ШТУЧНИЙ ІНТЕЛЕКТ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ БІЗНЕСУ ТА ЦИВІЛЬНОГО ЗАХИСТУ
Анотація
У сучасному високотехнологічному суспільстві технології штучного інтелекту використовуються для підвищення ефективності ведення бізнесу, полегшення управління соціально-економічними системами. В умовах непередбачених наслідків зміни клімату та регіональних військових конфліктів технології штучного інтелекту стають в нагоді для підвищення громадянської безпеки. Ця стаття має на меті дослідити використання технологій штучного інтелекту для підвищення економічної ефективності та підвищення рівнів цивільного захисту населення. На основі бібліометричного інструменту VOSviewer у статті виділено вісім блоків наукових досліджень, пов’язаних з категоріями штучного інтелекту та цивільного захисту. Результати доводять, що штучний інтелект і цивільний захист (разом з управлінням ризиками та готовністю) є окремими блоками, через які проходять усі інші зв’язки. У рамках емпіричного опитування було виявлено, що немає істотного зв’язку між інтеграцією штучного інтелекту та точністю бізнес-рішень. Організаціям може знадобитися вивчити інші фактори, які сприяють точності бізнес-рішень, оскільки сама по собі інтеграція ШІ може не бути вирішальним фактором. Штучний інтелект може бути використаний для таких цілей цивільного захисту, як: прогнозування, попередження, управління надзвичайними ситуаціями, формування інформаційної бази та сценаріїв реагування на надзвичайні ситуації. У статті зазначено, що однією з переваг використання штучного інтелекту є доступ до «великих даних» і можливість їх он-лайн аналізу «в хмарі», формуючи практично миттєву інформаційну підтримку для управлінських рішень. Однак не варто забувати, що вся відповідальність за використання технологій штучного інтелекту, включаючи етичні складові та пов’язанні наслідки лежить на людині. Принципи ефективності, що вбудовані в технологічні аспекти використання штучного інтелекту можуть не співпадати із загальнолюдськими цінностями, що створює не лише виклики, але і явні загрози використання таких технологій у суспільній практиці.
Посилання
Abubakar, A. M., Elrehail, H., Alatailat, M. A., & Elçi, A. (2019). Knowledge management, decision-making style and organizational performance. Journal of Innovation & Knowledge, 4(2), 104–114. DOI: https://doi.org/10.1016/j.jik.2017.07.003
Ashill, N. J., & Jobber, D. (2014). The effects of the external environment on marketing decision-maker uncertainty. Journal of Marketing Management, 30(3-4), 268–294. DOI: https://doi.org/10.1080/0267257X.2013.811281
Banerji, J., Kundu, K., & Alam, P. A. (2020). An empirical investigation into the influence of behavioral biases on investment behavior. SCMS Journal of Indian Management, 17(1), 81–98.
Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2019). Supply chain risk management and artificial intelligence: state of the art and future research directions. International Journal of Production Research, 57(7), 2179–2202. DOI: https://doi.org/10.1080/00207543.2018.1530476
Belhadi, A., Kamble, S., Fosso Wamba, S., & Queiroz, M. M. (2022). Building supply-chain resilience: an artificial intelligence-based technique and decision-making framework. International Journal of Production Research, 60(14), 4487-4507. DOI: https://doi.org/10.1080/00207543.2021.1950935
Bharadiya, J. P. (2023). Machine learning and AI in business intelligence: Trends and opportunities. International Journal of Computer (IJC), 48(1), 123–134.
Cantu-Ortiz, F. J. (2021). Knowledge management and artificial intelligence analytics: A bibliometric study of research trends. A Research Agenda for Knowledge Management and Analytics; Edward Elgar Publishing: Cheltenham, UK, 67–88. DOI: https://doi.org/10.4337/9781800370623.00012
Chintalapati, S., & Pandey, S. K. (2022). Artificial intelligence in marketing: A systematic literature review. International Journal of Market Research, 64(1), 38–68. DOI: https://doi.org/10.1177/14707853211018428
Davenport, T. H., Harris, J., & Shapiro, J. (2010). Competing on talent analytics. Harvard Business Review, 88(10), 52–58.
Federal Ministry of education and research (2024). Based on Cross-cutting issues and activities. Approved projects from the call “Artificial Intelligence in Civil Security Research”. https://www.sifo.de/sifo/en/research-projects/cross-cutting-issues-and-activities/artificial-intelligence-in-civil-security-research/artificial-intelligence-in-civil-security-research_node.html
Green, S., McKinney Jr, E., Heppard, K., & Garcia, L. (2018). Big Data, digital demand and decision-making. International Journal of Accounting & Information Management, 26(4), 541–555. DOI: https://doi.org/10.1108/IJAIM-02-2017-0019
Gupta, K., Mane, P., Rajankar, O. S., Bhowmik, M., Jadhav, R., Yadav, S., ... & Chobe, S. V. (2023). Harnessing AI for Strategic Decision-Making and Business Performance Optimization. International Journal of Intelligent Systems and Applications in Engineering, 11(10s), 893–912. Retrieved from: https://ijisae.org/index.php/IJISAE/article/view/3360
Joseph, J., & Gaba, V. (2020). Organizational structure, information processing, and decision-making: A retrospective and road map for research. Academy of Management Annals, 14(1), 267–302. DOI: https://doi.org/10.5465/annals.2017.0103
Kumar, A., Mangla, S. K., Luthra, S., Rana, N. P., & Dwivedi, Y. K. (2018). Predicting changing pattern: building model for consumer decision making in digital market. Journal of Enterprise Information Management, 31(5), 674–703.
