РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ ДЛЯ АВТОМАТИЗИРОВАННОЙ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

DEVELOPMENT OF INTELLIGENT INFORMATION SYSTEMS FOR AUTOMATED SUPPORT OF MANAGERIAL DECISION-MAKING

Staroverov Artem Sergeevich

Postgraduate student, Moscow University «Synergy», Russia, Moscow

Аннотация. В статье исследуются современные подходы к проектированию и внедрению интеллектуальных информационных систем для поддержки управленческих решений, включая технологии искусственного интеллекта (машинное обучение, нейронные сети, обработку естественного языка), цифровые двойники и промышленный интернет вещей (IoT). Актуальность исследования обусловлена необходимостью адаптации интеллектуальных систем управления к вызовам цифровой трансформации предприятий в условиях импортозамещения. Целью работы является выявление эффективных стратегий внедрения ИИС на основе сравнительного анализа опыта ведущих российских компаний (Газпромнефть, Росатом, Транснефть). Методология включает системный анализ архитектуры ИИС, классификацию технологических решений по критериям функциональности, масштабируемости и интеграционного потенциала, а также оценку экономических эффектов от их применения.

Результаты исследования доказывают, что максимальная эффективность интеллектуальных систем управления достигается при: реализации модульного подхода к проектированию архитектуры ИИС, обеспечивающего гибкость и адаптивность системы; комбинированном использовании технологий искусственного интеллекта (генеративные модели, мультиагентные системы, когнитивная аналитика) с учетом отраслевой специфики; создании механизмов непрерывного обучения и адаптации системы на основе обратной связи. Особое значение имеет разработка комплексных решений, сочетающих функциональность ERP-, MES- и SCADA-систем с элементами искусственного интеллекта, что подтверждается успешными кейсами внедрения национальной платформы промышленной автоматизации в Газпромнефти и IoT-платформы Росатома.

Практическая ценность исследования заключается в разработке рекомендаций по проектированию корпоративных ИИС, включая: методику оценки готовности предприятия к внедрению интеллектуальных систем; алгоритм выбора технологических решений. Особое внимание уделено вопросам кибербезопасности и управления данными в условиях использования распределенных архитектур. Направления дальнейших исследований включают: разработку оценки эффективности; изучение возможностей блокчейн-технологий для обеспечения безопасности интеллектуальных систем управления.

Abstract. The article explores modern approaches to the design and implementation of intelligent information systems to support management decisions, including artificial intelligence technologies (machine learning, neural networks, natural language processing), digital twins, and the industrial Internet of Things (IoT). The relevance of the research is due to the need to adapt intelligent management systems to the challenges of digital transformation of enterprises in the context of import substitution. The aim of the work is to identify effective strategies for implementing AIS based on a comparative analysis of the experience of leading Russian companies (Gazprom Neft, Rosatom, Transneft). The methodology includes a system analysis of the AIS architecture, classification of technological solutions according to criteria of functionality, scalability and integration potential, as well as an assessment of the economic effects of their application.

The results of the study prove that the maximum efficiency of intelligent control systems is achieved by: implementing a modular approach to the design of the AIS architecture, providing flexibility and adaptability of the system; combined use of artificial intelligence technologies (generative models, multi-agent systems, cognitive analytics), taking into account industry specifics; creating mechanisms for continuous learning and system adaptation based on feedback. Of particular importance is the development of integrated solutions combining the functionality of ERP, MES, and SCADA systems with elements of artificial intelligence, which is confirmed by successful cases of the implementation of the national industrial automation platform at Gazprom Neft and the Rosatom IoT platform.

The practical value of the research lies in the development of recommendations for the design of corporate AIS, including: the methodology for assessing the company's readiness to implement intelligent systems; the algorithm for selecting technological solutions. Special attention is paid to cybersecurity and data management issues in the context of using distributed architectures. Areas of further research include: developing an efficiency assessment; exploring the possibilities of blockchain technologies to ensure the security of intelligent control systems.

Ключевые слова: интеллектуальные информационные системы, ИИС, искусственный интеллект, цифровые двойники, промышленная автоматизация, IoT, машинное обучение, управленческие решения, российские компании, импортозамещение.

Keywords: intelligent information systems, AIS, artificial intelligence, digital twins, industrial automation, IoT, machine learning, management solutions, Russian companies, import substitution.

