Abstract
В современном динамично развивающемся цифровом про-странстве организации сталкиваются с большим количеством неструктурирован-ных решений, принимаемых в условиях неполной информации, высокой степени неопределённости и постоянных изменений. Основная цель настоящего исследо-вания заключается в изучении возможностей моделей машинного обучения (ML) для извлечения ценной информации из больших и разнородных массивов данных, что, в конечном итоге, способствует повышению эффективности процессов при-нятия решений в условиях неструктурированной среды и снижению вероятности неудачного выполнения проектов бизнес-организаций. Методология исследова-ния основана на смешанном подходе, включающем анализ современной научной литературы и детальное рассмотрение двух практических кейсов: JPMorgan Chase в финансовой сфере и Airbus в авиационной отрасли. Результаты исследования показали, что применение машинного обучения обеспечивает существенное по-вышение эффективности в обоих рассматриваемых случаях. В JPMorgan Chase точность обнаружения мошеннических операций увеличилась с 70 % до 92 %, тогда как доля ложноположительных результатов снизилась с 50 % до 8 %. Время, необходимое для выявления мошеннических операций, сократилось с двух дней до менее одной минуты, что способствовало снижению операционных затрат при-мерно на 35 %. Аналогичные положительные результаты были получены в авиа-ционной отрасли. В Airbus применение технологий предиктивного обслуживания на основе машинного обучения позволило сократить количество неожиданных от-казов на 60 %, снизить затраты на техническое обслуживание на 40 % и повысить доступность воздушного флота на 29 %. Проведённый анализ позволяет сделать вывод о том, что машинное обучение следует рассматривать прежде всего как ин-струмент поддержки экспертов при решении неструктурированных задач, а не как замену человеческого участия в процессе принятия решений. В исследовании так-же обозначены основные перспективные направления и вызовы, включая необхо-димость развития объяснимого искусственного интеллекта (XAI), совершенство-вания механизмов управления данными и повышения эффективности интеграции моделей машинного обучения с процессами принятия решений человеком. Это позволит обеспечить эффективное, надёжное и ответственное внедрение техноло-гий машинного обучения в деятельность современных бизнес-организаций