Заявка на экспертизу

*Обязательное поле
  • Вернуться назад
  • Победи коррупцию

    Экономическая безопасность и технологии

    Будни специалиста по экономической безопасности вряд ли можно назвать скучными. Сложно себе представить профессию, где необходимо разбираться в большем диапазоне областей знаний. Необходимо достаточно досконально изучить юридические, экономические, налоговые и финансовые дисциплины, важно чувствовать себя как рыба в воде в таких областях знания как рынок ценных бумаг, бухгалтерский учет и аудит, страхование, общее управление предприятием, экономическая теория, экономика предприятия и многое другое. И нужно не просто разбираться в данных областях, но и уметь их эффективно применять для удовлетворения экономических потребностей компании.

    Широкая гамма областей теоретического и практического знания, которые применяются специалистом по экономической безопасности, вынуждает зачастую принимать решение на базе интуиции. Но нет ничего более эффективного, чем интуиция, подкрепленная структурированными аналитическими и статистическими данными. Современные информационные технологии как ничто другое могут обеспечить огромным количеством данных. Но как сделать эти данные своевременными, релевантными, структурированными и удобными для обеспечения экономической безопасности компаний? В данной статье мы рассмотрим различные подходы к обеспечению информационной поддержки ежедневной деятельности инженеров и руководителей отделов экономической безопасности.

    Большие данные

    При анализе экономической ситуации и в процессе принятия решений в сфере обеспечения экономической безопасности приходится иметь дело с огромным количеством как структурированной, так и неструктурированной информации, полученной из различных источников. Это может быть справочная информация, регламенты и базы данных регулирующих органов, внутренние системы учета предприятия, новостные ленты, социальные сети и много другое. В этой связи для получения воспринимаемых человеком результатов, эффективных в условиях непрерывного прироста, может быть использована серия подходов и методов, объединенных под общим названием «Большие данные» (англ. big data).

    Обработка больших объемов информации в общем случае можно описать проблемой трех «V», что означает Volume – объем данных, Velocity – скорость обработки и повышенные требования к ней и Variety – разообразие и высокая степень неструктурированности данных. Например, для того, чтобы осуществить проверку благонадежности контрагента, необходимо собрать большое количество информации из разрозненных источников (базы ФНС, ФССП, ФСИН, Росреестра, внутренние корпоративные базы данных, СМИ, социальные сети и т.д.), при этом сделать это быстро. Именно такие требования диктует рынок.

    Для реализации манипулирования большими данными стоить выделить прежде всего ряд подходов, направленных на реализацию хранилищ баз данных, например, NoSQL (подход, имеющий существенные отличия от моделей, используемых в традиционных реляционных СУБД), MapReduce (модель распределенных параллельных вычислений), Hadoop (набор инструментов для реализации и выполнения распределённых программ на кластерах из тысяч узлов).

    Нейронные сети

    Просто научиться оперировать большими данными недостаточно. Нужно научиться делать выводы на основании этих данных. В частности, перед специалистами по экономической безопасности зачастую стоят задачи по классификации, то есть отнесения того или иного объекта к одному из нескольких попарно не пересекающихся множеств. Например, это могут быть следующие задачи: определение кредитоспособности клиента банка, определения надежности поставщика, партнера или контрагента, оценка задача управления портфелем ценных бумаг, классификация кандидатов на работу.

    Автоматизировать процесс кластеризации наиболее эффективным в применении к задачам экономической безопасности позволяют нейронные сети. Нейронная сеть — математическая модель и её программно-аппаратное воплощение, построенная по принципу организации и функционирования нервных клеток живого организма. Нейронные сети бывают разной архитектуры и разной сложности в зависимости от области их применения, но все они работают в двух режимах: обучение и классификация.

    Возможность обучения – основное преимущество нейросетей над традиционными алгоритмическими моделями. На этапе обучения нейросеть на основе данных из обучающего корпуса выявляет в автоматическом режиме зачастую очень сложные зависимости между разрозненными входными данными и выходными, осуществляет обобщение и тонкую настройку. Это приводит к тому, что после обучения, на этапе её работы в боевом режиме (этап классификации) нейросеть способна выдать верный результат не только для входных данных, которые отсутствовали в обучающей выборке, но даже неполных, искаженных, «зашумленных» данных.

    Обучаться нейронные сети могут как самостоятельно на базе входных документов и артефактов из различных корпоративных систем (система электронного документооборота, система бухгалтерского учета, система управления закупками, ERP-системы и прочие), так и с участием человека, который выполняет по сути роль тренера и передает свой теоретический и интуитивный опыт.

    Нейронные сети также активно могут использоваться для задач прогнозирования общей экономической ситуации на предприятии, прогнозирования потерь от реализации рисков, выявления потенциальных коррупционных схем и прочих задач экономической безопасности.

    Вывод

    Таким образом, в современном информационном пространстве, когда количество разрозненной информации растет с постоянно увеличивающимися темпами, в процессе решения тактических и стратегических задач экономической безопасности всё острее стоит проблема гармоничного симбиоза человека и программно-аппаратных комплексов. В данной статье коротко описаны некоторые из возможностей и методов подобного симбиоза. В будущих статьях эти темы будут раскрыты и детализированы, а также приведены способы решения конкретных практических задач экономической безопасности.