Введение

Актуальность исследования

В условиях цифровой трансформации и роста конкуренции интеллектуальные информационные системы становятся ключевым инструментом для повышения эффективности управления организациями. Они позволяют автоматизировать процессы, анализировать большие объемы данных, прогнозировать тенденции и поддерживать принятие решений. Однако внедрение таких систем вызывает некоторые сложности: включая высокую стоимость разработки, сложности интеграции с существующей инфраструктурой, вопросы кибербезопасности и необходимость адаптации персонала.

Особую актуальность приобретает изучение опыта внедрения ИИС в различных отраслях, таких как финансы и промышленность, где технологии искусственного интеллекта (ИИ), интернета вещей (IoT) и блокчейна уже демонстрируют значительные преимущества. Например, в банковском секторе ИИС позволяют автоматизировать рутинные операции и улучшать клиентский сервис, а в промышленности – оптимизировать управление производственными процессами [7].

Новизна исследования: проведено сравнительное исследование стратегий внедрения интеллектуальных информационных систем в ведущих российских компаниях (Газпромнефть, Росатом, Транснефть).

Внедрение интеллектуальных информационных систем позволяет автоматизировать сложные процессы, улучшать качество принимаемых решений и адаптироваться к динамично меняющейся бизнес-среде.

В связи с этим, объектом исследования являются интеллектуальные информационные системы поддержки процесса управления организацией.

Предмет исследования: технологии, методы проектирования и практика внедрения интеллектуальных информационных систем в организации.

Литературный обзор

Современные исследования в области интеллектуальных информационных систем, такие как работы Вожакова [1] и Костерина [2], подчеркивают их роль в автоматизации управления и поддержке принятия решений. Вожаков выделяет эволюцию от автоматизированных систем управления до интеллектуальных систем, способных к самообучению и адаптации. Костерин определяет ИИС как системы, использующие методы искусственного интеллекта для анализа данных и автоматизации процессов.

Классификация ИИС включает экспертные системы, нейронные сети, многоагентные системы и технологии анализа данных, такие как машинное обучение и Data Mining [3].

Цель исследования:

Целью настоящего исследования является анализ проектирования, разработки и внедрения интеллектуальных информационных систем поддержки управления организацией. Для достижения указанной цели решаются следующие задачи:

1. проведение анализа современных подходов к проектированию интеллектуальных информационных систем на основе методологий и стандартов проектирования ИИС;
2. исследование основных технологий, используемых в интеллектуальных информационных системах, а также оценка их эффективности и ограничений в контексте поддержки управленческих решений;
3. проведение сравнительного анализа преимуществ и недостатков ИИС на основе систематизации ключевых достоинств внедрения ИИС и выявлении рисков и проблем.

Методы и материалы

Исследование базируется на системном подходе, что позволяет рассматривать интеллектуальные информационные системы как сложные комплексы взаимосвязанных компонентов. Используется сравнительный анализ для оценки эффективности внедрения ИИС в различных отраслях, который включает в себя сопоставление технологических решений, показателей производительности и экономических эффектов на примере кейсов Сбербанка, Альфа-Банка, Газпромнефти и Росатома.

Информационно-эмпирическую базу данного исследования составляют научные публикации и монографии российских и зарубежных авторов по интеллектуальным информационным системам, а также отраслевые отчеты, документация российских компаний и нормативные стандарты.

Результаты и обсуждение

Вожаков рассматривает систему управления как комплекс инструментов, предназначенных для сбора данных об управляемом объекте и корректировки его действий в целях достижения поставленных задач [1].

Автор дает следующие определения с понятием «интеллектуальная система управления» [1]:

«Автоматизированная система управления (АСУ) (от англ. automated/automatized control system – ACS, computerized control system, management information system – MIS) представляет собой систему управления, использующую современные компьютерные технологии и математические методы для решения ключевых задач управления деятельностью. В отличие от автоматических систем, где процессы выполняются без участия человека, АСУ является машинной системой, который управляет человек: часть операций (особенно рутинные, типовые расчеты и повторяющиеся действия) делегируется техническим средствам, но окончательные управленческие решения принимает человек».

«Система поддержки принятия решений (СППР) – это программно-аналитический комплекс, предназначенный для решения сложных управленческих задач в различных сферах, включая экономику и производство. Она объединяет современные информационные технологии, методы исследования операций и интерактивные компьютерные системы, позволяя менеджерам эффективно анализировать данные и выбирать оптимальные стратегии».

«Интеллектуальная система (ИС) представляет собой программно-технический комплекс, способный решать сложные задачи в определенной предметной области, используя заложенные в нее знания».

