administration; transparency and public participation; problems in the data used in the decision-making process in public administration; data visualization capabilities and limitations.

It is noted that modern problems are often global in nature. A data management system can serve as platforms for collaboration, data exchange, and shared decision-making between different levels of governance.

The general and distinctive characteristics of the approaches are presented in the Matrix of characteristics "Data management," "Knowledge management" and "Artificial intelligence management."

It is substantiated that management of artificial intelligence complements and deepens analytical capabilities based on data management and knowledge management.

It is specified that the key advantages in e-governance, namely: increasing the competence of the government, improving the quality of public services depend on the implementation of the modem trend of knowledge management, the foundation of which is data management. It is noted that one of the most urgent problems of using data in public administration is the lack of a significant level of competence among decision-makers in order to maximize the opportunities that data science now provides for public administration.

A conceptual model for the use of artificial intelligence in the processes of managerial decision-making on the basis of data management at the level of local self-government on territorial recovery and development has been proposed and developed.

Keywords: public administration, local government; e-governance, data management, knowledge management, artificial intelligence tools, territorial recovery; development of territories; professional competence, digitalization, process; making management decisions.



Вступ

Постановка проблеми. В умовах зовнішньої загрози, нестабільності економічних, соціальних та політичних процесів, технологічних можливостей, цифровізації, глобальної залежності від світового порядку актуалізується пошук нових концептуальних підходів, інструментів. Одним з таких підходів є обгрунтування та розробка концептуальної моделі прийняття рішень на основі технології «даніфікації». Термін «даніфікація» у 2013 у публічний обіг ввели Cukier і Mayer-Schoenberger [1], описуючи технологічну тенденцію оцифрування всіх галузей життя та перетворення їх в обчислювані дані, які трансформуються в інформацію як нову форму цінності. публічний штучний інтелект управління

Новітні технологічні підходи до прийняття рішень із застосуванням штучного інтелекту (далі - ШІ) на основі управління даними із застосуванням інструментів штучного інтелекту уможливлять оптимізацію процесів територіального відновлення та розвитку, зменшуючи час і зусилля, необхідні для відновлення інфраструктури. Управління територіальним відновленням не повинно бути тільки реактивним, а більш скоординованим між усіма рівнями врядування, спрямованим на стійкість територій та згуртованість громади. Саме тому прийняття ефективних публічно- управлінських рішень є важливе та водночас складне завдання для осіб, що приймають рішення. Зокрема, «розумне» управління даними суб'єктами прийняття рішень в реальному часі сприятиме адаптації стратегії відновлення та розвитку до нових умов. Розробка та імплементація концептуальної моделі прийняття рішень із застосуванням штучного інтелекту, яка враховує специфіку територіального відновлення сприяла б позитивним результатам в управлінському середовищі.

Аналіз останніх досліджень і публікацій. Тематиці штучного інтелекту присвячені роботи таких зарубіжних дослідників, як N. Reid, M. Arnaboldi, G. Azzone. Наукові доробки щодо ефективності прийняття рішень органами влади заснованих на даних висвітлює M. Currie, W. Espeland, M. Maciejewski. Водночас особливо активно розглядається зарубіжною науковою спільнотою проблематика управління даними K. Cukier, X. Meng, J. Shi, X. Wang, G. Wilson, L. Sharples. Серед науковців, що описують цифрову політику можна назвати N. Rose, A. Townsend, K. Desouza. На зв'язок між управління даними і управління знаннями у своїх роботах вказують Z. Zhou, F. Gao, T. Lauriault, R. Kitchin та ін. Однак, зважаючи на сучасні події, пошук нових концептуальних моделей застосування штучного інтелекту у процесах прийняття рішень, заснованих на даних, у сфері публічного управління (далі - ПУ) щодо територіального відновлення, залишаються одними з найв ажливіших.

Мета статті - розробка Концептуальної моделі застосування штучного інтелекту у процесах прийняття рішень на основі управління даними, адаптованої до непередбачуваних викликів та наявних можливостей задля територіального відновлення та подальшого розвитку.

Досягнення мети можливе при виконанні наступних завдань: вивчення зарубіжних літературних джерел та аналіз поглядів дослідників щодо процесів прийняття рішень, заснованих на даних, у ПУ; обгрунтування доцільності моделювання застосування інструментарію ШІ у процесах прийняття публічно-управлінських рішень на основі управління даними в контексті територіального відновлення та розвитку; обгрунтування похідного взаємозв'язку між трьома підходами: управління даними, управління знаннями, управління ШІ; авторська розробка моделі.



Виклад основного матеріалу

Актуальним із теоретичної та прикладної точки зору є розробка Концептуальної моделі застосування штучного інтелекту у процесах прийняття рішень на основі даних у публічному управлінні.

При цьому моделювання, як метод наукових досліджень, дає змогу виробити необхідні конфігурації на певному «аналогу» дійсності, не зачіпаючи реальні процеси.

Вочевидь, перед здійсненням математичного чи будь-якого іншого виду конкретного моделювання досліджуваних нами процесів, необхідно здійснити обґрунтування концептуальної моделі, яка би дала змогу виявити глибинні, сутнісні взаємовпливи між фазами циклу прийняття управлінських рішень; ключовими суб'єктами, роль яких для кожного кроку алгоритму є визначальною; потенційними можливостями, обмеженнями та загрозами, притаманним впливам зовнішніх та внутрішніх середовищ на стійкий розвиток територій.

Найбільш актуальним у сучасних дослідженнях є такий погляд на науку про дані як сукупність математичного та статистичного моделювання, масштабні обчислення, візуалізації даних у тісній співпраці із сферами їх застосування та підкресленням важливості глибокого залучення до теми фахівців із тих галузей, де мають бути прийняті та впроваджені рішення [2], [3]. У рамках науки про дані окремо виділяють такі підходи до роботи з даними як машинне навчання (Machine Learning, ML), глибинне навчання (Deep Learning, DL) та штучний інтелект (Artificial Intelligence, AI). Машинне навчання можна визначити як підгалузь інформатики з чіткою програмою досліджень та відносно довгою історією [4]. Глибинне навчання стосується як обчислювальних, так і моделюючих аспектів нейронних мереж зі складною архітектурою. Власне, глибинне навчання стало проривом, який призвів до швидкого вдосконалення розпізнавання голосу, обробки природної мови та аналізу зображень.

Штучний інтелект, у принципі, є більш широким, але нечітким поняттям, яке зазвичай використовується для опису обчислювальних методів, які черпають натхнення з вивчення людського інтелекту та може вміщувати в себе технології машинного та глибинного навчання [4].

«І якщо раніше найбільш «інтелектуальними» були засоби аналітики із вбудованими технологіями ШІ, то сучасні тенденції вимагають застосування систем ШІ у корпоративних додатках - систем ERP, CRM, кадрового менеджменту, офісних пакетів тощо» [5].

Підтримуємо думку сучасних дослідників про те, що актуальним є питання складності структури даних, проблеми їх збирання та управління, а також використання у прийнятті рішень та прогнозування у ПУ, бізнесі, охороні здоров'я, транспорті, логістиці тощо [6].

Ще у 1991 році Н. Роуз [7] описував «цифровізацію політики», коли числа набувають влади в сучасному політичному житті, і «політику чисел», оскільки саме числові значення представляються найбільш об'єктивними для формування публічної політики та управління ресурсами.

У даному контексті доречно назвати приклад про вплив даних з міських цифрових систем на формування політики, з екологічних датчиків, вуличних камер, даних з веб-сторінок органів місцевої влади, соціальних мереж, даних з машинного зчитування карток з пільгами, посвідчень особи, даних зворотнього зв'язку містян через онлайн-форми.

У наукових дослідженнях є свідчення про те, що адміністрації міст використовують дані для більш ефективного, інтегрованого та сталого урбанізму, використовуючи алгоритми для вирішення складних інфраструктурних та соціальних проблем, починаючи від управління трафіком та відходами, закінчуючи скороченням використання водних ресурсів та вирішенням проблем з безпритульністю та злочинністю [8].

Дослідники з різних галузей науки акцентують свою увагу не лише на можливостях і перспективах, які виникають внаслідок зростання кількості даних та способів їх обробки, але й на викликах, які постають водночас. Зокрема, мова йде про відтворюваність досліджень у науці про дані [9]; комунікаційні підходи щодо роботи з даними та результатами їх обробки включно з візуалізацією.

Особливо це стосується відповідальності дослідників у тому, що стосується інформуваннях осіб та інституцій, які приймають рішення та напрацьовують й впроваджують політики [10], [11]; конфіденційність та право на приватність, що стосується усіх етапів роботи з даними: від збирання та обробки до оприлюднення результатів та повторного використання.

Серед науковців, які мають інший погляд на проблему даніфікацію є Р. Кітчин, який вважає, що надмірне захоплення управлінням на основі даних є, швидше, «наївністю інструментальної раціональності» [12].

І хоча введення кількісних індикаторів або використання дашбордів у реалізації політик, зокрема місцевих, має на меті покращити продуктивність, прозорість публічної політики, але, разом із тим, такий підхід залишається відкритим для маніпулювання громадською думкою у власних інтересах, а його якість може страждати через невизначені методології роботи з даними та технічні обмеження.

Важливим у контексті досліджуваної теми є зв'язок між управління даними і управління знаннями. Дослідники підкреслюють, що ключовими перевагами у е-урядуванні є: підвищення компетентності уряду, підвищення якості публічних послуг, розвиваючи ідею про те, що успіх у визначених напрямках залежить від управління знаннями, які утворюються внаслідок управління даними [13].

Разом із тим, слід зазначити, що критичне розуміння даних визнає, що дані не існують незалежно від ідей, інструментів, практики, контекстів, знань та систем, що використовуються для їх створення, обробки та аналізу, незалежно від того, як вони часто подаються у такий спосіб [14]. Дані генеруються як продукт багатьох умів, що працюють у різних ситуаціях, оформляються та формуються в контекстах та структурах.

Дані та взаємодія з ними утворюють складні соціально-технічні системи, які не просто відображають світ, а активно його виробляють [12]. На основі проведеного наукового пошуку залежностей між підходами представимо отримані результати у вигляді таблиці.

Управління даними, управління знаннями та управління штучним інтелектом є важливими аспектами в інформаційних технологіях. Однак підходи відрізняються за своїм призначенням та функціональністю.

Таким чином, можна стверджувати, що управління штучним інтелектом доповнює та поглиблює аналітичні можливості, що надаються управлінням даними та управлінням знаннями.

Теодор Портер стверджує, що поширення технологій кількісного аналізу даних ґрунтується на чіткому дотриманні правил (алгоритмів), і цей тип раціональності та об'єктивності є найціннішим, оскільки рішення можуть враховувати розрізненість, різноманітність групи; бути публічним, деполітизованими, а отже, легше досягати і політичного консенсусу та формувати довіру громадян [15].

Використання даних у прийнятті рішень у ПУ нерозривно пов'язане з е-урядуванням і як зі способом генерування даних, так і зі способом використання даних у прийнятті рішень. При цьому цифровий ландшафт, постійно та швидко змінюється, а дослідники прагнуть осмислити, як інноваційні цифрові рішення впливають на трансформацію соціальної, політичної та економічної сфер [16].

