ORIGINAL PAPER
Prospects and efficiency measurement of artificial intelligence in the management of enterprises in the energy sector in the era of Industry 4.0
 
 
More details
Hide details
1
Department of Menegement, Odessa Polytechnic State University, Ukraine
 
 
Submission date: 2021-08-31
 
 
Final revision date: 2021-11-15
 
 
Acceptance date: 2021-11-19
 
 
Publication date: 2021-12-29
 
 
Corresponding author
Hanna Doroshuk   

Department of Menegement, Odessa Polytechnic State University, Shevchenko av., 65044, Odesa, Ukraine
 
 
Polityka Energetyczna – Energy Policy Journal 2021;24(4):61-76
 
KEYWORDS
TOPICS
ABSTRACT
The evolution of the economy and the formation of Industry 4.0 lead to an increase in the importance of intangible assets and the digitization of all processes at energy enterprises. This involves the use of technologies such as the Internet of Things, Big Data, predictive analytics, cloud computing, machine learning, artificial intelligence, robotics, 3D printing, augmented reality etc. Of particular interest is the use of artificial intelligence in the energy sector, which opens up such prospects as increased safety in energy generation, increased energy efficiency, and balanced energy-generation processes. The peculiarity of this particular instrument of Industry 4.0 is that it combines the processes of digitalization and intellectualization in the enterprise and forms a new part of the intellectual capital of the enterprise. The implementation of artificial intelligence in the activities of energy companies requires consideration of the features and stages of implementation. For this purpose, a conceptual model of artificial intelligence implementation at energy enterprises has been formed, which contains: the formation of the implementation strategy; the design process; operation and assessment of artificial intelligence. The introduction of artificial intelligence is a large-scale and rather costly project; therefore, it is of interest to assess the effectiveness of using artificial intelligence in the activities of energy companies. Efficiency measurement is proposed in the following areas: assessment of economic, scientific and technical, social, marketing, resource, financial, environmental, regional, ethical and cultural effects as well as assessment of the types of risks associated with the introduction of artificial intelligence.
METADATA IN OTHER LANGUAGES:
Polish
Perspektywy i pomiar efektywności sztucznej inteligencji w zarządzaniu przedsiębiorstw sektora energetycznego w dobie Przemysłu 4.0
sztuczna inteligencja, pomiar efektywności, zagrożenia sztucznej inteligencji, Przemysł 4.0
Ewolucja gospodarki i powstanie Przemysłu 4.0 prowadzą do wzrostu znaczenia wartości niematerialnych i cyfryzacji wszystkich procesów w przedsiębiorstwach energetycznych. Wiąże się to z wykorzystaniem technologii takich jak Internet Rzeczy, Big Data, analityka predykcyjna, przetwarzanie w chmurze, uczenie maszynowe, sztuczna inteligencja, robotyka, druk 3D, rozszerzona rzeczywistość itp. Szczególnie interesujące jest wykorzystanie sztucznej inteligencji w energetyce, co otwiera takie perspektywy jak zwiększenie bezpieczeństwa wytwarzania energii, wzrost efektywności energetycznej oraz zbilansowane procesy wytwarzania energii. Specyfiką tego konkretnego instrumentu Przemysłu 4.0 jest to, że łączy procesy cyfryzacji i intelektualizacji w przedsiębiorstwie i stanowi nową część kapitału intelektualnego przedsiębiorstwa. Wdrożenie sztucznej inteligencji w działalności przedsiębiorstw energetycznych wymaga uwzględnienia ich specyfiki oraz etapowego wdrożenia. W tym celu stworzono koncepcyjny model wdrożenia sztucznej inteligencji w przedsiębiorstwach energetycznych, który zawiera: tworzenie strategii wdrożenia; projektowanie; działanie i ocenę sztucznej inteligencji. Wprowadzenie sztucznej inteligencji to projekt o dużej skali i dość kosztowny, dlatego warto ocenić efektywność jego wykorzystania w działalności firm energetycznych. Zaproponowano pomiar efektywności w następujących obszarach: ocena skutków ekonomicznych, naukowo-technicznych, społecznych, marketingowych, zasobowych, finansowych, środowiskowych, regionalnych, etycznych i kulturowych, a także ocenę rodzajów zagrożeń związanych z wprowadzeniem sztucznej inteligencji.
 
REFERENCES (31)
1.
Armenakis et al. 1993 – Armenakis, A.A., Harris, S.G. and Mossholder, K.W. 1993. Creating Readiness for Organizational Change. Human Relations 46, pp. 681–703.
 
2.
Artificial intelligence the next digital frontier? McKinsey Global Institute. July 2017. 80 p. [Online] https://www.mckinsey.com/~/med... [Accessed: 2021-07-15].
 
3.
Bakke, D. 2005. Joy a work: A Revolutionary Approach to Fun on the Job. Seattle: PVG, 314 pp.
 
4.
Behrens, W. and Hawranek, P.M. 1978. Manual for the preparation of industrial feasibility studies. NY: Unated Nations, 404 pp.
 
5.
Berger, R. 2013. How to Survive in the VUCA World. Hamburg: Roland Berger, 245 pp.
 
6.
Blommaert, Т. and Broek, S. 2017. Management in Singularity: From linear to exponential management. Vakmedianet; 1 edition, 172 pp.
 
