Активное проникновение цифровых технологий в хозяйственную деятельность человека объективно ставит задачу формирования информационного пространства и новой технологической основы на всем экономическом пространстве общества. Меняется облик ключевых отраслей народного хозяйства, все большая часть бизнес-процессов переносится в цифровую среду, тем самым формируя без барьерный характер отношений обмена и потребления. Среди отраслей отечественной экономики наивысшими темпами роста цифровой активности, в последние годы, обладает сектор АПК, показатель которой в 2023 г. составил 200% по отношению к среднему уровню по экономике – 131% (в сравнении с 2016 г.), что свидетельствует о начале коренных преобразований в рамках способа производства. Ли-дером АПК является производство зерна и продуктов его переработки, суммарно обеспечивающее более трети общего объема агропродовольственного рынка, поэтому процессы проникновения цифровых решений в зерновое производство требуют пристального внимания. Ключевым бизнес-процессом производства зерна является мониторинг всех его элементов, обеспечивающий качество и своевременность принятия управленческих решений на каждом уровне производства добавленной стоимости. Распространение бизнес-моделей, основанных на цифровых технологиях, требует новой методологии платформенных решений не только на уровне технологической адаптации, но и перестройки, модификации устоявшихся способов ведения агробизнеса, серьезных его организационных изменений. Систематизация подходов цифровых решений показывает, что использование искусственного интеллекта существенно ускоряет цифровую трансформацию зернового производства, однако для повсеместного пере-хода на интеллектуальные методы мониторинга производства зерновых культур необходимо выполнение ряда объективных условий, среди которых: работа с данными, умение выбрать модель компьютерного зрения, создание нейросетевой архитектуры, организация подготовки кадров, умеющих принимать решения на цифровых платформах и формирование соответствующего психолого-поведенческого клиент-контента. Реализация этих условий на базе происходящих институциональных трансформаций, способна обеспечить стабильный рост зернового производства, снижение его энергоемкости, подготовку кадров с компетенциями цифровой экономики.
зерновое производство, цифровой мониторинг, методология организации мониторинга, цифровые технологии, бизнес-процессы производства зерна
Введение
Зерновое производство является ключевым сектором сельского хозяйства России и играет важную роль в обеспечении продовольственной безопасности страны. Зерно не только основной продукт питания, но и источник сырья для многих отраслей промышленности, а также основа кормовой базы животноводства [1]. Благодаря своей способности к длительному хранению, зерно позволяет создавать стратегические запасы, которые могут быть использованы в случае неблагоприятных агрометеорологических условий, экономических кризисов, изменений обстоятельств внешней торговли, выполняя тем самым хеджирующую функцию, обеспечивая стабильное снабжение страны необходимыми продовольственными ресурсами. В соответствии с Указом Президента Российской Федерации от 21.01.2020 г. № 20 «Об утверждении Доктрины продовольственной безопасности Российской Федерации» уровень самообеспечения зерном, рассчитываемый как отношение производства продукции к объему внутреннего потребления в стране, не должен опускаться ниже отметки 95 % [2]. За последние четыре года при среднем уровне внутреннего потребления 80 млн. т. самообеспеченность составляла 141-165%, что в свою очередь создает предпосылки для развития смежных производств и высокий экспортный потенциал [3]. Несмотря на то, что Россия обладает необходимыми возможностями для удовлетворения народнохозяйственных потребностей в зерне, а также потенциалом их расширения, возникают риски замедления прогрессивного развития отрасли без освоения передовых инновационных технологий, являющихся основным трендом современной экономики [4-6]. В зерновом секторе большинство инноваций связаны с процессами цифровизации, в том числе развитием систем сбора, хранения и обработки данных, трансакционных и операционных систем, обеспечивающих получение достоверных сведений для принятия решений. Как результат, растет спрос на аналитические системы ядром которых выступает искусственный интеллект. С помощью искусственного интеллекта проводится цифровизация земель, производится обмен данными между участниками рынка, организован оборот семян, обеспечивается прослеживаемость зерна и продуктов его переработки, пестицидов и ядохимикатов, учет и регистрация тракторов, осуществляется прогнозирование и оценка урожая [7-9]. В системе производства, хранения и переработки зерновых культур в условиях цифровизации ключевым элементом выступает мониторинг бизнес-процессов всех этапов производства зерна, обеспечивающий возможность оперативного реагирования на недопустимые изменения управляемых параметров [10,11]. Систематическое и всестороннее наблюдение за всеми этапами производства, начиная с предпосевной подготовки и заканчивая реализацией зерна, создает базу, на основе которой выстраиваются современные бизнес-стратегии, направленные на оптимизацию производства, повышение урожайности и снижение издержек.