На наше глибоке переконання, характеристика п'яти ключових позицій у межах сфери ПУ, а саме: 1) цілі даніфікації у ПУ; 2) можливості використання даних у ПУ; 3) роль «перекладача» в управлінні даними в ПУ; 4) візуалізація даних: можливості та обмеження; 5) проблеми у використані даних в процесі прийняття рішень у ПУ уможливить побудову релевантної концептуальної моделі.

I. Цілі даніфікації у публічному управлінні. Найчастіше у ПУ збирання та аналіз даних використовуються для:

• діагностики та напрацювання механізмів її подолання із множини варіантів вибору - розробки політики [17];

• моніторингу для планування публічної політики на національному та локальному рівнях [18];

• прогнозування (появи нових викликів та можливостей) [19].

Таблиця 1.

Матриця характеристик «Управління даними», «Управління знаннями» та «Управління штучним інтелектом»

Управління даними	Управління знаннями	Управління штучним інтелектом
	Основні цілі
Ефективне зберігання, обробка, аналіз та забезпечення доступу до даних.	Збір, організація, аналіз та поширення знань в організації, продукування нових знань.	Використання алгоритмів, моделей та інтелектуальних систем для автоматизації завдань, ПР та розв'язання складних проблем.
	Основні функції
Збір, зберігання, обробка, аналіз структурованих і неструктурованих даних.	Ідентифікація, створення, зберігання, розповсюдження та використання знань.	Розробка та тренування моделей машинного навчання, обробка природної мови та інші аспекти ШІ.
Основні напрями використання підходів
Орієнтований на оптимізацію процесів зберігання та обробки інформації для ефективного використання даних у різних аспектах діяльності організації	Спрямований на те, щоб сприяти процесам створення, обміну та використання знань серед колективу організації для підтримки прийняття рішень та інновацій	Зосереджений на автоматизацію процесів, вирішення завдань та роботі з великими обсягами даних для отримання нових ідей та можливостей.
	Спільні характерні підходи
Управління даними надає аналітичні дані, в той же час, управління знаннями забезпечує вірне інтерпретування цих даних, враховуючи контекст та досвід користувачів. З впровадженням управління штучним інтелектом аналіз даних стає більш інтелектуальним та динамічним.
Управління даними надає основу для зберігання та обробки різноманітних даних, в той час як управління знаннями допомагає трансформувати ці дані в знання, доступне для прийняття рішень. Водночас, управління штучним інтелектом впроваджує алгоритми та моделі, щоб аналізувати великі обсяги даних, розробляти прогнози та виділяти складні взаємозв'язки, сприяючи прийняттю інтелектуальних рішень.
Управління штучним інтелектом вносить елемент автоматизації та розуміння контексту в управління даними та знаннями. Алгоритми машинного навчання можуть виявити патерни в даних, надаючи додаткові можливості для прогнозування та оптимізації рішень.
Представлені аспекти сприяють розвитку культури, в якій інформація та знання, штучний інтелект цінуються, сприяють інноваціям та допомагають організації адаптуватися до змінного, непередбачуваного середовища.

Джерело: авторська розробка.

Однією із найбільш актуальних проблем використання даних у ПУ є відсутність значного рівня компетенцій у тих, хто приймає рішення, щоб максимально використовувати ті можливості, які зараз надає для публічного управління наука про дані [20].

Це стосується і, так званих, «м'яких навичок», включаючи лідерство та комунікативні компетенції, так і «жорстких навичок», зокрема, розуміння алгоритмічних підходів та інших технічних особливостей.

До нетехнічних проблем використання даних у публічному управлінні відносимо недовіру до даних.

Варто зауважити, що вимоги політиків та покращення якості аналітичних даних, що лежать в основі прийняття рішень, є надзвичайно важливими для перетворення потенційних переваг науки про дані, що застосовуються до державної політики, у реальні активи.

II. Можливості використання даних у публічному управлінні. У дослідженні [21] визначені ті можливості, які отримує Пу внаслідок впровадження до процесів прийняття управлінських рішень роботи з даними шляхом використання різних інструментів.

Вчені виділили 3 ключових напрямки, у яких робота з даними у ПУ із застосуванням ШІ може бути найбільш результативною: ефективність, прозорість та інновації.

1. Ефективність публічного управління може досягатись та зростати за рахунок впровадження аналітики даних для вдосконалення практики управління та прийняття рішень через формування політик та контроль над витратами публічних коштів [22].

Наприклад, в Індонезії дані з однієї з соціальних мереж використовуватись для прогнозування рівня інфляції шляхом аналізу повідомлень у реальному часі цін на рис [23]. У США визначали незаконні перепланування приміщень за допомогою аналізу опосередкованих показників, що вказували на перевищення прогнозованої кількості мешканців у приміщенні [18].

Рис.1 Ключові напрямки роботи з даними у сфері публічного управління із застосуванням інструментарію ШІ [21]

Крім цього, перехресне поєднання даних з різних джерел може бути використане для визначення неочевидних закономірностей та виділення значущої інформації, яка може бути трансформована у знання [24]. Кластеризація та класифікація великих даних може дозволити державним органам швидше визначати проблемні питання у законодавчому забезпеченні своїх процесів або їх інструментальному втіленні й швидше та на упередження керувати запитами громадян. Такий підхід міг би дозволити сформувати уявлення про е-урядування як багатокомпонентну та динамічну систему, у якій аналітичні інструменти, описова та прогнозна аналітика стали би частиною процесу ПУ. Також існують дослідження, які вказують на те, що використання технологій, які узагальнено називають штучним інтелектом, сприяє підвищенню ефективності ПУ [25].

2. Прозорість та участь громадськості. Прийняття рішень на основі даних у ПУ, може сприяти не лише підвищенню якості надання публічних послуг, але й за рахунок відкритості різноманітних наборів даних стати забезпечити вищий рівень прозорості прийняття рішень та вищий рівень підзвітності влади громадянам [26].

Крім цього, муніципалітети, оприлюднюючи проекти публічних дашбордів з візуалізацією даних, представляють їх як демократичні та зорієнтовані на залучення громадян до участі у певних заходах. Як наприклад, карта чистих вулиць у Лос-Анджелесі, коли мешканці могли повідомляти про стан чистоти та вивезення сміття у своїх кварталах, що свідчить про зворотній зв'язок між адміністрацією міста та громадянами [27].

Незважаючи на це, В. Еспеланд вважає, що технології раціонального прийняття рішень у цілому змінили спосіб, у який громадяни можуть бути допущені до прийняття рішень у ПУ [28]. У своїй роботі дослідник протиставляє прийняття рішень на основі даних як сучасний і раціональний підхід традиційному - за участю експертів, які зацікавлені, у першу чергу, в збереженні своєї монополії на експертизу, якій можуть перешкоджати демократичні процедури врахування інтересів широкого кола громадян.

3. Інновації. Прийняття рішень, заснованих на даних, у ПУ потребують різних технологічних можливостей, які можуть бути у розпорядженні різних стейкхолдерів, кожен із яких може мати переважаючу експертизу на різних рівнях: політичному, стратегічному, організаційному, технічному, управлінському [29].

Важливим кроком у інноваціях на рівні місцевого самоврядування можуть бути «розумні міста» (смарт-місто, smart city) [30]. Міста стають складнішими завдяки трансформаційному впливу електронних інструментів, що водночас могло би бути використане для вирішення проблем міст, наприклад, організації транспортних мереж або енергоефективності та енергоменеджменту. Підхід Smart Cities сильно корелює з технологіями великих даних [22]. Деякі приклади таких застосунків, як «Розумна освіта», «Розумні світлофори» та «Розумна мережа» [31]. Також оприлюднення даних у форматі відкритих даних сприяють розвитку підприємництва, інновацій та послуг, орієнтованих на громадян, але розроблених незалежними від влади вендорами [32].

III. Роль «перекладача» в управлінні даними в публічному управлінні. У дослідженні Арнаболді та Аззоне виділені дві найпоширеніші практики, які застосовуються аналітиками даних - фільтрування та обрамлення. Процес фільтрації полягає в тому, після збору даних до них застосовуються певні прийоми відбору, які опрацьовують атрибути та властивості даних. Внаслідок таких перетворень дані трансформуються в інформацію, а згодом - у знання, і стають доступними для опрацювання суб'єктами прийняття рішень.

Процес обрамлення відбувається шляхом введення даних у контекст і після цього, у формі, доступній для сприйняття, надається для прийняття рішень [33]. Роль «перекладача» у використанні науки про дані у прийнятті рішень у ПУ найчастіше реалізовується у таких випадках: коли політична потреб є невизначеною, коли для збору та аналізу даних необхідна більш тісна та продуктивна взаємодія між різними стейкхолдерами.

Крім того, функція «перекладача» полягає у забезпеченні безперервного та повного постачання необхідних даних, сприянні взаємодії між розпорядниками даних та замовниками розробки політик щодо узгодження доступу до даних, дотримання законодавчих, збереження даних із врахування кібербезпеки [34].

IV. Візуалізація даних: можливості та обмеження. Окремо варто зупинитись на неочевидній функції візуалізації даних - впливу на сприйняття. Внаслідок поширення підходів «розумного міста» вчені критично подивились на те, як такі міста, як Лондон, Нью-Йорк і Сан-Франциско, перейшли на динамічні інформаційні панелі та міські показники, відображені як карти та графіки, з метою допомоги у прийнятті рішень щодо обслуговування та політики [35].

Неочевидним впливом такої візуалізації Е. Рупперт [36] назвав оприлюднення недостовірних даних, що може ставати причиною і поштовхом до динамічної зміни суспільних процесів. Водночас, С. Перкінз вказує на те, що візуалізація аналітичних даних - це «інструмент влади», який демонструє обґрунтованість своєї політики [37].

V. Усі візуалізації даних є абстракціями та певними спрощеннями. Розуміння того, що візуалізація даних має свої обмеження і ненавмисно «приховує» всю багатоаспектність та складність території, може дозволити більше зосередитись на інструментальній функції залежно від цілі політики, аніж на перфомативній.

VI. Проблеми у використані даних у прийнятті рішень у публічному управлінні. Прийняття рішень, заснованих на даних, у ПУ стикається з кількома типами проблем, включаючи безпеку та конфіденційність даних, інтероперабельність, захист персональних даних тощо. Найбільш поширені проблеми, які стоять перед ПУ можна згрупувати за 4 напрямками: культурні та політичні, технічні, захист і безпека приватності та персональних даних, ефективний менеджмент даних [21].

1.Культурні та політичні проблеми. Незважаючи на зростання ролі технологій у повсякденному житті, ПУ стикається із проблемами у впровадженні нових підходів в усталені процеси. Наприклад, використання даних у державному органі може бути спрямоване для посилення контролю за внутрішніми процесами в органі [18].