Костерин предлагает следующее определение [2]: «Интеллектуальные информационные системы – это автоматизированные системы, использующие методы искусственного интеллекта, такие как машинное обучение, экспертные системы и обработка естественного языка, для сбора, хранения, анализа и интерпретации данных с целью поддержки принятия решений, автоматизации процессов и повышения эффективности деятельности в различных сферах».

Макаренко классифицирует интеллектуальные информационные системы по разным основаниям, которые указаны на рисунке 1 [3].

Рисунок 1. Классификация интеллектуальных информационных систем

Разработка ИИС для поддержки управления организацией позволяет автоматизировать сбор информации, повысить качество аналитики, ускорить принятие решений и обеспечить более обоснованный подход к управлению ресурсами [7].

При проектировании архитектуры интеллектуальной системы важно организовать структуру, обеспечивающую применение знаний и решение задач в конкретной области. Основные функции включают интерпретацию, планирование, управление, прогнозирование и диагностику.

В работах Климова представлена система компонентов интеллектуальных информационных систем, которая указана на рисунке 2 [6].

Рисунок 2. Компоненты интеллектуальных информационных систем

Современные автоматизированные системы управления производством представляют собой многоуровневую архитектуру, сформировавшуюся в ответ на усложнение технологических процессов и развитие компьютерных технологий.

Далее рассмотрим актуальные типы таких систем, выделенные Вожаковым [1]:

«ERP-системы (планирование ресурсов предприятия) – комплексные решения для управления ключевыми бизнес-процессами, включая производство, кадры, финансы и активы».

«APS-системы (от англ. Advanced Planning & Scheduling – усовершенствованное планирование) – специализированные инструменты для синхронного производственного планирования. Их отличительная особенность – возможность создания согласованных расписаний работы оборудования по всему предприятию с учетом требований управления цепочками поставок (SCM)».

«MES-системы (системы управления производственными процессами) – программные комплексы для оперативного управления производством на уровне цеха или предприятия».

«SCADA-системы (диспетчерское управление и сбор данных) – программные платформы для мониторинга и управления технологическими процессами в реальном времени».

«АСУТП (автоматизированные системы управления технологическими процессами) – комплекс технических и программных решений для автоматизации управления промышленным оборудованием».

Важно отметить, что перечисленные системы не являются взаимозаменяемыми – каждая имеет свою специфическую область применения. При этом между ними существуют функциональные взаимосвязи, позволяющие предприятиям либо ограничиться внедрением отдельных систем (например, только MES для среднего производства), либо создавать комплексные решения путем интеграции нескольких систем (например, объединение ERP, MES и SCADA). В последнем случае области пересечения функционала различных систем служат естественными точками интеграции [1].

Воронцов, Казанцев и Зайцева выделяют следующие преимущества применения ИИС [5]:

• решение сложных задач;
• автоматизация рутинных задач;
• прогнозирование тенденций и выявление рисков;
• персонализированные рекомендации;
• оптимизация бизнес-процессов.

Как отмечает Тельнов, недостатками интеллектуальных информационных систем являются [4]:

• сложность определения границ возможностей системы;
• значительные трудовые затраты на наполнение базы знаний;
• ограничения в работе с нестандартными задачами;
• зависимость от данных;
• высокая стоимость разработки и внедрения;
• сокращение рабочих мест из-за автоматизации.

Реальные ситуации внедрения позволяют оценить преимущества и сложности использования интеллектуальных информационных систем на практике, а также выявить возможные риски и определить оптимальные стратегии их интеграции в бизнес-процессы.

Газпромнефть начала внедрение комплексных решений на базе национальной открытой платформы промышленной автоматизации, разработанной по инициативе Минпромторга с 2023 года. Эта платформа обеспечивает технологическую независимость и объединяет более 50 участников из разных отраслей. На ЦИПР-2025 компания представила первый проект – систему управления оборудованием для нефтедобычи, созданный по аналогии с инфраструктурой для «умного дома», синхронизировав цифровых двойников и технические устройства более 20 российских производителей. В рамках проекта созданы модели цифровых двойников и IT-решения для контроля состояния систем на нефтяных месторождениях, интегрированы решения от «Серверстали» и «Айсорс» (открытый программный контролер), сервер граничных вычислений от компании «ЕвроХим», комплексное решение для кибербезопасности от компании Positive Technologies. Заместитель министра промышленности и торговли РФ Василий Шпак отметил, что открытая архитектура сокращает затраты и ускоряет внедрение инноваций, а ИТ-директор «Газпромнефти» Антон Думин подчеркнул возможность превращения предприятий в единый «гигаполис» для эффективного управления тысячами датчиков и приложений различных производителей [8].