В этих условиях проработка методологических подходов формирования принципов использования цифровых решений в условиях технологических инноваций, является одним из актуальных направлений науки. Несмотря на то, что отдельные аспекты цифровых инноваций зернового производства нашли отражение в работах В.М. Баутина, А.И. Алтухова, Р.С. Гайсина, В.И Нечаева, все же проблема теоретико-методологического обеспечения мониторинга бизнес-процессов производства зерна остается не только не раскрытой, но и в целом не отвечает выдвинутым «Национальной стратегии развития искусственного интеллекта до 2030 года» ориентирам [12]. Эта ситуация довольно удивительна поскольку публичные дискуссии о цифровых инструментах для сельского хозяйства достаточно широки и серьезны. В связи с этим целевые ориентиры настоящей работы объективны и касаются обоснования методологических принципов мониторинга зернового производства.
Условия, материалы и методы.
Объектом исследования является зерновое производства, как центральный элемент агропродовольственного комплекса страны, обеспечивающий ее устойчивое развитие. Предметом – трансформационные процессы цифровой модернизации сельскохозяйственного производства. Методологической предпосылкой исследования являются элементы теории социогенеза и информационного детерминизма в сочетании с основными концепциями агробизнеса. При этом базовой парадигмой выступает ориентация на нормативные документы, устанавливающие направления развития зернового производства в ближайшей перспективе, информационно-технологические разработки современных отечественных и зарубежных ученых-экономистов аграрников в свете законов и тенденций цифровой трансформации (Алтухов А.И., Ушачев И.Г., Трубилин А.И., Рудой Е.В., Нечаев В.И., Гайсин Р.С, Г. Мур, Р. Меткалф, Д. Гилдер и др.), формирующие новые бизнес-модели, ценностные и жизненные мотивации. В качестве эмпирической составляющей использованы информационные ресурсы Федеральной службы государственной статистики РФ, АНО «Цифровая экономика» и НИУ ВШЭ.
Результаты и обсуждение.
В процессе перехода к цифровой экономике система управления зерновым производством претерпевает глубокие и многоаспектные изменения, которые выходят далеко за пределы простой автоматизации производственных процессов посредством интеграции передовых технологий. Эти изменения подразумевают глубокое переосмысление существующих принципов управления и принятия решений, способов взаимодействия между участниками цепочки создания стоимости, их адаптации к новой цифровой реальности. Трансформация системы менеджмента производства обеспечивает переход от традиционной, ручной модели принятия решений, где ключевую роль играет личный (иногда субъективный) опыт субъекта управления и экспертные оценки, к интеллектуальной и data-ориентированной модели, ядром которой выступает искусственный интеллект.
Важно отметить, что данные в систему управления проникают через ее нижний уровень, в основе которого лежит мониторинг. Типологизация операций и анализ функций мониторинга (рис. 1) подчеркивает его ключевую роль в системе управления агробизнесом, посредством наблюдения, контроля и оценки ключевых параметров бизнес-процессов. Эти операции охватывают широкий спектр деятельности, включая контроль за состоянием посевов, свойств почвы, наличием и распространением вредителей и болезней, метеорологическими условиями, а также анализом урожайности и качеством зерна. Важность и незаменимость мониторинга в зерновом секторе не вызывает сомнений и неоднократно подчеркивалась многими экономистами за его возможность обеспечения релевантной информацией процесс принятия решений. Однако с развитием и проникновением в аграрную сферу цифровых технологий, и в особенности технологий искусственного интеллекта, мониторинг становится не просто инструментом сбора данных, но и мощным аналитическим ресурсом, обеспечивающим возможность анализировать, прогнозировать и оптимизировать бизнес в режиме реального времени.