Крім цього, перешкодами у відриті даних можуть бути непевність публічних службовців у якості, точності та відсутності помилок у даних, що мають бути оприлюднені [38], [21], [18]. Варто зазначити, що культурні перешкоди впливають на управління персоналом у публічній сфері. Навчання публічних службовців аналізу даних може не входити до пріоритетів уряду [39]. Крім того, дані не можуть бути перетворені на знання в руках недосвідчених людей. Помилкові уявлення та неправильне тлумачення результатів аналізу даних можуть негативно вплинути на прийняття політичних рішень [40].До того ж, одним із чинників, що може стояти на заваді більш широкому використанню даних у прийнятті рішень у ПУ є рівень залученості громадян до інноваційних ініціатив у публічні сфері, оскільки значна їх частина все ще не є залученою до цифрових продуктів та сервісів [41], до процесів цифровізації.

2.Технічні проблеми. Однією із найбільш поширених технічних проблем для широкого впровадження аналізу даних у ПУ є різноманіття джерел їх генерування та форматів, у яких збираються та зберігаються дані, у тому числі з різних мобільних пристроїв та датчиків. Поки що існуючі інструменти не є універсальними для обробки різних типів згенерованих даних, а уніфікація та стандартизація даних вимагає додаткових ресурсів: технічних і часових [22].

3.Захист персональних даних - питання конфіденційності та безпеки знаходяться не лише у технологічній площині, але й у політичній. І більшість норм національних законодавств, і регуляторні норми на рівні ЄС прямо вказують на необхідність захисту персональних даних та визначають, що до них належить [42].

4. Ефективний менеджмент даних. Проблема ефективного менеджменту даних полягає в тому, що більшість даних є неструктурованими та можуть бути представленими у вигляді фото, відео, аудіофайлів, які необхідно додатково перетворювати для відповідного аналізу та використання [31]. Незважаючи на те, що сучасні ІКТ можуть бути доступними для використання публічними службовцями, проблемою для них може залишатись визначення сфери потенційного застосування та імплементація аналізу даних до рутинних процедур.

На основі проведеного аналізу побудовано та представлено «Концептуальну модель прийняття рішень із застосуванням штучного інтелекту на основі управління даними».



Рис. Концептуальна модель застосування штучного інтелекту у процесах прийняття рішень на основі управління даними Умовні позначення моделі:

ГМ - глобальна мережа

ІШІ- інструменти штучного інтелекту

ПУ - публічне управління

САН - система автоматичного навчання

Дана модель характеризується логічною послідовністю здійснюваних етапів прийняття рішення, де першим етапом є ідентифікація проблеми, а кінцевим - імплементація публічно-управлінського рішення. Варто зазначити,що дана модель є циклічною.

На прикладі представленої моделі можна помітити вплив зовнішніх та внутрішніх факторів. Акцентовано увагу на можливостях використання інструментів штучного інтелекту на основі даних у сфері публічного управління, інноваційний технологічний підхід, виокремлено загрози, обмеження, проблеми використання даних у окрему позицію. Слід наголосити, що від наявного ресурсного потенціалу, професійних компетенцій органів влади, потенціалу громади, залежатиме результативність і ефективність процесу відновлення та подальшого розвитку територій на рівні місцевого самоврядування.



Висновки

Вивчено зарубіжні літературні джерела та проаналізовано погляди дослідників щодо застосування штучного інтелекту у процесах прийняття рішень, заснованих на даних, у публічному управлінні; обґрунтовано доцільність моделювання управління даними в публічному управлінні в контексті територіального відновлення та розвитку; обґрунтовано похідний зв'язок між підходами: управління даними, управління знаннями та управління штучним інтелектом; представлено авторську розробку «Концептуальної моделі застосування штучного інтелекту в процесах прийняття рішень на основі управління даними».

Узагальнюючи, можна стверджувати, що актуальність застосування штучного інтелекту в процесах прийняття рішень з метою територіального відновлення та розвитку полягає в потенціалі оптимізації процесів прийняття рішень, зменшенні ризиків, врахуванні економічних, екологічних та соціокультурних факторів, та сприянні стійкому розвитку територій, що є критично необхідним в умовах сьогодення. Розв'язання цих наукових та практичних завдань в подальшому відкриє шлях до інноваційного та адаптивного управління територіальним відновленням, сприяючи стійкому розвитку територій.



Література

1. Cukier, K., & Mayer-Schoenberger, V. (2013). The Rise of Big Data. In (pp. 28-40). Foreign Affairs.

2. Shi, J. Q. (2018). How do statisticians analyse big data - Our story [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 130-133. https://doi.org/10.1016/j.spl.2018.02.043

3. Meng, X. L. (2018). Conducting highly principled data science: A statistician's job and joy [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 51-57. https://doi.org/ 10.1016/j .spl.2018.02.053

4. Reid, N. (2018). Statistical science in the world of big data. In (Vol. 136, pp. 42-45). Statistics & Probability Letters.

5. Artificial intelligence technologies. URL: https://cit-program.com/artificial-intelligence- technologies/

6. Wang, H., Xu, Z., & Liu, S. Towards Felicitous Decision Making: An Overview on Challenges and Trends of Big Data. In (Vol. 367): Information Sciences.

7. Rose, N. (1991). Governing by numbers: Figuring out democracy. In (Vol. 16 (7), pp. 673-692). Accounting, Organizations and Society.

