Comparison of simple algorithms and artificial intelligence in the development of a personal asset tracking service

Abstract

Analysis of modern scientific literature reveals a tendency towards the widespread implementation of artificial intelligence, often without sufficient consideration of indirect efficiency factors such as economic costs, implementation complexity, maintenance, and information security. These studies focus more on the accuracy and performance metrics of artificial intelligence systems, while ignoring indirect but critically important efficiency factors. The aim of this article was to investigate the suitability of applying Artificial Intelligence technologies compared to simple algorithmic solutions within the context of developing software applications for personal asset management. The research methodology was based on a comprehensive comparative analysis of a developed simple algorithm for predicting the time of the next product order and the statistical Auto Regressive Integrated Moving Average (ARIMA) model, as a representative of more complex, albeit not deep, intelligent methods for time series forecasting. Based on the implementation and experiment using data that simulated a real-world scenario, the performance of both approaches was evaluated using key metrics, including accuracy, required computational resources, and implementation complexity. It was found that for tasks with limited data volumes and relatively simple behavioral patterns, which are characteristic of small personal asset management projects, the simple algorithm demonstrated comparable accuracy to the artificial intelligence ARIMA model. It was revealed that the simple algorithm operated with lower computational costs, measured in nanoseconds, and was characterised by lower implementation and subsequent maintenance complexity. The analysis showed that the use of ARIMA, despite its statistical power, was less justified under such conditions, requiring greater computational expenditures and deeper knowledge for its configuration. It was demonstrated that the execution time of ARIMA on small samples was higher (in microseconds), and its reliability was significantly dependent on the volume and quality of the input data. Thus, the necessity of a reasoned choice of technologies, based on the real needs and resource constraints of the project, was emphasised.

Аналіз сучасної наукової літератури виявляє тенденцію до широкого впровадження штучного інтелекту, часто без достатнього врахування непрямих факторів ефективності, таких як економічні витрати, складність імплементації, підтримка та інформаційна безпека. Ці дослідження більш акцентують увагу на показниках точності та продуктивності систем штучного інтелекту, ігноруючи при цьому непрямі, але критично важливі фактори ефективності. Метою цієї статті було дослідити доцільність застосування технологій штучного інтелекту порівняно з простими алгоритмічними рішеннями у контексті розробки програмних застосунків для обліку персональних активів. Методологія дослідження ґрунтувалася на проведенні комплексного порівняльного аналізу розробленого простого алгоритму для прогнозування часу наступного замовлення товару та статистичної моделі Auto Regressive Integrated Moving Average (ARIMA) як представника складніших, хоча й не глибоких інтелектуальних методів прогнозування часових рядів. На основі реалізації та проведеного експерименту з використанням даних, що імітували реальний сценарій, було оцінено продуктивність обох підходів за ключовими метриками, включаючи точність, необхідні обчислювальні ресурси та складність впровадження. Встановлено, що для завдань з обмеженими обсягами даних та відносно простими патернами поведінки, характерними для невеликих проєктів обліку персональних активів, простий алгоритм продемонстрував порівнянну точність з моделлю штучного інтелекту ARIMA. Було виявлено, що простий алгоритм функціонував з меншими витратами обчислювальних ресурсів, вимірюваними в наносекундах, та характеризувався нижчою складністю імплементації та подальшої підтримки. Проаналізовано, що застосування ARIMA, попри її статистичну потужність, виявилося менш виправданим у таких умовах, вимагаючи більших обчислювальних витрат та глибших знань для її налаштування. Показано, що час виконання ARIMA на малих вибірках був вищим (у мікросекундах), а її надійність значно залежала від обсягу та якості вхідних даних. Таким чином, було підкреслено необхідність обґрунтованого вибору технологій, виходячи з реальних потреб та ресурсних обмежень проєкту.