Публикации автора

В статье обосновывается жизнеспособность и стратегическая целесообразность создания гибкой, адаптивной системы поддержки принятия решений (СППР) для управления восстановлением новых территорий Российской Федерации – Донецкой и Луганской Народных Республик, Запорожской и Херсонской областей. Актуальность исследования обусловлена необходимостью преодоления разрушительных последствий военного конфликта, высокой степени неопределенности, дефицита данных и отсутствия научно обоснованных инструментов для проактивного управления. Цель работы – подтвердить гипотезу о том, что синтез методологий системной динамики (System Dynamics, SD) и причинно-следственного анализа (Causal Inference, CI) способен обеспечить создание эффективной СППР для сложных, нелинейных систем в условиях кризиса.

Исследование опирается на междисциплинарный теоретический фундамент, объединяющий достижения теории сложных адаптивных систем, парадигмы адаптивного государственного управления и концепции цифрового суверенитета. В контексте ДНР как нового региона проблематика развития рассматривается через призму постконфликтной трансформации, институциональной фрагментации и структурной зависимости, характерных для территорий, интегрирующихся в новое правовое и экономическое пространство. Анализ показывает, что традиционные подходы государственного управления, основанные на линейных моделях и статистических прогнозах, не способны учитывать нелинейность, синергетику и высокую энтропию социально-экономических процессов в условиях специальной военной операции.

Исследование реализовано в три этапа: на первом – проведена инициация и сбор первичных данных от лиц, принимающих решения; на втором – выполнена обработка и анализ данных с применением описательной статистики, ранговой корреляции, факторного и тематического анализа; на третьем – осуществлена интеграция результатов в имитационные модели. В качестве основных методов использованы: системная динамика для моделирования обратных связей и долгосрочных сценариев, причинно-следственный анализ (включая методы DiD и SCM) для верификации гипотез на основе реальных данных, а также машинное обучение для выявления скрытых зависимостей. Технологической основой выступает FOSS-ориентированный стек (PySD, DoWhy, Apache Kafka, PostgreSQL и др.), обеспечивающий цифровой суверенитет. Результаты подтверждают рабочую гипотезу: предложенная гибридная архитектура позволяет формировать достоверные, объяснимые и адаптивные рекомендации для регионального управления, что открывает путь к переходу от реактивного реагирования к стратегическому, основанному на доказательствах подходу к восстановлению территорий.

В статье представлен результат проектирования модели адаптивной архитектуры интеллектуального агента с естественным языковым интерфейсом, предназначенного для функционирования на платформе, обеспечивающей мультилинейную техническую поддержку пользователей. Проведен анализ научных публикаций исследователей, касающихся разработки интеллектуальных систем и AI-агентов, для создания высокопроизводительного инструмента автоматизированной поддержки пользователей, который снижает нагрузку на сотрудников команды технической поддержки и команды разработчиков, что обеспечивает повышение качества поддержки клиентов и сокращает время реагирования системы на их запросы. Архитектура AI-агента предназначена для предиктивного и контекстно-зависимого анализа обращений первого уровня техподдержки. Благодаря способности к самообучению и автоматической генерации решений, система способна обеспечить качественно новый уровень обслуживания клиентов и минимизировать задержку ответа. Статья описывает структуру основных модулей, включающих обоснованную выборку моделей до обучения и ключевые компоненты разработки. Важнейшие этапы разработки AI-агента включают сбор и предварительную обработку данных, обучение модели, создание основного программного модуля, проведение тестирования и интеграцию разработанной системы. Все перечисленные стадии играют ключевую роль в обеспечении эффективного взаимодействия AI-агента с пользователями, формировании точного и адекватного ответа, а также успешной интеграции с существующими каналами связи и эффективному решению поставленных задач. Исследование демонстрирует необходимость тщательного подхода ко всем этапам разработки для обеспечения высокого качества функционирования и надежности проектируемого AI-агента. Также в статье рассмотрен модуль оценки качества работы AI-агента, тестирование выполнено инструментом G-Eval и учитывающим семантику, что признано лучшим способом оценки точности ответов. В заключении представлен результат мониторинга качества генерируемых ответов и визуализация результатов.

Управление восстановлением и развитием новых исторических территорий, вошедших в состав Российской Федерации в условиях специальной военной операции, представляет собой сложную многоуровневую задачу. Актуальность данного исследования обусловлена уникальным характером вызовов, с которыми сталкиваются Донецкая и Луганская Народные Республики, Запорожская и Херсонская области: разрушена критическая инфраструктура, деградировала промышленная база, нарушены социальные связи и миграционные потоки, а переход от монофункциональной индустриальной модели к постиндустриальной экономике осуществляется в условиях военного времени. Традиционные механизмы региональной политики и инструменты управления оказались недостаточными для решения задач ускоренного восстановления, что требует разработки новых подходов, основанных на интеграции передовых методов анализа данных, моделирования и цифровых технологий. В этих условиях особенно остро встает необходимость создания гибкой, адаптивной системы поддержки принятия решений (СППР), способной обеспечивать обоснованность, оперативность и локальную релевантность управленческих решений в условиях высокой неопределенности и институциональной трансформации. Цель исследования – разработка методологических основ гибкой архитектуры системы поддержки принятия решений (СППР), основанной на интеграции причинно-следственного анализа (ПСА), системной динамики и технологии создания цифровых двойников региональных систем. В работе применяется комплексный методологический инструментарий: методы ПСА (синтетический контроль, конвергентное кросс-маппирование), системная динамика для моделирования обратных связей и многоагентное моделирование как инструмент создания цифрового двойника. Эмпирической базой послужило анкетирование 500 государственных служащих ДНР, выявившее высокую готовность к изменениям (интегральный индекс лояльности – 4,02) и ключевые требования к системе: упрощение отчётности, оффлайн-доступ, локализация и фокус на «видимой пользе». Результатом исследования стала предложенная многослойная архитектура СППР, включающая инфраструктурный, аналитический, слой цифрового двойника и управленческий слои. Система обеспечивает синхронизацию краткосрочных задач восстановления с долгосрочными стратегиями трансформации. Перспективы дальнейших исследований связаны с разработкой гибридных моделей ПСА и системной динамики, методов масштабирования цифровых двойников и оценки эффективности СППР в условиях высокой неопределенности.