Таким образом, мониторинг выходит на передний план, превращаясь из вспомогательного инструмента менеджера в центральный элемент всей системы управления и главный бизнес-процесс производства зерна, обеспечивая ряд ключевых преимуществ:
- автоматизированный сбор данных – базовая функция интеллектуального мониторинга в современном аграрном производстве, которая сегодня масштабируется благодаря применению широкого спектра цифровых технологий, включая датчики, спутники, БПЛА и других устройств, позволяющих выполнять комплексный и многоуровневый анализ аграрных процессов. Такая интеграция технологий создает уникальную экосистему для непрерывного мониторинга, в рамках которой данные собираются автоматически, обрабатываются и анализируются с целью предоставления актуальной и точной информации о состоянии земель, урожае, климатических условиях и потенциальных рисках;
- интеллектуальный мониторинг в зерновом секторе открывает новые возможности для более обдуманного и оптимального использования ресурсов. Благодаря автоматизированному и систематическому сбору данных о параметрах производства, фермеры могут адаптировать агротехнические приемы, такие как полив, внесение удобрений и применение средств защиты растений, максимально точно и эффективно, минимизируя при этом не только физические, но и экономические затраты;
- совершенствование системы управления рисками с помощью интеллектуального мониторинга в зерновом секторе позволяет минимизировать потенциальные угрозы и повысить устойчивость процесса производства зерна к высокой неопределенности факторов внешней среды. Использование данных о погодных условиях, распространении вредителей и болезней, а также других критических факторах позволяет не только оперативно реагировать на текущие вызовы, но и прогнозировать возможные проблемы, разрабатывая эффективные стратегии их предотвращения;
- повышение прозрачности производственного процесса через цифровой мониторинг становится ключевым аспектом в современном зерновом секторе, обеспечивая все стороны процесса доступом к актуальной и объективной информации. Доступ к релевантной информации укрепляет доверие между всеми участниками процесса, от фермеров до конечных потребителей, которые всё более заинтересованы в качестве продукции и условиях её производства. Цифровой мониторинг также способствует демонстрации соответствия продукции стандартам качества и экологическим требованиям, что становится критически важным в условиях глобализации рынков;
- цифровой мониторинг в АПК становится неотъемлемым элементом стратегии устойчивого развития, направленной на минимизацию воздействия сельского хозяйства на окружающую среду. Благодаря точному и эффективному управлению ресурсами, включая воду и удобрения, а также сокращению применения химических средств защиты растений, удается значительно уменьшить экологический отпечаток аграрного производства. Эти меры не только способствуют сохранению почвенного плодородия и предотвращению загрязнения водных источников, но и поддерживают биоразнообразие;
- благодаря способности обрабатывать большие объемы данных в реальном времени, интеллектуальный мониторинг обеспечивает эффективную адаптацию управляемой системы к динамично меняющимся условиям внешней среды. Кроме того, адаптация к рыночным условиям и трендам также становится более управляемой благодаря анализу данных о спросе, ценах и предпочтениях потребителей. Цифровой мониторинг обеспечивает возможности для расширения рынка или необходимость корректировки ассортимента продукции, опираясь на актуальную информацию, повышая конкурентоспособность агробизнеса.
Таким образом, в условиях цифровой экономики мониторинг, усиленный возможностями искусственного интеллекта, становится не просто инструментом наблюдения, но и стратегическим ресурсом, который определяет эффективность управленческой деятельности в зерновом секторе, выступая в качестве ее основополагающего звена и обеспечивая ее адаптацию к новым вызовам и возможностям цифровой эры (рис. 2).
Рисунок 2 – Цикл модели интеллектуального управления производством зерна
На каждом этапе цикла интеллектуального управления зерновым производством ИИ-решения определяют новые горизонты хозяйственной деятельности охватывая широкий спектр проблемно ориентированных возможностей, включая цифровой мониторинг.
На этапе осмысления ИИ использует технологии обработки естественного языка и машинного перевода для анализа полученных данных, включая текстовые отчёты, научные статьи и рекомендации экспертов, что дает возможность не просто глубже понять текущую производственную ситуацию, но и выявить тренды и закономерности, неочевидные для человека.
На этапе принятия решений, на основе собранных и проанализированных данных ИИ определяет наиболее эффективные стратегии управления, что включает в себя оптимизацию графика полива, корректировку плана внесения удобрений или разработку мер по борьбе с вредителями и болезнями, прогнозируя при этом исходы различных стратегий, позволяя аграриям выбирать наиболее предпочтительные варианты действий.
На этапе действия происходит реализация принятых решений через роботизированные системы, которые воплощают в жизнь анализируемую информацию через физические действия, такие как сбор урожая, обработка посевов, переработка и др.
