В данной статье рассматриваются теоретические и практические аспекты управления запасами готовой продукции на предприятии с серийным производством. Актуальность исследования обусловлена необходимостью повышения эффективности управления ресурсами в условиях расширяющегося ассортимента и нестабильного спроса. В работе анализируются классические методы управления запасами, включая модель Уилсона, ABC–XYZ-анализ и современные подходы, основанные на методах машинного обучения и интеллектуального анализа данных. Разработана комплексная модель прогнозирования спроса и управления запасами, реализованная на языке Python с использованием алгоритмов Prophet и CatBoost, интегрируемая с платформой «1С: Предприятие». Проведен сравнительный анализ эффективности традиционного и интеллектуального подходов, продемонстрировано снижение издержек на хранение и улучшение точности планирования. Модель позволяет адаптивно реагировать на изменения рыночной конъюнктуры и оптимизировать логистические процессы, обеспечивая устойчивость производственной системы.
В статье исследуются методы оптимизации управления многослойными криогенными системами с вакуумной изоляцией и азотным экраном с применением алгоритмов машинного обучения. Основное внимание уделяется минимизации потерь криогенных про-дуктов, повышению надежности хранения и транспортировки, а также интерпретируемости моделей для обоснованного принятия решений. Проведен анализ критически значимых технико-организационных параметров, влияющих на эксплуатацию криогенных систем, и рассмотрены подходы к адаптации алгоритмов машинного обучения с учетом специфики работы в экстремальных температурных условиях. Исследование включает разработку и валидацию алгоритмов прогнозирования параметров системы, таких как уровень и давление жидкого гелия, с использованием методов линейной регрессии, решающих деревьев и градиентного бустинга. Рассмотрены вопросы предобработки данных, включая устранение выбросов, заполнение пропусков и генерацию новых признаков, что позволяет повысить точность прогнозирования. Также сформулированы рекомендации по интеграции интеллектуальных алгоритмов в системы управления, обеспечивающие их промышленную применимость. Практическая значимость работы заключается в разработке стандартизированных протоколов внедрения алгоритмов машинного обучения, направленных на улучшение энерго-эффективности и устойчивости работы криогенных систем. Результаты исследования могут быть использованы при проектировании новых криогенных систем и модернизации су-ществующих инфраструктурных комплексов, что способствует повышению надежности и снижению эксплуатационных затрат.
Разведка на основе открытых источников (OSINT) является краеугольным камнем современного аудита информационной безопасности и операций красных команд (red teaming), обеспечивая выявление цифровых активов организации с использованием общедоступных данных. Однако существующие инструменты OSINT часто генерируют избыточное количество ложноположительных результатов при попытке связать IP-адреса и доменные имена с искомыми организациями. В статье предлагается система фильтрации на основе методов машинного обучения, существенно снижающая уровень ложных срабатываний в выборках, полученных с использованием OSINT. Система формирует высокоразмерные векторы признаков на основе данных WHOIS, метаданных DNS, SSL-сертификатов и содержимого веб-страниц. С использованием ансамблевого классификатора на основе градиентного бустинга достигается высокая точность атрибуции при сохранении устойчивости к разнообразным типам инфраструктуры. Эксперимент проведен на более чем 30 000 реальных цифровых объектов, собранных от семи организаций, и показал значительное повышение точности атрибуции, подтверждая практическую применимость предлагаемого подхода для обеспечения информационной безопасности.