Ландшафт исследований в области ИИ и данных
Институт статистических исследований и экономики знаний НИУ ВШЭ изучил, как с 2010 г. менялась научная повестка в области искусственного интеллекта (ИИ) и данных и какие направления составляют ее ядро.
Справочно:
В основу исследования лег библиометрический анализ 20 тыс. научных публикаций, посвященных ИИ, машинному обучению, большим данным, облачным вычислениям, методам анализа данных и бизнес-аналитике. Исходный массив включал 186 тыс. документов, индексируемых в Scopus; выборка сформирована по результатам анализа их ключевых слов методом тематического моделирования — латентного размещения Дирихле (Latent Dirichlet Allocation, LDA).
Обзор продолжает цикл аналитических материалов о публикационной активности в области цифровой трансформации и ИИ.
Тематический спектр публикаций широк — от методов обработки и анализа данных до прикладных систем поддержки принятия решений и вопросов кибербезопасности цифровой инфраструктуры. Семантическая карта показывает, что центральное место занимают машинное обучение, большие данные, бизнес-аналитика и Интернет вещей (рис. 1). Темы, связанные с отдельными аспектами применения ИИ и данных, образуют несколько кластеров.
Распределение ключевых слов по тематическим кластерам позволяет выделить три основных блока исследовательских вопросов:
- Как собирать, организовывать и обрабатывать данные? В центре внимания — большие данные и метаданные, которые систематизируются и хранятся в хранилищах данных (data warehouses) (кластер 1), а обрабатываются с помощью методов машинного обучения и инструментов бизнес-аналитики (кластеры 5 и 1).
- Как формировать ИТ-инфраструктуру и обеспечивать ее безопасность? Этому блоку соответствуют исследования облачных вычислений и сервисов (кластер 2), блокчейн-технологий и безопасности данных (кластер 3), систем обнаружения вторжений и других инструментов кибербезопасности (кластер 6).
- Как ИИ и цифровые технологии меняют бизнес-процессы? Рассматриваются практики внедрения и использования ИИ на предприятиях различных отраслей, а также решения для умных городов (кластер 4).
Эволюция исследований по теме «Искусственный интеллект и данные»
С 2010 г. исследования сосредоточены на интеграции методов работы с данными в бизнес-процессы (табл. 1).
В 2010–2016 гг. исследовательская повестка в области ИИ и данных была сосредоточена на инструментах корпоративной аналитики и облачной инфраструктуре. Среди направлений доминировали бизнес-аналитика (35,7%) и облачные вычисления (23,3%), задававшие основу цифровизации предприятий. Большие данные только начинали выделяться в самостоятельное направление исследований (9,6%), а машинное обучение и искусственный интеллект не входили в число ключевых терминов периода. Публикации об облачных вычислениях были посвящены преимущественно пилотным этапам внедрения технологии; позднее эта тема все чаще рассматривалась в связи с вопросами безопасности и построения закрытой ИТ-инфраструктуры.
В 2017–2019 гг. тематический спектр существенно расширился. Период ознаменовался началом конкуренции за центральное место в исследовательской повестке между сложившимися аналитическими направлениями — бизнес-аналитикой (21,7%) и большими данными (18,3%) — и новыми алгоритмическими и сетевыми технологиями. В числе ведущих терминов этой группы оказались машинное обучение (10,4%), Интернет вещей (7%) и блокчейн (6,8%); впервые среди топовых тем искусственный интеллект (5,5%).
В 2020–2022 гг. машинное обучение (19,1%) и искусственный интеллект (14,3%) уже вышли на первые позиции. Суммарная доля упоминаний этих двух терминов и нейросетей превысила треть, что свидетельствует о смещении баланса в пользу алгоритмических методов и развитии новых подходов к работе с большими данными. Блокчейн сохранил заметную долю (12,7%), а бизнес-аналитика переместилась на пятое место (11,8%).
В 2023–2025 гг. лидерство машинного обучения и искусственного интеллекта стало еще более выраженным: совокупная доля этих терминов достигла 43,6%. В первую десятку вошли «решения на основе данных» (4,1%) и «кибербезопасность» (4%) на фоне смещения исследовательского фокуса от разработки методов к их практическому и безопасному применению. Блокчейн сохранил присутствие среди ведущих тем (10,7%), однако частота его упоминаний снизилась.
Тематическая структура исследовательского поля
Стратегическая диаграмма Кэллона позволяет сопоставить исследовательские тематики по силе их связей с другими направлениями (показатель центральности) и степени внутренней связности и разработанности (показатель плотности). Сочетание этих характеристик показывает место тематики в исследовательском поле: она может задавать повестку, служить основой для смежных направлений, развиваться обособленно либо только формироваться или угасать. В соответствии с этим выделяются движущие, базовые, нишевые и возникающие или угасающие тематики. В рассматриваемом поле представлены движущие, базовые и возникающие тематики; нишевые не выявлены (рис. 2).
«Бизнес-аналитика и поддержка принятия решений» имеет наибольшие значения плотности (около 1,0) и центральности (около 0,8), что позволяет отнести тематику к движущим. Бизнес-аналитика, интеллектуальный анализ данных и поддержка принятия решений образуют консолидированное ядро, исторически во многом определявшее повестку анализируемой области.
К базовым тематикам относится «ИТ-инфраструктура и безопасность», характеризующаяся умеренной центральностью (около 0,5) и плотностью, близкой к нулю. Блокчейн, облачные вычисления и Интернет вещей связывают ее с исследованиями цифровых финансовых транзакций, инфраструктуры для работы с большими данными и управления организациями. При этом внутренняя структура тематики менее консолидирована, чем у движущей: входящие в нее технологии рассматриваются в разных прикладных контекстах и не образуют единой теоретической рамки.
Направление «Методы машинного обучения» при значениях центральности и плотности около −1,0 располагается в квадранте возникающих и угасающих тематик. Само положение на диаграмме не показывает, возникает тема или угасает, однако рост доли ее упоминаний в 2020–2025 гг. дает основания считать ее возникающей. Методы глубокого обучения, нейросети и обработка естественного языка все активнее встраиваются в прикладные исследования других тематик, теряя самостоятельную идентичность как объект изучения. Таким образом, рост исследовательского интереса сопровождается изменением роли машинного обучения: из самостоятельного предмета изучения оно постепенно превращается в инструментальную основу работ по разным направлениям.
Исследования в области искусственного интеллекта и данных имеют четкое ядро — применение технологий обработки и анализа данных в бизнес-процессах организаций. За полтора десятилетия центр внимания научного сообщества сместился от бизнес-аналитики и облачной инфраструктуры к машинному обучению и искусственному интеллекту. В публикациях о внедрении таких технологий в бизнесе это выразилось в переходе от накопления данных к предиктивному моделированию и автоматизированной поддержке принятия решений. Одновременно более заметное место заняли вопросы кибербезопасности и управления потоками данных, актуальные как для корпоративного, так и для государственного сектора. Такая динамика указывает на повышение значимости безопасного и ответственного применения ИИ и технологий обработки данных.
Источники: расчеты ИСИЭЗ НИУ ВШЭ на основе данных Scopus, исследование осуществлено в рамках Программы фундаментальных исследований НИУ ВШЭ (HSE-BR-2025-018).
Материал подготовил Тарас Богданов
Предыдущий выпуск серии «Искусственный интеллект»: «Регулирование ИИ в науке: ожидания ученых и организаций»
См. также:
