ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

Введение

Усложнение организационных систем и рост объема данных повышают требования к качеству управленческих решений. Руководителю необходимо учитывать технические, экономические, временные и организационные факторы, часть которых характеризуется неопределенностью. В этих условиях системы поддержки принятия решений (СППР) дополняются методами искусственного интеллекта (ИИ), позволяющими выявлять закономерности, строить прогнозы и ранжировать альтернативы [1].

Для направления «Системный анализ и управление» такое объединение особенно важно: решение рассматривается как элемент сложной системы и должно соответствовать ее целям, ограничениям и ресурсам. ИИ целесообразно применять как дополнительный аналитический контур, а окончательный выбор сохранять за человеком [2]. Цель работы — показать роль ИИ в СППР и продемонстрировать многокритериальный выбор варианта такой системы.

Цель работы — определить роль ИИ в СППР и показать на демонстрационном примере, как интеллектуальный анализ данных может сочетаться с многокритериальной оценкой вариантов. Рассматриваются функции ИИ в управленческом контуре, структура процесса выбора альтернатив и основные ограничения применения интеллектуальных рекомендаций.

Искусственный интеллект как компонент СППР

Традиционная СППР выполняет расчеты по заданным моделям и представляет результаты в форме показателей или сценариев. Методы ИИ расширяют ее возможности за счет прогнозирования, классификации ситуаций и обнаружения зависимостей, которые трудно описать жесткими правилами [1].

ИИ может использоваться для предварительной обработки данных, формирования прогноза и рейтинга альтернатив либо для автоматического исполнения решения в установленных пределах. Для задач системного управления наиболее обоснован вариант, при котором алгоритм готовит рекомендацию, а окончательное решение принимает человек [5].

Важным требованием является объяснимость: пользователь должен понимать причины рекомендации. Практические исследования показывают, что модуль объяснения помогает специалисту оценить факторы, повлиявшие на прогноз, и выбрать корректирующее действие [4].

Модель поддержки управленческого решения

Процесс поддержки решения включает постановку проблемы, сбор данных, формирование альтернатив, выбор критериев, прогнозирование последствий, многокритериальную оценку и экспертную проверку. ИИ применяется прежде всего на этапах анализа данных и прогнозирования, а цели и ограничения задаются исходя из задач организации.

Для сравнения вариантов используется метод взвешенной суммы: Rj = Σ(wi × rij), где wi — вес i-го критерия, rij — оценка альтернативы, а сумма весов равна единице. Такой подход позволяет включить прогноз ИИ в прозрачную процедуру выбора наряду со стоимостью, скоростью и объяснимостью.

Демонстрационный пример выбора варианта СППР

Рассмотрим выбор архитектуры СППР для производственной организации, прогнозирующей риск нарушения сроков заказов. Сравниваются A1 — система на основе правил; A2 — СППР с машинным обучением; A3 — гибридная СППР с прогнозом ИИ, экспертной проверкой и объяснением результата.

Альтернативы оцениваются по пяти критериям: точность прогноза, объяснимость, скорость рекомендации, стоимость внедрения и адаптивность. Веса отражают условные приоритеты организации, оценки задаются по пятибалльной шкале (таблица 1).

Таблица 1.

Критерии и оценки альтернатив

Расчет дает оценки: A1 — 3,65; A2 — 4,10; A3 — 4,35. Лучший результат получает гибридная архитектура A3 благодаря сочетанию высокой точности и адаптивности с приемлемой объяснимостью. A2 уступает из-за непрозрачности, A1 — из-за слабой адаптации к новым данным.

Рейтинг зависит от весов критериев: повышение значимости стоимости усиливает позиции A1, а требований к точности — A2 и A3. Следовательно, ИИ должен работать внутри системы целей и ограничений, а не подменять ее.

Ограничения применения ИИ

Основные ограничения связаны с качеством данных и изменением внешней среды. Неполные или искаженные сведения приводят к ошибочным прогнозам, а закономерности исторических данных могут перестать действовать после изменения условий. Поэтому качество модели необходимо контролировать и после внедрения СППР.

Не менее важна ответственность за решение. Алгоритмическая рекомендация не должна превращать выбор человека в формальность. Машина эффективна при обработке больших массивов данных, тогда как человек лучше учитывает контекст и неоднозначность [3]. Рациональна модель «human in the loop», при которой ответственное лицо подтверждает или отклоняет рекомендацию.

Заключение

ИИ расширяет возможности СППР за счет прогнозирования, обработки данных и оценки альтернатив. Для задач системного анализа наиболее перспективна гибридная архитектура, в которой алгоритм выполняет аналитические операции, а человек контролирует критерии, ограничения и окончательный выбор.

Демонстрационный расчет показал, что многокритериальная оценка позволяет сравнивать СППР не только по точности, но и по объяснимости, стоимости и адаптивности. Практическое развитие подхода связано с использованием фактических данных организации и проверкой устойчивости результата.