8. Townsend, А. (2014). Smart Cities: Big Data, Civic Hackers, and the Quest for a New Utopia. W. W. Norton Company.

9. Wilson, G., Bryan, J., Cranston, K., Kitzes, J., Nederbragt, L., & Teal, T. K. (2017). Good enough practices in scientific computing [Article]. Plos Computational Biology, 13(6), 20, Article e1005510. https://doi.org/10.1371/journal.pcbi.1005510

10. Azzone, G. (2018). Big data and public policies: Opportunities and challenges [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 116-120. https://doi.org/10.1016/j.spl. 2018.02.022

11. Sharples, L. D. (2018). The role of statistics in the era of big data: Electronic health records for healthcare research [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 105-110. https://doi.org/10.1016/j.spl.2018.02.044

12. Kitchin, R., Lauriault, T. P., & McArdle, G. (2015). Knowing and governing cities through urban indicators, city benchmarking and real-time dashboards [Article]. Regional Studies Regional Science, 2(1), 6-28. https://doi.org/10.1080/21681376.2014.983149

13. Zhou, Z., & Gao, F. (2007). E-government and Knowledge Management. In (Vol. 7 (6), pp. 285-289). International Journal of Computer Science and Network Security.

14. Lauriault, T. (2012). Data, Infrastructures and Geographical Imaginations Carleton University]. Ottawa, Ontario. https://curve.carleton.ca/7eb756c8-3ceb-4929-8220-3b20cf3242cb

15. Porter, R. (1997). Trust in numbers. The pursuit of objectivity in science and public life - Porter,TM [Book Review]. English Historical Review, 112(447), 822-822.

16. Alvarenga, A., Matos, F., Godina, R., & Matias, J. C. O. (2020). Digital Transformation and Knowledge Management in the Public Sector [Article]. Sustainability, 12(14), 24, Article 5824. https://doi.org/10.3390/su12145824

17. Maciejewski, M. (2017). To do more, better, faster and more cheaply: using big data in public administration [Article]. International Review of Administrative Sciences, 83, 120-135. https://doi.org/10.1177/0020852316640058

18. Desouza, K. C., & Jacob, B. (2017). Big Data in the Public Sector: Lessons for Practitioners and Scholars [Article]. Administration & Society, 49(7), 1043-1064. https://doi.org/ 10.1177/0095399714555751

19. Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-making quality [Article]. Journal of Business Research, 70, 338-345. https://doi.org/ 10.1016/j.jbusres.2016.08.007

20. Amayah, A. T. (2013). Determinants of knowledge sharing in a public sector organization. Journal of Knowledge Management, 17(3), 454-471. https://doi.org/10.1108/jkm-11-2012-0369

21. Christodoulou, P., Decker, S., Douka, A.V., Komopoulou, C., Peristeras, V., Sgagia, S., . . . Vardouniotis, D. (2018). Data Makes the Public Sector Go Round [Proceedings Paper]. Electronic Government (Egov 2018), 11020, 221-232. https://doi.org/10.1007/978-3-319-98690-6_19

22. Joseph, R. C., & Johnson, N. A. (2013). Big Data and Transformational Government [Article]. It Professional, 15(6), 43-48. https://doi.org/10.1109/mitp.2013.61

23. Gamage, P. (2016). New development: Leveraging "big data' analytics in the public sector [Article]. Public Money & Management, 36(5), 385-390. https://doi.org/10.1080/09540962. 2016.1194087

24. Shi, J., Ai, X. Y., & Cao, Z. Y. (2017). Can big data improve public policy analysis? [Proceedings Paper]. Dg.O 2017: the Proceedings of the 18th Annual International Conference on Digital Government Research: Innovations and Transformations in Government, 552-561. https://doi.org/10.1145/3085228.3085319

25. Kim, P. S., & Hong, K. P. (2017). Debate: Humanized robotic agents in governmentthe emergence of the "Hubogent' [Editorial Material]. Public Money & Management, 37(2), 131-132. https://doi.org/10.1080/09540962.2016.1266172

26. Long, C. K., Agrawal, R., Trung, H. Q., & Pham, H. V. (2021). A big data framework for E-Government in Industry 4.0 [Article]. Open Computer Science, 11(1), 461-479. https://doi .org/ 10.1515/comp-2020-0191

27. Currie, M. (2020). Data as performance - Showcasing cities through open data maps [Article]. Big Data & Society, 7(1), 14, Article 2053951720907953. https://doi.org/10.1177/ 2053951720907953

28. Espeland, W. N. (2000). Bureaucratizing democracy, democratizing bureaucracy [Article]. Law and Social Inquiry-Journal of the American Bar Foundation, 25(4), 1077-1109. https://doi.org/10.1111/j.1747-4469.2000.tb00317.x

29. Janssen, M., & Helbig, N. (2018). Innovating and changing the policy-cycle: Policymakers be prepared [Article]. Government Information Quarterly, 35(4), S99-S105. https://doi.org/ 10.1016/j .giq.2015.11.009

30. Batty, M., Axhausen, K. W., Giannotti, F., Pozdnoukhov, A., Bazzani, A., Wachowicz, M., . . . Portugali, Y. (2012). Smart cities of the future [Article]. European Physical Journal-Special Topics, 214(1), 481-518. https://doi.org/10.1140/epjst/e2012-01703-3

31. Al Nuaimi, E., Al Neyadi, H., Mohamed, N., & Al-Jaroodi, J. (2015). Applications of big data to smart cities [Article]. Journal of Internet Services and Applications, 6, 15, Article 25. https://doi .org/ 10.1186/s13174-015-0041-5

32. O'Toole, G. Why public sector organizations must `Brake the Boundaries' in 2018.

33. Arnaboldi, M., & Azzone, G. (2020). Data science in the design of public policies: dispelling the obscurity in matching policy demand and data offer [Article]. Heliyon, 6(6), 13, Article e04300. https://doi.org/10.1016/j.heliyon.2020.e04300