«Росатом» развивает «Инфраструктурную IoT-платформу» – импортонезависимое решение для умных городов, транспорта и ЖКХ, зарегистрированное в реестре отечественного ПО. Изначально ориентированная на крупный бизнес, платформа расширяет доступ для SMB и отдельных пользователей через облачное внедрение, позволяя создавать собственные smart-решения с поддержкой уровня Enterprise. Она применяется для управления зданиями, территориями, транспортом, ветроэнергетикой и экологическим мониторингом. Платформа позволяет создавать цифровых двойников – виртуальные модели объектов, оснащенные искусственным интеллектом, – для моделирования работы систем в реальном времени, выявления неисправностей и предотвращения аварий. Это динамическая SCADA-система, собирающая телеметрию и анализирующая работу оборудования для повышения эффективности и безопасности.

Платформа регистрирует опасные ситуации и инициирует аварийные события с визуальными и звуковыми оповещениями для операторов. Искусственный интеллект контролирует допустимые управленческие решения, выбирая оптимальные действия в реальном времени. В составе цифрового двойника создается 3D-визуализация оборудования, отображающая текущие события. Мониторинг осуществляется через IoT-датчики, а управление – с помощью автоматики и встроенных алгоритмов, позволяя анализировать загрузку, энергоэффективность и потребление ресурсов в реальном времени [9].

В использовании платформы Росатома есть определенные преимущества, например, импортонезависимость и регистрация в реестре отечественного ПО, возможность облачного внедрения для SMB и частных пользователей, создание цифровых двойников с ИИ для моделирования и предотвращения аварий, реальное управление ресурсами и мониторинг в реальном времени, повышение безопасности и эффективности работы систем.

Несмотря на все выделенные преимущества, при внедрении платформы Росатома присутствуют следующие недостатки: требуются инвестиции в модернизацию инфраструктуры и обучение персонала; возможные сложности интеграции решений от разных производителей; ограниченность отечественных решений по зрелости и функционалу; необходимость развития компетенций для работы с системой.

Naumen внедрила Service Desk Pro для ПАО «Транснефть», централизовав учет 5 млн ИТ-активов и автоматизировав управление их жизненным циклом. Решение заменило собственные разработки и SAP TOPO, обеспечив интеграцию с системами компании, автоматическое обнаружение активов, CMDB (базы данных управления конфигурациями) с 55 тыс. конфигурационных единиц и аналитическую отчетность. Проект позволяет масштабировать управление по всей группе компаний, развивать внутренние компетенции и повышать цифровую независимость благодаря no-code архитектуре [10].

При сравнении промышленных платформ «Газпромнефти», «Росатома» и «Транснефти» и можно выделить ключевые характеристики (таблица 1).

Таблица 1.

Сравнительная таблица характеристик промышленных платформ «Газпромнефти» и «Росатома» и «Транснефти»

Для наглядного сравнения технологического внедрения ИИС рассмотрим диаграмму сравнения технологий (диаграмма 1).

Диаграмма 1. Сравнение внедрения интеллектуальных информационных систем

Рассмотрев три примера внедрения интеллектуальных информационных систем, можно сделать вывод, что все эти проекты демонстрируют успешные примеры цифровой трансформации и импортозамещения в России. Каждое решение имеет четкую отраслевую специализацию: у «Газпромнефти» – для промышленной автоматизации, у «Росатома» – для инфраструктурных проектов, у «Транснефти» – для управления IT-активами. При внедрении всех проектов есть трудности такие, как: высокие первоначальные инвестиции; необходимость обучения персонала; сложности при интеграции. Но наиболее универсальным является решение Росатома, так как другие более специализированы.

Заключение

Проведенное исследование позволило систематизировать ключевые аспекты разработки и внедрения интеллектуальных информационных систем. Анализ теоретических основ показал, что современные ИИС объединяют передовые технологии, такие как машинное обучение, NLP и нейросети, что делает их мощным инструментом для поддержки управленческих решений.

Практические кейсы подтвердили, что внедрение интеллектуальных информационных систем в промышленности (Газпромнефть, Росатом, Транснефть) приводит к значительному повышению эффективности, но сопровождается техническими и организационными трудностями. Среди них отмечается необходимость интеграции с устаревшими системами, обеспечение безопасности данных и обучение персонала.