7.
Borowski, P.F. 2016. Development strategies for electric utilities. Acta Energetica 4, pp. 16–21.
 
8.
Borowski, P. 2021. Innovative Processes in Managing an Enterprise from the Energy and Food Sector in the Era of Industry 4.0. Processes 9(2), 381, DOI: 10.3390/pr9020381.
 
9.
Bostrom, N. 2014. Superintelligence: Paths, Dangers, Strategies. Oxford University Press, 352 pp.
 
10.
Cheatham et al. 2019 – Cheatham, B., Javanmardian, K. and Samandari, H. 2019. Confronting the risks of artificial intelligence. [Online] https://www.mckinsey.com/busin... [Accessed: 2021-07-15].
 
11.
Doroshuk, H. 2019. Organizational development: theory, methodology, practice (Організаційний розвиток: теорія, методологія, практика). Odesa: Osvita Ukrainy, 368 pp. (in Ukrainian).
 
12.
Doroshuk, H. 2020. Reform of the electricity sector in Ukraine – liberalization of the market and corporatization of companies. Polityka Energetyczna – Energy Policy Journal 23(4), pр. 105–122. [Online] https://epj.min-pan.krakow.pl/... [Accessed: 2021-07-15].
 
13.
Edvinsson, L. and Malone, M. 1997. Intellectual Capital: Realizing your Company’s True Value by Finding its Hidden Brainpower. New York, NY: Harper Collins.
 
14.
Firer, S. and Williams, S.M. 2003. Intellectual capital and traditional measures of corporate performance. Journal of Intellectual Capital 4(3) , pp. 348–360, DOI: 10.1108/14691930310487806.
 
15.
Hoe, S.L. 2019. The topicality of the learning organization: Is the concept still relevant today? [In:] The Oxford Handbook of the Learning Organization, Oxford University Press: Oxford, UK, pp. 18–32.
 
16.
Jackson, P.C. Jr. 2019. Introduction to Artificial Intelligence. New York: Dover Publication Inc., 170 pp.
 
17.
Jensen, P.E. 2005. A contextual theory of learning and the learning organization. Knowledge Process Management 12, pp. 53–64, DOI: 10.1002/kpm.217.
 
18.
Jones, M.T. 2017. A Beginner’s Guide to Artificial Intelligence, Machine Learning and Cognitive Computing. [Online] https://developer.ibm.com/arti... [Accessed: 2021-07-15].
 
19.
Kinelski, G. 2020. The main factors of successful project management in the aspect of energy enterprises’ efficiency in the digital economy environment. Polityka Energetyczna – Energy Policy Journal 23(3), pр. 5–20, DOI: 10.33223/epj/126435.
 
20.
Koistinen, P. 2021. Toward learning organization – Practices in nuclear power plants. [In:] Human Factors in the Nuclear Industry, Elsevier BV: Amsterdam, The Netherlands, pp. 239–247.
 
21.
Laloux, Fr. 2014. Reinventing Organizations: A Guide to Creating Organizations Inspired by the Next Stage of Human Consciousness. Brussels: Nelson&Parker, 379 pp.
 
22.
Levy, F. 2009. A simulated approach to valuing knowledge capital. Washington: The George Washington University, 189 pp.
 
23.
Nazari, J.A. and Herremans, I.M. 2007. Extending VAIC model: measuring intellectual capital components. Journal of Intellectual Capital 8(4), DOI: 10.1108/14691930710830774.
 
24.
Oklander et al. 2018 – Oklander, M., Oklander, T., Yashkina, O., Pedko, I. and Chaikovska, M. 2018. Analysis of technological innovations in digital marketing. Eastern-European Journal of Enterprise Technologies 5/3 (95), pp. 80–91, DOI: 10.1088/1755-1315/440/2/022026.
 
25.
Pan et al. 2020 – Pan, T., Hu, T. and Geng, J. 2020. View learning organization in a situational perspective. IOP Conference Series: Earth and Environmental Science 440 pp.
 
26.
Piano, S.L. 2020. Ethical principles in machine learning and artificial intelligence: Cases from the field and possible ways forward. Humanities and Social Science Communication 7, DOI: 10.1057/s41599-020-0501-9.
 
27.
Romer, P.M. 1994. The Origins of Endogenous Growth. The Journal of Economic Perspectives 8(1), pp. 3–22.
 
28.
Sozontov et al. 2019 – Sozontov, A., Ivanova, M. and Gibadullin, A. 2019. Implementation of artificial intelligence in the electric power industry. [In:] E3S Web of Conferences 114, DOI: 10.1051/e3sconf/201911401009. EDP Sciences.
 
29.
Toffler, A. 1984. The Third Wave. NY: Bantam, 560 pp.
 
30.
Tortorella et al. 2020 – Tortorella, G.L., Vergara, A.M.C., Garza-Reyes, J.A. and Sawhney, R. 2020. Organizational learning paths based upon Industry 4.0 adoption: An empirical study with Brazilian manufacturers. International Journal of Production Economics 219, pp. 284–294, DOI: 10.1016/j.ijpe.2019.06.023.
 
31.
Von Ketelhod, Wöcke, A. 2008. The impact of electricity crises on the consumption behaviour of small and medium enterprises. Journal of Energy in Southern Africa 19(1), pp. 4–12.
 
eISSN:2720-569X
ISSN:1429-6675
Journals System - logo
Scroll to top