ПЕРСОНАЛЬНЫЙ ИНТЕЛЛЕКТУАЛЬНЫЙ АССИСТЕНТ В ГРУППОВОМ ПЛАНИРОВАНИИ: ПРОГНОЗИРОВАНИЕ ИНДИВИДУАЛЬНЫХ ЗАДАЧ ПОЛЬЗОВАТЕЛЕЙ

PERSONAL INTELLIGENT ASSISTANT IN GROUP PLANNING: PREDICTING INDIVIDUAL USER TASKS

Tatyana Konurbaeva

2nd year master's student, of the Department of Automated Information Processing and Management Systems, Surgut State University,

Russia, Surgut

АННОТАЦИЯ

В статье предлагается использование персонального интеллектуального ассистента, который прогнозирует индивидуальные задачи для каждой группы пользователей на основе ранее созданных, что позволит экономить время при планировании совместных задач. Рассматривается использование искусственной нейронной сети в интеллектуальном ассистенте для прогнозирование индивидуальных задач. Слабое совместное планирование в социальных группах приводит к дисбалансу нагрузки и отсутствию ясного понимания распределения ролей, что, в свою очередь, вызывает задержки в выполнении задач и конфликты из-за недопонимания.

ABSTRACT

This article proposes the use of a personal intelligent assistant that predicts individual tasks for each user group based on previously created ones, saving time when planning shared tasks. The article discusses the use of an artificial neural network in an intelligent assistant for predicting individual tasks. Poor collaborative planning in social groups leads to workload imbalances and a lack of clear understanding of role distribution, which in turn leads to delays in task completion and conflicts due to misunderstandings.

Ключевые слова: прогнозирование, интеллектуальный ассистент, групповое планирование, искусственные нейронные сети.

Keywords: forecasting, intelligent assistant, group planning, artificial neural networks.

Введение

В настоящий момент существует множество отвлекающих факторов, которые влияют на эффективность совместного планирования, к ним относятся отсутствие ясного понимания распределения ролей, а также дисбаланс нагрузки, в результате которого некоторые участники оказываются перегруженными задачами.

В контексте данной темы совместное планирование – это структурированный подход, при котором группа людей совместно определяет свои цели, а затем разрабатывает набор задач, необходимых для их реализации.

Задача – это задание участника социальной группы, которое требует решения за определенное время.

Основная трудность совместного планирования в социальных группах заключается в непрозрачности процесса распределения задач и ответственности. Это порождает неравномерную загруженность участников и недопонимание, что в итоге замедляет прогресс и приводит к простоям.

Персональный интеллектуальный ассистент на основе искусственных нейронных сетей (ИНС)

Все группы пользователей имеют отличающуюся динамику выполнения задач и планирования мероприятий, а также разные предпочтения, интересы, поэтому будет разумно использовать искусственные нейронные сети (далее по тексту ИНС) в качестве основы персонального интеллектуального ассистента для прогнозирования будущих задач пользователей, исходя из ранее созданных.

Наиболее распространенными видами ИНС являются [1]:

• Нейронные сети прямого распространения (FFNN). Применяются в задачах, где данные не имеют сложной пространственной или временной структуры, и где каждый элемент входной информации может рассматриваться независимо. Например, в задачах регрессии и классификации по табличным данным, таких как прогнозирование цен на недвижимость на основе параметров объекта, оценка кредитоспособности заёмщика по финансовой истории или диагностика заболеваний по результатам анализов.
• Сверточные нейронные сети (CNN). Были разработаны для эффективной работы с данными, имеющими сеточную структуру, и нашли своё главное применение в области компьютерного зрения. Они успешно используются для обработки картинок, звуковых сигналов, где одномерная свертка работает с временными рядами, и для анализа текстов, где двумерная свертка применяется к матрицам векторных представлений слов, выявляя устойчивые комбинации n-грамм, важные для понимания смысла.
• Рекуррентные нейронные сети (RNN). Созданы для работы с последовательными данными, где порядок и временные зависимости между элементами несут критически важную информацию.

Для прогнозирования пользовательских задач наиболее подойдут рекуррентные нейронные сети (RNN), т.к. способны запоминать предыдущие состояния и использовать эту информацию для обработки текущих данных, потому как, помимо входного и выходного слоев, имеют скрытые слои памяти (рис. 1). Например, RNN могут анализировать последовательность выполненных задач, учитывать их приоритеты и временные метки, и на основе этого прогнозировать, какие задачи могут появиться в будущем.

Рисунок 1. Рекуррентные нейронные сети [2]

Для персонального интеллектуального ассистента в качестве метода прогнозирования были выбраны рекуррентные нейронные сети (RNN). Прогнозирование задач пользователя может выполняться по следующему алгоритму:

1. Анализ и предобработка данных. Сбор, очистка и стандартизация как исторических, так и актуальных данных о задачах (включая названия, статусы, сроки, приоритеты и другие параметры).

2. Формирование выборок. Разделение подготовленных данных на тренировочную, проверочную и контрольную выборки.

3. Тренировка модели RNN на тренировочной выборке, оптимизация параметров и предотвращение переобучения с помощью проверочной.

4. Генерация прогнозов и советов предстоящих задач и формирование приоритизированного списка рекомендаций для пользователя.

5. Корректировка и актуализация. Отзыв пользователя (подтверждение или исправление рекомендаций) напрямую влияет на уточнение последующих прогнозов. База данных обновляется с учетом этих изменений.

6. Оценка и оптимизация точности модели. Для поддержания высокой адаптивности и релевантности, модель регулярно переобучается на актуальных данных.

Таким образом, персональный интеллектуальный ассистент способен трансформировать подход к управлению задачами, повышая его эффективность и гибкость. Благодаря анализу поведенческих паттернов и рабочих привычек каждого члена команды, система формирует персонализированные рекомендации, которые помогают синхронизировать усилия всех участников. Такой подход позволяет не только избежать накладок и задержек, но и оперативно реагировать на изменения, корректируя планы в реальном времени.

Список литературы:

1. Нейронные сети [Электронный ресурс] – Режим доступа: https://cloud.ru/blog/neural-networks?utm_source=google.com&utm_medium=organic&utm_campaign=google.com&utm_referrer=google.com (дата обращения: 15.09.2025)
2. Нейронная сеть: как работает и где применяется [Электронный ресурс]. – Режим доступа: https://prod-productstar-landing-bucket-settled-flea.storage.yandexcloud.net/blogs/kak-rabotayut-nejronnye-seti/3bfd0360db797f07b9f57f8839e30224.jpg (дата обращения: 15.09.2025)