Критическое отставание методологий оценки от реальной практики создания и эксплуатации интеллектуальных систем, отсутствие в действующем российском регулировании специализированных подходов к оценке адаптивных и самообучающихся активов, предопределяют необходимость разработки концептуальных основ нейросетевой методики оценки нематериальных активов, создаваемых с использованием технологий искусственного интеллекта, и формулирование предложений по актуализации нормативной базы в данной сфере.
Применительно к ИИ-активам существующая методология демонстрирует системные недостатки. Во-первых, отсутствуют критерии определения «аналогичных активов» для уникальных алгоритмов машинного обучения, т.к. каждая нейросетевая архитектура является по определению уникальной, что делает невозможным применение метода рыночных цен в традиционном понимании.
Во-вторых, не предусмотрена оценка синергетических эффектов комплексных data science решений. В отличие от традиционного программного обеспечения, стоимость ИИ-системы не является простой суммой стоимости алгоритма, данных и вычислительных ресурсов.
В-третьих, пункт 19 Стандарта требует документального обоснования будущих экономических выгод для активов, создаваемых собственными силами. Тем не менее применительно к ИИ-системам это представляется крайне затруднительным в силу принципиальной непредсказуемости результатов машинного обучения и отсутствия гарантий достижения заданных показателей точности
Нельзя здесь обойти вниманием и проблему «чёрного ящика» — сложность определения справедливой стоимости для непрозрачных алгоритмов, логика которых недоступна для понимания даже их создателями. В стандарте отсутствует методика оценки объяснимости как фактора стоимости, что особенно критично для регулируемых отраслей.
Сказанное позволяет рассмотреть концепцию нейросетевой методики оценки нематериальных активов, базовая логика которой основана на динамической оценке, и показывает, что традиционные методы оценки нематериальных активов основаны на алгоритме статической логики: актив создан – используется – устаревает.
Очевидно, что ИИ-активы требуют принципиально иной, динамической логики: актив создан – обучается – эволюционирует.
Представляется обоснованным предложить концепцию «обучающейся стоимости», согласно которой ценность ИИ-актива возрастает пропорционально накопленному «опыту» — объёму и качеству обработанных данных. Данный подход кардинально отличается от традиционной амортизации, предполагающей исключительно убывание стоимости во времени.
Применительно к ИИ-активам существующая методология демонстрирует системные недостатки. Во-первых, отсутствуют критерии определения «аналогичных активов» для уникальных алгоритмов машинного обучения, т.к. каждая нейросетевая архитектура является по определению уникальной, что делает невозможным применение метода рыночных цен в традиционном понимании.
Во-вторых, не предусмотрена оценка синергетических эффектов комплексных data science решений. В отличие от традиционного программного обеспечения, стоимость ИИ-системы не является простой суммой стоимости алгоритма, данных и вычислительных ресурсов.
В-третьих, пункт 19 Стандарта требует документального обоснования будущих экономических выгод для активов, создаваемых собственными силами. Тем не менее применительно к ИИ-системам это представляется крайне затруднительным в силу принципиальной непредсказуемости результатов машинного обучения и отсутствия гарантий достижения заданных показателей точности
Нельзя здесь обойти вниманием и проблему «чёрного ящика» — сложность определения справедливой стоимости для непрозрачных алгоритмов, логика которых недоступна для понимания даже их создателями. В стандарте отсутствует методика оценки объяснимости как фактора стоимости, что особенно критично для регулируемых отраслей.
Сказанное позволяет рассмотреть концепцию нейросетевой методики оценки нематериальных активов, базовая логика которой основана на динамической оценке, и показывает, что традиционные методы оценки нематериальных активов основаны на алгоритме статической логики: актив создан – используется – устаревает.
Очевидно, что ИИ-активы требуют принципиально иной, динамической логики: актив создан – обучается – эволюционирует.
Представляется обоснованным предложить концепцию «обучающейся стоимости», согласно которой ценность ИИ-актива возрастает пропорционально накопленному «опыту» — объёму и качеству обработанных данных. Данный подход кардинально отличается от традиционной амортизации, предполагающей исключительно убывание стоимости во времени.