Насимжон Аминджонович Олимов - Ассистент кафедры Цифровой экономики
Nasimjon A. Olimov - Assistant Professor of the Department of Digital Economy
В данной работе рассматривается роль искусственного интеллекта (ИИ) в развитии цифровой экономики. Проанализированы ключевые направления использования ИИ в различных отраслях: от прогнозирования рыночных тенденций и оптимизации производственных процессов до повышения эффективности логистики и финансовых операций. Особое внимание уделено моделям машинного обучения, позволяющим анализировать большие объемы данных для принятия стратегических решений. Также затронуты вызовы, связанные с внедрением ИИ, включая вопросы кибербезопасности, утраты рабочих мест и этических аспектов. В работе представлены практические примеры использования ИИ для анализа рынка и оценки влияния автоматизации на занятость. Итогом исследования стало обобщение, что грамотное внедрение ИИ способствует повышению конкурентоспособности стран, ускорению инноваций и устойчивому экономическому росту в условиях глобальной цифровизации. Материалы и методы. Для анализа рынка с использованием искусственного интеллекта можно применить несколько простых методов на Python, включая анализ данных с помощью библиотек, таких как pandas для обработки данных и scikit-learn для машинного обучения. Один из самых простых вариантов — это анализ трендов с использованием метода регрессии. Вот пример простого кода для анализа рынка с использованием линейной регрессии. Результаты. В конечном итоге мы создаем модель, которая прогнозирует объем продаж на основе цены товара. Мы используем простую линейную регрессию для анализа зависимости между ценой и количеством проданных единиц товара. Код также визуализирует зависимость между ценой и объемом продаж, а также выводит коэффициенты модели. Заключение.Применение методов искусственного интеллекта, таких как линейная регрессия, позволяет эффективно анализировать рыночные тенденции и выявлять зависимости между ключевыми показателями, например, ценой и объемом продаж. Использование библиотек Python, таких как pandas и scikit-learn, упрощает обработку данных и построение прогнозных моделей. Визуализация результатов помогает лучше интерпретировать полученные зависимости, что может быть полезным инструментом для принятия обоснованных управленческих решений и оптимизации маркетинговых стратегий.
This paper examines the role of artificial intelligence (AI) in the development of the digital economy. It analyzes key areas of AI use in various industries: from forecasting market trends and optimizing production processes to improving the efficiency of logistics and financial transactions. Particular attention is paid to machine learning models that allow analyzing large volumes of data for strategic decision-making. It also touches on the challenges associated with the implementation of AI, including cybersecurity, job losses, and ethical aspects. The paper presents practical examples of using AI to analyze the market and assess the impact of automation on employment. The result of the study was the generalization that the competent implementation of AI contributes to increasing the competitiveness of countries, accelerating innovation, and sustainable economic growth in the context of global digitalization. Materials and methods. There are several simple methods that can be used in Python to perform market analysis using artificial intelligence, including data analysis using libraries such as pandas for data processing and scikit-learn for machine learning. One of the simplest options is trend analysis using the regression method. Here is an example of simple code for market analysis using linear regression. Results. Finally, we create a model that predicts sales volume based on the price of a product. We use simple linear regression to analyze the relationship between price and the number of units sold. The code also visualizes the relationship between price and sales volume, and outputs the model coefficients. Conclusion. Using artificial intelligence methods such as linear regression allows us to effectively analyze market trends and identify relationships between key indexes such as price and sales volume. Using Python libraries such as pandas and scikit-learn simplifies data processing and construction of predictive models. Visualization of results helps to better interpret the obtained dependencies, which can be a useful tool for making informed management decisions and optimizing marketing strategies.
The authors declare that there are no conflicts of interest present.