Kumar, D. (2023). The Use of Artificial Intelligence in Data Analysis and Business Intelligence. In AI and Emotional Intelligence for Modern Business Management (pp. 311-320). IGI Global. DOI: https://doi.org/10.1108/JEIM-01-2018-0003
Liu, J., Kauffman, R. J., & Ma, D. (2015). Competition, cooperation, and regulation: Understanding the evolution of the mobile payments technology ecosystem. Electronic Commerce Research and Applications, 14(5), 372–391. DOI: https://doi.org/10.1016/j.elerap.2015.03.003
Lockey, S., Gillespie, N., Holm, D., & Someh, I. A. (2021). A review of trust in artificial intelligence: Challenges, vulnerabilities and future directions. Proceedings of the 54th Hawaii International Conference on System Sciences, 5463–5472. Retrieved from: https://hdl.handle.net/10125/71284
Mohapatra, B., Tripathy, S., Singhal, D., & Saha, R. (2022). Significance of digital technology in manufacturing sectors: Examination of key factors during COVID-19. Research in Transportation Economics, 93, 101134. DOI: https://doi.org/10.1016/j.retrec.2021.101134
Olan, F., Arakpogun, E. O., Suklan, J., Nakpodia, F., Damij, N., & Jayawickrama, U. (2022). Artificial intelligence and knowledge sharing: Contributing factors to organizational performance. Journal of Business Research, 145, 605–615. DOI: https://doi.org/10.1016/j.jbusres.2022.03.008
Pfeffer, J., & Salancik, G. (1978). The External Control of Organizations: A Resource Dependence Perspective (1978). University of Illinois at Urbana-Champaign's Academy for Entrepreneurial Leadership Historical Research Reference in Entrepreneurship. Retrieved from: https://ssrn.com/abstract=1496213
Rodgers, W., Murray, J. M., Stefanidis, A., Degbey, W. Y., & Tarba, S. Y. (2023). An artificial intelligence algorithmic approach to ethical decision-making in human resource management processes. Human Resource Management Review, 33(1), 100925. DOI: https://doi.org/10.1016/j.hrmr.2022.100925
Saadatmanesh, H. (2023). AI-enabled dynamic capabilities for transforming digital business models to smart business models. Retrieved from: https://urn.fi/URN:ISBN:9789526238203
Saha, G. C., Eni, L. N., Saha, H., Parida, P. K., Rathinavelu, R., Jain, S. K., & Haldar, B. (2023). Artificial Intelligence in Pharmaceutical Manufacturing: Enhancing Quality Control and Decision Making. Rivista Italiana di Filosofia Analitica Junior, 14(2), 116–126. Retrieved from: https://rifanalitica.it/index.php/journal/article/view/203/183
Sarker, I. H. (2021). Data science and analytics: an overview from data-driven smart computing, decision-making and applications perspective. SN Computer Science, 2(5), 377. DOI: https://doi.org/10.1007/s42979-021-00765-8
Schmid, S., Riebe, T. & Reuter, C. Dual-Use and Trustworthy? A Mixed Methods Analysis of AI Diffusion Between Civilian and Defense R&D. Science and Engineering Ethics, 28(12). DOI: https://doi.org/10.1007/s11948-022-00364-7
Shannon, B. N., McGee, Z. A., & Jones, B. D. (2019). Bounded rationality and cognitive limits in political decision making. In Oxford Research Encyclopedia of Politics. DOI: https://doi.org/10.1093/acrefore/9780190228637.013.961
Sharma, S., Islam, N., Singh, G., & Dhir, A. (2022). Why do retail customers adopt artificial intelligence (AI) based autonomous decision-making systems? IEEE Transactions on Engineering Management, 71, 1846–1861. DOI: https://doi.org/10.1109/TEM.2022.3157976
Stone, M., Aravopoulou, E., Ekinci, Y., Evans, G., Hobbs, M., Labib, A., ... & Machtynger, L. (2020). Artificial intelligence (AI) in strategic marketing decision-making: a research agenda. The Bottom Line, 33(2), 183–200. DOI: https://doi.org/10.1108/BL-03-2020-0022
Sutcliffe, K. M., & McNamara, G. (2001). Controlling decision-making practice in organizations. Organization science, 12(4), 484–501. Retrieved from: https://www.jstor.org/stable/3085984
Wakker, P. P. (2023). The correct formula of 1979 prospect theory for multiple outcomes. Theory and Decision, 94(2), 183–187. DOI: https://doi.org/10.1007/s11238-022-09885-w
Wamba-Taguimdje, S. L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: the business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893–1924. DOI: https://doi.org/10.1108/BPMJ-10-2019-0411
Wong, L. W., Tan, G. W. H., Ooi, K. B., Lin, B., & Dwivedi, Y. K. (2022). Artificial intelligence-driven risk management for enhancing supply chain agility: A deep-learning-based dual-stage PLS-SEM-ANN analysis. International Journal of Production Research. DOI: https://doi.org/10.1080/00207543.2022.2063089
Zekos, G. I., (2021). AI Risk Management. In: Economics and Law of Artificial Intelligence, ed. 1, ch. 0, 233–288, Springer. DOI: https://doi.org/10.1007/978-3-030-64254-9_6
Zhou, S. S., Zhou, A. J., Feng, J., & Jiang, S. (2019). Dynamic capabilities and organizational performance: The mediating role of innovation. Journal of Management & Organization, 25(5), 731–747. DOI: https://doi.org/10.1017/jmo.2017.20