Передовой технологией, обладающей огромным потенциалом для интеллектуализации задач мониторинга зернового сектора, является компьютерное зрение ‒ класс решений, которые находят, отслеживают и классифицируют объекты, а также синтезируют видео / изображения. Экспертные системы, опирающиеся на результаты моделей компьютерного зрения способны антиципировать возможные сценарии развития агробизнеса, позволяя производителю адекватно и своевременно реагировать на возможные изменения. Использование компьютерного зрения в зерновом секторе способно не просто усовершенствовать процесс принятия решений, а революционизировать его, влияя на мышление и психологию субъекта управления, заставлять переосмысливать традиционные методы земледелия, внося элементы точности, предиктивности, прозрачности и автоматизации практически в каждый аспект процесса производства зерна.
Для перехода к цифровой модели мониторинга, основу которого составляют технологии компьютерного зрения необходимо наличие методологии, под которой будем понимать комплексный подход к системе мер, принципов и способов организации и построения процесса наблюдения и контроля за состоянием объекта в зерновом секторе АПК (рис. 3).
На начальных этапах цифровизации ставится задача всестороннего анализа потребностей, которая является основополагающей для построения эффективной системы мониторинга. Данный шаг критически важен, поскольку связан с определением ключевых зон для наблюдения и контроля будущей интеллектуальной системы, то есть выявления агрономических и производственных аспектов, требующих внимания. В рамках данного блока проводится анализ текущего состояния зернового производства, оцениваются существующие вызовы и проблемы, а также определяются возможности для совершенствования бизнес-процессов с помощью технологий мониторинга.
Рисунок 3 – Методология организации мониторинга зернового производства в условиях цифровизации
Эффективность любой интеллектуальной системы зависит от объема и качества имеющихся данных. Массивы информации необходимы на всех этапах ‒ от начального обучения до тестирования и регулярных обновлений в течение всего жизненного цикла продукта. Особенно актуальна эта проблема в сфере зернового производства, где остро ощущается дефицит структурированных и актуальных данных для формирования эффективных мониторинговых систем.
Попытки использовать открытые источники данных приводят к ряду проблем, включая специфичность и ограниченную изменчивость информации. Многие доступные наборы связаны с конкретными географическими регионами, часто находящимися за пределами России, что снижает их пригодность для отечественного зернового сектора. Кроме этого, открытые базы часто являются неполными, содержат неточности и ошибки, особенно если они наполнялись для специализированных целей без участия экспертов в области аграрного производства. В результате, ИИ-системы, настроенные на основе такой информации, не будут обладать достаточной масштабируемостью для адаптации к разнообразным условиям и задачам мониторинга. Открытые данные, хоть и могут быть полезны для первоначальных исследований, редко подходят для создания окончательных ИТ-решений, предназначенных для интеграции в производственные процессы.
Мониторинг в зерновом секторе предполагает решение множества специфических задач, каждая из которых требует особого подхода к структурированию и представлению данных. В этом контексте крайне важно разработать и строго придерживаться методик и регламентов сбора и обработки данных, определяющих какие производственные характеристики отслеживаемых процессов подлежат измерению, как часто и в какой форме данные должны фиксироваться. Следование четко определенным методикам и регламентам поможет избежать путаницы и дублирования усилий, а также обеспечит согласованность и надежность получаемой информации, что является критически важным для точной диагностики и глубокого анализа.
Чтобы обеспечить актуальность и качество информации, а также извлечение из нее ценных знаний для дальнейшего анализа, необходимо организовать процесс управления непрерывной доставкой данных в хранилища, при этом детерминируя систему сбора и обработки сведений по уровням [13,14].
На базовом уровне, где данные поступают непосредственно от хозяйств, акцент делается на сборе оперативной информации о текущем состоянии посевов, погодных условиях, наличии вредителей и болезней, состояния почвы и т.п. Эти данные могут быть использованы для немедленного реагирования на возникающие проблемы, оптимизации процессов ухода за посевами и планирования сельскохозяйственных работ. На региональном уровне собранная информация агрегируется и анализируется с целью выявления тенденций, специфичных для данной местности, и определения необходимости внедрения региональных мер поддержки и развития зернового производства. Такой подход позволяет адаптировать стратегии развития к конкретным условиям и потребностям региона, учитывая его климатические особенности, структуру посевных площадей и наличие инфраструктуры. На федеральном уровне данные из различных регионов объединяются для формирования общенациональной картины, позволяя оценивать и прогнозировать валовые сборы зерна на масштабе всей страны, определять направления для инвестиций и корректировать государственную политику в области сельского хозяйства. В этом контексте данные могут быть использованы для разработки и реализации стратегий по обеспечению продовольственной безопасности, поддержке экспортного потенциала и стимулированию внедрения инновационных технологий.
