В статье рассматривается проблема прогнозирования посещаемости в образовательных организациях и связанные с ней экономические риски. В качестве основного инструмента для решения поставленной задачи предлагается внедрение цифровизации в управленческий слой, в частности систем поддержки принятия решений. Проведен анализ уже существующих систем, в том числе зарубежных и отечественных, а также методов машинного обучения, используемых при прогнозировании. По результатам сравнения эффективности алгоритма универсального решения выявлено не было, в связи с чем при разработке прототипа системы использовался ансамбль моделей, подкрепленный механизмом голосования. Разработанный прототип системы позволяет обучать модели на конкретных данных, получать прогноз посещения и наглядно демонстрирует перевод результатов прогноза в конкретные метрики, в том числе и экономические показатели. Результаты исследования могут послужить основой для разработки более комплексных систем прогнозирования и принятия решений на основе алгоритмов машинного обучения.
В статье анализируются различия между интерпретируемым и объяснимым искусственным интеллектом. Два этих понятия рассматриваются автором как различные, хотя и взаимодополняющие подходы к решению задач машинного обучения. На основании проведенного анализа автором предлагается представлять решающие правила для задач классификации в виде древовидной структуры, но в ее узлах использовать не отдельные входные признаки, а секущие гиперплоскости. Такой подход позволяет оценивать информативность каждого входного признака в отдельности и всей совокупности признаков в каждом узле и получать интерпретируемое решающее правило в целом для всей модели с высокими метриками качества решающего правила. Приведены примеры практических задач, решенных данным способом. Во всех случаях по метрикам качества дерево секущих гиперплоскостей превосходило дерево решений, полученное традиционным способом, и имело AUC ROC сопоставимую со случайным лесом