34. Frankel, F., & Reid, R. (2008). Big data: Distilling meaning from data [Editorial Material]. Nature, 455(7209), 30-30. https://doi.org/10.1038/455030a

35. Mattern, S. (2015). Mission Control: A History of the Urban Dashboard. In. Places Journal.

36. Ruppert, E., & Scheel, S. (2019). The Politics of Method: Taming the New, Making Data Official [Article]. International Political Sociology, 13(3), 233-252. https://doi.org/10.1093/ips/olz009

37. Perkins, C. (2006). A history of spaces: cartographic reason, mapping and the geo- coded [Book Review]. Progress in Human Geography, 30(2), 277-280. https://doi.org/10.1177/ 030913250603000218

38. Hardy, K., & Maurushat, A. (2017). Opening up government data for Big Data analysis and public benefit [Article]. Computer Law & Security Review, 33(1), 30-37. https://doi.org/ 10.1016/j .clsr.2016.11.003

39. Mouzakitis, S., Papaspyros, D., Petychakis, M., Koussouris, S., Zafeiropoulos, A., Fotopoulou, E., . . . Psarras, J. (2017). Challenges and opportunities in renovating public sector information by enabling linked data and analytics [Article]. Information Systems Frontiers, 19(2), 321-336. https://doi.org/10.1007/s10796-016-9687-1

40. Lavertu, S. (2016). We All Need Help: "Big Data" and the Mismeasure of Public Administration [Article; Proceedings Paper]. Public Administration Review, 76(6), 864-872. https://doi.org/10.1111/puar.12436

41. Puri, A. (2018). Application and Uses of Big Data Predictive Analysis in Public Sectors: A Systematic Review [Proceedings Paper]. Proceedings of the 2018 International Conference on Computational Techniques, Electronics and Mechanical Systems (Ctems), 539-543.

42. Gati, M., & Simay, A. E. (2020, Sep 16-19). Perception of Privacy in the light of GDPR.Proceedings of the European Marketing Academy [11th emac regional conference - challenging the status quo in marketing research]. 11th EMAC Regional Conference on Challenging the Status Quo in Marketing Research, Electr Network.



References

1. Cukier, K., & Mayer-Schoenberger, V. (2013). The Rise of Big Data. In (pp. 28-40). Foreign Affairs.

2. Shi, J. Q. (2018). How do statisticians analyse big data - Our story [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 130-133. https://doi.org/10.1016/j.spl.2018.02.043

3. Meng, X. L. (2018). Conducting highly principled data science: A statistician's job and joy [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 51-57. https://doi.org/ 10.1016/j .spl.2018.02.053

4. Reid, N. (2018). Statistical science in the world of big data. In (Vol. 136, pp. 42-45). Statistics & Probability Letters.

5. Artificial intelligence technologies. URL: https://cit-program.com/artificial-intelligence- technologies/

6. Wang, H., Xu, Z., & Liu, S. Towards Felicitous Decision Making: An Overview on Challenges and Trends of Big Data. In (Vol. 367): Information Sciences.

7. Rose, N. (1991). Governing by numbers: Figuring out democracy. In (Vol. 16 (7), pp. 673-692). Accounting, Organizations and Society.

8. Townsend, А. (2014). Smart Cities: Big Data, Civic Hackers, and the Quest for a New Utopia. W. W. Norton Company.

9. Wilson, G., Bryan, J., Cranston, K., Kitzes, J., Nederbragt, L., & Teal, T. K. (2017). Good enough practices in scientific computing [Article]. Plos Computational Biology, 13(6), 20, Article e1005510. https://doi.org/10.1371/journal.pcbi.1005510

10. Azzone, G. (2018). Big data and public policies: Opportunities and challenges [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 116-120. https://doi.org/10.1016/j.spl. 2018.02.022

11. Sharples, L. D. (2018). The role of statistics in the era of big data: Electronic health records for healthcare research [Article; Proceedings Paper]. Statistics & Probability Letters, 136, 105-110. https://doi.org/10.1016/j.spl.2018.02.044

12. Kitchin, R., Lauriault, T. P., & McArdle, G. (2015). Knowing and governing cities through urban indicators, city benchmarking and real-time dashboards [Article]. Regional Studies Regional Science, 2(1), 6-28. https://doi.org/10.1080/21681376.2014.983149

13. Zhou, Z., & Gao, F. (2007). E-government and Knowledge Management. In (Vol. 7 (6), pp. 285-289). International Journal of Computer Science and Network Security.

14. Lauriault, T. (2012). Data, Infrastructures and Geographical Imaginations Carleton University]. Ottawa, Ontario. https://curve.carleton.ca/7eb756c8-3ceb-4929-8220-3b20cf3242cb

15. Porter, R. (1997). Trust in numbers. The pursuit of objectivity in science and public life - Porter,TM [Book Review]. English Historical Review, 112(447), 822-822.

16. Alvarenga, A., Matos, F., Godina, R., & Matias, J. C. O. (2020). Digital Transformation and Knowledge Management in the Public Sector [Article]. Sustainability, 12(14), 24, Article 5824. https://doi.org/10.3390/su12145824

17. Maciejewski, M. (2017). To do more, better, faster and more cheaply: using big data in public administration [Article]. International Review of Administrative Sciences, 83, 120-135. https://doi.org/10.1177/0020852316640058

18. Desouza, K. C., & Jacob, B. (2017). Big Data in the Public Sector: Lessons for Practitioners and Scholars [Article]. Administration & Society, 49(7), 1043-1064. https://doi.org/10.1177/ 0095399714555751

19. Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-making quality [Article]. Journal of Business Research, 70, 338-345. https://doi.org/ 10.1016/j.jbusres.2016.08.007