Завершающий этап в методологии мониторинга зернового производства ‒это не просто технологическое действие, это симбиоз научно-исследовательской деятельности и практического применения инноваций, направленный на создание работающей, адаптивной и интеллектуальной системы, которая становится неотъемлемой частью цикла цифрового управления, влияя на каждый бизнес-процесс от поля до потребителя. Настройка алгоритмов искусственного интеллекта требует не только технических знаний, но и понимания уникальных характеристик и потребностей каждого агропредприятия, чтобы обеспечить точность анализа и актуальность результатов. ИИ-решения не являются статичным инструментом ‒ они обучаются и совершенствуются, улавливая тонкости и нюансы новаций в производстве зерна, обеспечивая таким образом связь между непосредственным бизнес-процессом и возможностью его улучшения.
Развитие компьютерного зрения и сверточных нейронных сетей открывает новые возможности для обнаружения объектов, классификации и сегментации, что критически важно для мониторинга посевов, состояния почвы и других аспектов зернового производства. Многочисленные исследования в этой области обеспечивают постоянный приток новых моделей и подходов, что требует от разработчиков систематического подхода к оценке и выбору наилучших из них. Определяя наилучшую модель для системы мониторинга, разработчики сталкиваются с необходимостью взвешенного сравнения эффективности и размера моделей. Важно выбрать такие решения, которые обеспечивают не только высокое качество анализа данных, но и могут быть эффективно интегрированы в существующую инфраструктуру и процессы зернового производства.
Эффективное внедрение интеллектуальных систем в зерновое производство требует внимания не только к техническим и институциональным аспектам, но и к готовности первичных исполнителей, таких как фермеры и агрономы, к принятию новых цифровых решений. Одной из главных преград является ограниченный уровень цифровых навыков и знаний у данной аудитории. Многие специалисты сельскохозяйственного сектора могут испытывать трудности в обращении с современными информационными технологиями и программными решениями. Недостаточная подготовка в области цифровой грамотности может препятствовать эффективному использованию интеллектуальных систем диагностики, мониторинга и управления, которые предоставляют ценную информацию для оптимизации производственных процессов. Как показывает опыт общения авторов настоящего исследования с представителями аграрной сферы, препятствием для использования искусственного интеллекта на местах является элементарное отсутствие знаний о технологиях, основанных на нейросетях, боязнь сбоев в работе техники, невозможность устранения неполадок. Отсюда возникает необходимость радикального увеличения мер по популяризации ИИ, распространении сервисов на основе технологий искусственного интеллекта для личного использования в отношении получения госуслуг, решения бытовых задач, профориентации, медицинской помощи и пр. На наш взгляд только комплекс мер по широкому использованию технологий искусственного интеллекта в обычной жизни сельского труженика может обеспечить успешное внедрение и использование интеллектуальных систем в сфере зернового производства и эффективное взаимодействие аграриев с данными технологиями, среди которых: организация обучающих курсов и программ, направленных на повышение цифровой грамотности сельскохозяйственных специалистов; простота и понятность интерфейсов для интеллектуальных систем; создание механизмов поддержки и консультации для пользователей в том числе через организацию коммуникационных платформ и сообществ, где пользователи могут обмениваться опытом и знаниями.
Выводы.
Трансформация агропромышленного комплекса в сторону широкого использования цифровых технологий, ведущую роль в которых приобретает искусственный интеллект, обуславливает необходимость разработки новых принципов и способов организации контроля за всеми бизнес-процессами зернового производства. Это значительно повышает роль мониторинга в получении аналитической информации для принятия своевременных управленческих решений. Для лучшего понимания сущностных характеристик мониторинга выполнена классификация его видов и функций, включая функции наблюдения, контроля и оценки ключевых характеристик производственных подпроцессов; показано место цифрового мониторинга в цикле модели интеллектуального управления производством зерна; выявлены главные преимущества цифрового мониторинга: автоматизированный сбор данных, оптимизация использования производственных ресурсов, совершенствование системы управления рисками, повышение прозрачности производственного процесса, эффективная адаптация управляемой системы к меняющимся условиям внешней среды; представлена методология мониторинга зернового производства в условиях цифровизации, под которой в работе понимается комплексный подход к системе мер, принципов и способов организации и построения процесса наблюдения и контроля за состоянием объекта в зерновом секторе АПК. Предложенная методология охватывает как технические, так и институциональные аспекты организации цифрового мониторинга, что демонстрирует её комплексный и многоуровневый характер. Технические аспекты включают в себя: сбор и разметку данных, обучение моделей компьютерного зрения, построение облачных решений и платформ для удаленного доступа к инструментам мониторинга и управления. К институциональным аспектам методологии относятся: подготовка кадров, политика конфиденциальности и защиты данных, разработка нормативно-правовой базы цифрового мониторинга.
