Научный архив: статьи

В статье рассматривается задача календарного планирования производства в условиях высокой динамики, неопределенности и неоднородности ресурсов. Традиционные подходы, основанные на централизованных алгоритмах и ERP/MES-системах, часто игнорируют индивидуальные характеристики оборудования и персонала, а также слабоформализованные технологические ограничения, что снижает эффективность и адекватность расписаний. Для преодоления этих ограничений предложена оригинальная гибридная архитектура, интегрирующая многоагентную систему и технологии генеративного искусственного интеллекта. На основе ранее предложенных методологических основ формализована многоагентная модель в виде кортежа, включающего агентов-ресурсов, агентов-потребителей, онтологическую базу знаний, семантические ограничения и локальные/глобальные критерии оптимизации. Ключевым нововведением является встраивание большой языковой модели через архитектуру Retrieval-Augmented Generation, что позволяет генерировать адаптивные стратегии планирования, обеспечивать объяснимость решений и моделировать сценарии при сбоях без риска галлюцинаций. Предложен двухстадийный алгоритм взаимодействия агентов: на первой стадии формируется допустимое расписание с учетом доступности ресурсов, на второй - проводится его оптимизация через интеллектуальные переговоры с участием генеративного ИИ. Экспериментальная проверка в симуляционной среде, имитирующей механообрабатывающий цех, показала эффективность предлагаемого подхода. Результаты подтверждают, что интеграция генеративного ИИ в многоагентные системы создает когнитивный слой, повышающий не только эффективность, но и доверие к системе, что критически важно для внедрения ИИ в реальные производственные и управленческие процессы.

В статье рассматриваются возможности внедрения систем поддержки принятия решений в процесс оценки стоимости залогового обеспечения. Подчеркивается важная роль банков в экономике и их стремление предложить клиентам наиболее выгодные условия кредитования. Сроки выдачи кредитов и оценка стоимости залога являются ключевыми факторами, влияющими на успех банка и его конкурентоспособность.

Основная часть статьи посвящена описанию СППР как инструмента, который помогает принимать решения на основе анализа данных и алгоритмов их последующей обработки. Подробно рассматривается процесс принятия решений, который включает генерацию возможных альтернатив, их оценку и выбор лучшей альтернативы. В статье представлены основные компоненты СППР для оценки стоимости залогового обеспечения: сбор данных, анализ данных, оценка стоимости, прогнозирование и рекомендации.

Сбор данных включает информацию о конкретном объекте имущества, объектах-аналогах и текущей рыночной ситуации. Источники данных могут быть разнообразными: публичные данные, данные от профессионалов рынка, собственные данные системы и данные из исследований. Анализ данных направлен на обеспечение их качества и определение факторов, влияющих на стоимость имущества.

Оценка стоимости имущества осуществляется с использованием современных моделей и алгоритмов машинного обучения. Прогнозирование позволяет предоставить прогнозы о будущей стоимости имущества, что важно для стресс-тестирования стабильности кредитного портфеля и банковской системы. Рекомендации системы помогают минимизировать залоговые риски банка.

В заключение делается вывод о целесообразности разработки и внедрения такого инструментария как система поддержки принятия решений в практическую деятельность финансовых организаций для оценки залога.