20. Amayah, A. T. (2013). Determinants of knowledge sharing in a public sector organization. Journal of Knowledge Management, 17(3), 454-471. https://doi.org/10.1108/jkm-11-2012-0369

21. Christodoulou, P., Decker, S., Douka, A.V., Komopoulou, C., Peristeras, V., Sgagia, S., . . . Vardouniotis, D. (2018). Data Makes the Public Sector Go Round [Proceedings Paper]. Electronic Government (Egov 2018), 11020, 221-232. https://doi.org/10.1007/978-3-319-98690-6_19

22. Joseph, R. C., & Johnson, N. A. (2013). Big Data and Transformational Government [Article]. It Professional, 15(6), 43-48. https://doi.org/10.1109/mitp.2013.61

23. Gamage, P. (2016). New development: Leveraging "big data' analytics in the public sector [Article]. Public Money & Management, 36(5), 385-390. https://doi.org/10.1080/09540962. 2016.1194087

24. Shi, J., Ai, X. Y., & Cao, Z. Y. (2017). Can big data improve public policy analysis? [Proceedings Paper]. Dg.O 2017: the Proceedings of the 18th Annual International Conference on Digital Government Research: Innovations and Transformations in Government, 552-561. https://doi.org/10.1145/3085228.3085319

25. Kim, P. S., & Hong, K. P. (2017). Debate: Humanized robotic agents in governmentthe emergence of the "Hubogent' [Editorial Material]. Public Money & Management, 37(2), 131-132. https://doi.org/10.1080/09540962.2016.1266172

26. Long, C. K., Agrawal, R., Trung, H. Q., & Pham, H. V. (2021). A big data framework for E-Government in Industry 4.0 [Article]. Open Computer Science, 11(1), 461-479. https://doi.org/10.1515/comp-2020-0191

27. Currie, M. (2020). Data as performance - Showcasing cities through open data maps [Article]. Big Data & Society, 7(1), 14, Article 2053951720907953. https://doi.org/10.1177/ 2053951720907953

28. Espeland, W. N. (2000). Bureaucratizing democracy, democratizing bureaucracy [Article]. Law and Social Inquiry-Journal of the American Bar Foundation, 25(4), 1077-1109. https://doi.org/10.1111/j.1747-4469.2000.tb00317.x

29. Janssen, M., & Helbig, N. (2018). Innovating and changing the policy-cycle: Policymakers be prepared [Article]. Government Information Quarterly, 35(4), S99-S105. https://doi.org/ 10.1016/j .giq.2015.11.009

30. Batty, M., Axhausen, K. W., Giannotti, F., Pozdnoukhov, A., Bazzani, A., Wachowicz, M., . . . Portugali, Y. (2012). Smart cities of the future [Article]. European Physical Journal-Special Topics, 214(1), 481-518. https://doi.org/10.1140/epjst/e2012-01703-3

31. Al Nuaimi, E., Al Neyadi, H., Mohamed, N., & Al-Jaroodi, J. (2015). Applications of big data to smart cities [Article]. Journal of Internet Services and Applications, 6, 15, Article 25. https://doi.org/10.1186/s13174-015-0041-5

32. O'Toole, G. Why public sector organizations must `Brake the Boundaries' in 2018.

33. Arnaboldi, M., & Azzone, G. (2020). Data science in the design of public policies: dispelling the obscurity in matching policy demand and data offer [Article]. Heliyon, 6(6), 13, Article e04300. https://doi.org/10.1016/j.heliyon.2020.e04300

34. Frankel, F., & Reid, R. (2008). Big data: Distilling meaning from data [Editorial Material]. Nature, 455(7209), 30-30. https://doi.org/10.1038/455030a

35. Mattern, S. (2015). Mission Control: A History of the Urban Dashboard. In. Places Journal.

36. Ruppert, E., & Scheel, S. (2019). The Politics of Method: Taming the New, Making Data Official [Article]. International Political Sociology, 13(3), 233-252. https://doi.org/10.1093/ ips/olz009

37. Perkins, C. (2006). A history of spaces: cartographic reason, mapping and the geo-coded [Book Review]. Progress in Human Geography, 30(2), 277-280. https://doi.org/10.1177/030913 250603000218

38. Hardy, K., & Maurushat, A. (2017). Opening up government data for Big Data analysis and public benefit [Article]. Computer Law & Security Review, 33(1), 30-37. https://doi.org/ 10.1016/j .cl sr.2016.11.003

39. Mouzakitis, S., Papaspyros, D., Petychakis, M., Koussouris, S., Zafeiropoulos, A., Fotopoulou, E., . . . Psarras, J. (2017). Challenges and opportunities in renovating public sector information by enabling linked data and analytics [Article]. Information Systems Frontiers, 19(2), 321-336. https://doi.org/10.1007/s10796-016-9687-1

40. Lavertu, S. (2016). We All Need Help: "Big Data" and the Mismeasure of Public Administration [Article; Proceedings Paper]. Public Administration Review, 76(6), 864-872. https://doi.org/10.1111/puar.12436

41. Puri, A. (2018). Application and Uses of Big Data Predictive Analysis in Public Sectors: A Systematic Review [Proceedings Paper]. Proceedings of the 2018 International Conference on Computational Techniques, Electronics and Mechanical Systems (Ctems), 539-543.

42. Gati, M., & Simay, A. E. (2020, Sep 16-19). Perception of Privacy in the light of GDPR.Proceedings of the European Marketing Academy [11th emac regional conference - challenging the status quo in marketing research]. 11th EMAC Regional Conference on Challenging the Status Quo in Marketing Research, Electr Network.

Размещено на Allbest.ru