Статья опубликована в рамках: LXXXVI Международной научно-практической конференции «Вопросы технических и физико-математических наук в свете современных исследований» (Россия, г. Новосибирск, 23 апреля 2025 г.)
Наука: Информационные технологии
Секция: Автоматизация и управление технологическими процессами и производствами
Скачать книгу(-и): Сборник статей конференции
дипломов
МНОГОУРОВНЕВЫЕ АРХИТЕКТУРЫ СППР: ОТ УНИВЕРСАЛЬНЫХ АЛГОРИТМОВ К ПЕРСОНАЛИЗИРОВАННЫМ СТРАТЕГИЯМ УПРАВЛЕНИЯ
MMULTI-LEVEL DECISION MANAGEMENT SYSTEM ARCHITECTURES: FROM UNIVERSAL ALGORITHMS TO PERSONALIZED MANAGEMENT STRATEGIES
Simom Leontyev
Postgraduate student of the Department of Financial Management, MSTU "STANKIN",
Russia, Moscow
АННОТАЦИЯ
Современные системы поддержки принятия решений (СППР), применяемые в управлении проектами, преимущественно опираются на универсальные алгоритмы анализа, не учитывающие специфику иерархических структур организаций. Это ограничивает возможность адаптации рекомендаций к уровню управленческой ответственности, роли пользователя и особенностям внутреннего распределения полномочий. В настоящей работе обосновывается необходимость перехода к многоуровневым архитектурам СППР, способным учитывать организационный контекст и обеспечивать персонализированные стратегии управления. Предложена концептуальная модель, включающая графовое представление оргструктуры, иерархическую классификацию сценариев управления и гибридный подход к формированию рекомендаций. Работа основана на анализе отечественных и зарубежных исследований, а также на обобщении экспериментальных решений в сфере интеллектуального анализа данных и explainable AI.
ABSTRACT
Modern decision support systems (DSS) used in project management largely rely on universal analytical algorithms that disregard the hierarchical structure of organizations. This limitation reduces the systems’ ability to adapt their recommendations to user roles, levels of authority, and internal organizational contexts. This paper substantiates the need for multi-level DSS architectures that enable context-aware and personalized management strategies. A conceptual model is proposed based on graph representation of organizational structures, hierarchical classification of management scenarios, and hybrid algorithms incorporating data analysis and explainable AI. The work draws upon Russian and international research and systematizes experimental solutions in the field of intelligent decision-making support.
Ключевые слова: СППР, интеллектуальные алгоритмы; оргструктура; управленческая иерархия; персонализация.
Keywords: DSS; intelligent algorithms; organizational structure; managerial hierarchy; personalization.
Цифровая трансформация управленческих процессов в организациях усилила интерес к интеллектуальным системам поддержки принятия решений (СППР), обеспечивающим не только автоматизацию рутинных операций, но и формирование обоснованных рекомендаций в условиях неопределённости. Однако, несмотря на значительное развитие алгоритмической базы СППР, большинство применяемых решений сохраняют универсальный характер и не учитывают сложную иерархическую структуру современных организаций. Это существенно ограничивает их эффективность в ситуациях, требующих персонализированного подхода к управлению проектами, особенно в условиях многоуровневой ответственности и функционального распределения полномочий.
На практике управленческие решения в рамках одного и того же проекта могут кардинально различаться в зависимости от уровня субъекта управления — исполнителя, руководителя проектной группы или стратегического менеджера. Тем не менее существующие алгоритмы СППР, включая нейросетевые и деревообразные модели, в большинстве случаев не дифференцируют логику рекомендаций по управленческому уровню. Это приводит к возникновению ситуации, в которой рекомендации, полученные пользователем, не соответствуют его полномочиям, что снижает доверие к системе и ограничивает её практическое применение.
ПРОБЛЕМА УНИВЕРСАЛЬНЫХ СППР
Современные СППР, особенно используемые в проектной деятельности, ориентированы на анализ параметров проекта: сроков, рисков, объёма ресурсов, финансовых показателей. Эти данные, как правило, поступают из корпоративных хранилищ и обрабатываются алгоритмами машинного обучения. Однако подобные алгоритмы не содержат компонент, отвечающих за интерпретацию организационного контекста — структуры подчинённости, ролей, каналов принятия решений.
Так, в исследованиях Червякова А.А. [1] и Коробко А.А. [2] акцент делается на интервал прогнозирования и объединение данных, но отсутствует модуль адаптации под структуру конкретной организации. Даже при использовании инструментов интеллектуального анализа данных, например, XGBoost или нейросетей, логика системы остаётся универсальной: рекомендации формируются исключительно на основе проектных метрик. Это нарушает принцип релевантности — пользователь получает рекомендации, не согласованные с его управленческим статусом.
Ситуация усугубляется тем, что в рамках одной организации может сосуществовать несколько управленческих уровней, каждый из которых по-разному интерпретирует одни и те же данные. Например, анализ сроков исполнения задач в глазах линейного руководителя означает соблюдение внутреннего графика, а для директора программы — соответствие бизнес-целям и договорным обязательствам. Универсальные алгоритмы не учитывают этого расхождения, в результате чего теряется управленческая точность.
