Source: State University of Management – Официальный сайт Государственного –
На прошедшей в апреле в Государственном университете управления VII Всероссийской научно-практической конференции «Цифровая трансформация управления: проблемы и решения» молодые учёные Центра управления инжиниринговыми проектами ГУУ представили перспективную разработку новаторской гибридной системы поддержки принятия решений (СППР) в логистике.
Аспиранты ГУУ Никита Акиньшин и Владимир Кутков обратили внимание на недостаток эффективности применяемых в логистике СППР и разработали собственное решение, объединяющее мощь каскада специализированных моделей машинного обучения (ML) с интерпретационными возможностями больших языковых моделей (LLM).
Современная логистика характеризуется огромными объёмами разнородных данных, высокой неопределенностью спроса и необходимостью координировать множество участников в реальном времени. Традиционные аналитические инструменты неэффективны при высокой динамике и основаны на статичных моделях. Результаты анализа передовых моделей машинного обучения сложны для интерпретации и требуют высокой квалификации сотрудников. Большие языковые модели неспособны на точные вычисления, не обладают отраслевой логикой и могут делать недостоверные выводы.
Ключевым элементом новой системы поддержки принятия решений (СППР) стала многоуровневая архитектура, сочетающая в себе все возможности новых технологий. Данная структура реализована впервые, хотя отдельные её составляющие уже применяются в реальных условиях рынка.
На первом уровне каскад из нескольких специализированных ML-моделей анализирует операционные, логистические и экономические данные – от прогнозирования спроса и времени прибытия до оптимизации маршрутов и оценки затрат.
На втором уровне подключается мета-модель – своего рода аналитический мозг системы, который собирает выводы всех ML-компонентов, полученых на первом уровне, анализирует взаимосвязи и зависимости, определяет «узкие места», оценивает риски и формирует комплексный запрос (промпт) для LLM-модели.
На третьем уровне LLM, получив этот «умный» промпт и взаимодействуя с инфографиками на BI-платформах для получения визуализаций, синтезирует глубокий, но при этом человеко-читаемый аналитический отчёт.
В результате на экран выводятся информационные графики с оценкой текущего состояния дел по рассматриваемой задаче и варианты повышения эффективности её решения.
Такой подход позволяет компаниям оперативно получать всестороннюю картину, а сотрудникам понимать сложные зависимости без необходимости погружаться в технические детали работы ML-алгоритмов и своевременно принимать обоснованные управленческие решения.
«Мета-модель – это изюминка нашей разработки. Она выступает в роли опытного логиста-аналитика, который сначала разбирается в ситуации, выявляет все взаимосвязи, а уже потом формулирует задачу для LLM так, чтобы та смогла сгенерировать действительно полезный, осмысленный отчёт для сотрудника», — поясняет Никита Акиньшин.
Важно также и то, что новая гибридная модель поддержки принятия решений может выполнять задачи на всех уровнях управления, то есть брать на себя роли разных сотрудников логистических компаний. Механики и снабженцы будут получать отчёты о техническом состоянии транспортного парка, менеджеры среднего звена смогут выстраивать оптимальные маршруты, а руководители станут точней прогнозировать годовую выручку.
«После получения информации от СППР дальнейшие решения будут приниматься сотрудниками, пока аналитика системы носит рекомендательный характер. Но в ближайшей перспективе, от 3 до 5 лет, процесс принятия решений тоже может стать автоматизированным. Надо только уладить морально-этические вопросы и урегулировать правовую базу», – говорит Владимир Кутков.
Разработка сотрудников инжинирингового центра ГУУ может применяться не только в логистике, но и адаптироваться для других отраслей экономики.
В настоящее время готовится к выходу научная публикация с детальным описанием разработки.
Обратите внимание; Эта информация является необработанным контентом непосредственно из источника информации. Это точно соответствует тому, что утверждает источник, и не отражает позицию MIL-OSI или ее клиентов.