В соответствии с авторской концепцией предложенная методология может служить концептуальным основанием развития интеллектуальной составляющей зернового производства, на ее основе может совершенствоваться государственная политика цифровизации зернового хозяйства, осуществляться поиск новых форм и методов кадрового обеспечения бизнес-процессов производства зерна.
1. Распоряжение Правительства Российской Федерации от 10.08.2019 № 1796 - р «Об утверждении Долгосрочной стратегии развития зернового комплекса Российской Федерации до 2035 года» // Режим доступа: http://government.ru/docs/37668/ (дата обращения 06.03.2024)
2. Указ Президента Российской Федерации от 21.01.2020 г. № 20 «Об утверждении Доктрины продовольственной безопасности Российской Федерации» // Режим доступа: http://www.kremlin.ru/acts/bank/45106 (дата обращения 06.03.2024)
3. Федеральная служба государственной статистика. Сельское хозяйство, охота и лесное хозяйство // Режим доступа: https://rosstat.gov.ru/enterprise_economy (дата обращения 06.03.2024)
4. Зюкин Д.А. Роль цифровизации в развитии зернопродуктового подкомплекса АПК / Д.А. Зюкин, З.И. Латышева, Е.В. Скрипкина, Ю.В. Лисицына // Международный сельскохозяйственный журнал. 2022. Т. 65, № 1 (385). DOI:https://doi.org/10.55186/25876740_2022_65_1_94.
5. Gusev A., Koshkina I. The grain sub-complex of the region: trends and development prospects when growing competition // IOP Conference Series: Earth and Environmental Scienceю 2022. DOI: https://doi.org/10.1088/ 1755-1315/1043/1/012021.
6. Aleksandrov I., Daroshka V., Trushkin V., Chekhovskikh I., O. E. Problems and prospects for sustainable development of the Russian agro-industrial sector under international sanctions and green agenda // E3S Web of Conferences. 2023. https://doi.org/10.1051/e3sconf/202337103037.
7. Скворцов Е. А. Применение технологий искусственного интеллекта в сельском хозяйстве / Е. А. Скворцов, В. И. Набоков, К. В. Некрасов, Е. Г. Скворцова, М. И. Кротов // Аграрный вестник Урала. 2019. № 8 (187). С. 91-98. DOI:https://doi.org/10.32417/article_5d908ed78f7fc7.89378141.
8. Yang Z., Guoying Q. Practice and application of smart agricultural technology in agricultural development // Southern Agricultural Machinery. 2023. Vol. 54(2). pp. 87-92
9. Turson A., Heti A.M. Design of intelligent agriculture comprehensive application platform based on Internet of Things technology. Intelligent Agriculture Guide. 2023. № 3(12). Pp. 5-9.
10. Малыгин А.А. Формирование системы мониторинга риска развития зернового производства на основе цифровой трансформации // Современные наукоемкие технологии. Региональное приложение. 2020. №4 (64). С. 35-40.
11. Оленин О.А. Цифровой мониторинг показателей агрофитоценозов на основе беспилотных технологий / О.А. Оленин, С. Н. Зудилин, С.Н. Шевченко, Ю.В. Осоргин, А.С. Чернов // Плодородие. 2019. №5(110). С. 56-59.
12. Указ Президента РФ от 10.10.2019 N 490 "О развитии искусственного интеллекта в Российской Федерации" (вместе с "Национальной стратегией развития искусственного интеллекта на период до 2030 года") // Режим доступа: https://economy.gov.ru/material/directions/fed_proekt_iskusstvennyy_intellekt/ (дата обращения 06.03.2024)
13. Ариничев И.В., Сидоров В.А. Цифровые решения бизнес-процессов АПК: проблемы организации нейросетевой диагностики посевов зерновых культур // АПК: экономика, управление. 2024, №1. С.26-33. DOI: https://doi.org/10.33305/241-26.
14. Ариничев И. В., Сидоров В. А. Теоретико-методологический подход к информационному обеспечению управления зерновым производством // Аграрный вестник Урала. 2023. Т. 23, № 12. С. 111-121. DOI:https://doi.org/10.32417/1997-4868-2023-23-12-111-121.