КОНЦЕПЦИЯ МНОГОУРОВНЕВОЙ АРХИТЕКТУРЫ СППР
Переход от универсальных к контекстно-ориентированным системам поддержки решений требует пересмотра архитектурных принципов построения СППР. В рамках предлагаемого подхода ключевую роль играет иерархизация как структурного представления организации, так и сценариев управления. Многоуровневая архитектура должна учитывать не только специфику проекта, но и положение пользователя в системе принятия решений. Это означает, что алгоритм выбора рекомендаций должен опираться не только на входные данные, но и на формализованную модель полномочий и ответственности субъекта управления.
В основе концепции лежит представление организации в виде ориентированного графа, где вершины соответствуют ролям (исполнитель, руководитель направления, директор программы и т.д.), а рёбра отражают вертикальные и горизонтальные связи, полномочия и маршруты согласования. Такая модель позволяет интерпретировать любую проектную ситуацию в контексте субъекта, её анализирующего, и формировать соответствующий сценарий поведения системы.
На втором уровне архитектуры располагается модуль обработки проектных параметров, который может включать методы машинного обучения, rule-based системы, методы нечёткой логики или их гибридные сочетания. Третий уровень отвечает за интерпретацию и объяснение принятых решений, что критически важно для повышения доверия пользователей, особенно в иерархически сложных организациях.
Таким образом, многоуровневая архитектура СППР представляет собой совокупность: – формализованной модели оргструктуры; – контекстно-зависимой логики выбора сценария управления; – модуля интеллектуального анализа; – компонента объяснимости и визуализации решений.
ПРЕДЛОЖЕННАЯ АРХИТЕКТУРНАЯ МОДЕЛЬ
В качестве базовой архитектурной схемы интеллектуальной СППР предлагается трёхуровневая модель, включающая следующие компоненты:
- Оргструктурный уровень (иерархическая модель организации):
– графовая база ролей и полномочий;
– классификатор уровней управления;
– механизм сопоставления пользователя и доступных сценариев.
- Аналитический уровень (обработка проектных параметров):
– модуль интеллектуального анализа (градиентный бустинг, деревья решений);
– база проектных метрик и событий;
– библиотека типовых сценариев управления.
- Интерпретационный уровень (вывод рекомендаций)
– генератор обоснований (SHAP, логические правила);
– визуализация зависимости рекомендаций от роли пользователя;
– обратная связь и корректировка модели.
Модель протестирована на синтетических данных, моделирующих поведение СППР в организации с матричной структурой. Было выявлено, что разделение логики по уровням управления позволяет существенно повысить точность и применимость рекомендаций, особенно при планировании задач с высокой степенью неопределённости.
ВЫВОДЫ
Результаты проведённого анализа подтверждают, что универсальные СППР теряют актуальность в условиях усложняющейся организационной структуры и росте требований к персонализированным решениям. Предложенная многоуровневая архитектура формирует основу для создания систем нового поколения, способных учитывать не только параметры проекта, но и управленческий контекст. Включение графовой модели оргструктуры, интеллектуального модуля анализа и компонента explainable AI открывает путь к разработке гибких и прозрачных систем поддержки решений, адаптируемых к конкретным условиям.
Список литературы:
- Бардамова М.Б., Ходашинский И.А., Шурыгин Ю.А., Сарин К.С., Светлаков М.О. Генерация базы правил нечеткого классификатора для диагностики болезни Паркинсона по рукописным данным // Искусственный интеллект и принятие решений. — 2023. — № 2. — С. 31–44.
- Коробко А.А. Технология информационно-аналитической поддержки принятия решений на основе федеративного объединения разнородных данных и их многомерного представления: дис. … канд. техн. наук: 2.3.8. — Красноярск, 2022. — 168 с.
- Ларичев О.И. Теория и методы принятия решений. — М.: Логос, 2010. — 296 с.
- Мазур И.И., Шапиро В.Д. Управление проектами: учеб. пособие. — 6-е изд. — М.: Омега-Л, 2021. — 960 с.
- Национальный проект «Цифровая экономика Российской Федерации» // Министерство цифрового развития, связи и массовых коммуникаций РФ. URL: https://digital.gov.ru/ru/activity/directions/858/ (дата обращения: 03.04.2025).
- Николаев К.С. Методы и алгоритмы обработки математического контента на основе технологий семантического веба: автореф. дис. … канд. техн. наук: 2.3.8. — Казань, 2024. — 16 с.
- Светлаков М.О. Метод и алгоритмы анализа данных электроэнцефалографии для верификации субъекта: дис. … канд. техн. наук: 2.3.8. — Томск, 2023. — 24 с.
- Червяков А.А. Методы информационно-аналитического обеспечения систем поддержки принятия решений на основе интервального прогнозирования финансовых временных рядов: дис. … канд. техн. наук: 2.3.8. — Москва, 2021. — 168 с.
дипломов
Оставить комментарий