ПРОГРАММНЫЙ ИНТЕЛЛЕКТУАЛЬНЫЙ МОДУЛЬ ОПТИМАЛЬНОГО ВЫБОРА ПОДРЯДЧИКА ДЛЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ ОРГАНИЗАЦИИ ЗАКУПОК

INTELLIGENT SOFTWARE MODULE FOR THE OPTIMAL SELECTION OF A CONTRACTOR FOR THE ORGANIZATION'S INFORMATION PURCHASING SYSTEMS

Maria Zinchenko

student, Department of Automated Control Systems, Ufa state aviation technical University,

Russia, Ufa

Ansaf Abdulnagimov

scientific advisor, Candidate of Sciences in Technical, associate professor, Ufa state aviation technical University,

Russia, Ufa

АННОТАЦИЯ

В данной статье рассматривается и обосновывается необходимость интеллектуализации информационных и аналитических процессов в управлении систем закупок, а также необходимость в построении и внедрении интеллектуального модуля выбора. Сформулирована суть проблемы, актуальность её решения и ценность для существующего бизнес-процесса. Описаны цели и задачи, проведен анализ существующей проблемы и обзор существующих методов её решения.

ABSTRACT

This article discusses and justifies the need for the intellectualization of information and analytical processes in the management of purchasing systems, as well as the necessity for the construction and implementation of an intelligent selection module. The essence of the problem, the relevance of its solution and the value for the existing business process are formulated. The goals and objectives are described, the analysis of the existing problem and the review of the existing methods of its solution are analyzed.

Ключевые слова: интеллектуальные системы выбора, информационные технологии, искусственный интеллект, системы поддержки принятия решений, организация закупок.

Key words: intelligent selection systems, information technology, artificial intelligence, decision support systems, organization of purchasing.

Введение

В настоящее время тенденцией и основной чертой развития механизмов компаний является цифровая трансформация, явление, позволяющее переосмыслить отношения с клиентами посредством использования современных информационных технологий и анализа данных.

Организация закупок в компаниях сопровождается масштабным документооборотом и необходимостью постоянного мониторинга состояния документов. Зачастую процесс закупки ресурса или предмета сопровождается множеством посредников, работа которых отражается на эффективности и сроках выполнения процесса. За последние десятилетия информационные технологии достигли высокого уровня развития. В связи с этим большинство развивающихся компаний используют автоматизированные средства, позволяющие эффективно хранить, обрабатывать и распределять накопленные данные [1].

Анализ проблемы организации взаимодействия показывает, что одной из причин ее возникновения является потребность в организации жесткой связи между неформализованной информацией, ее описанием классификационными признаками и их реализацией в машинных кодах на аппаратно-ориентированном уровне данных [2]. В настоящее время появились и иные возможности решения проблемы, например алгоритмические [3].

Рассматриваемое программное обеспечение организует процесс управления пулом потребностей заказчиков без привлечения сторонних лиц, реализуя в себе процесс электронного документооборота.

Зрелось процесса закупок компании определяется возможностью автоматизации части процессов, что позволяет экономить ресурсы предприятия [4]. Электронный формат заключения сделок позволяет избежать трансакционных издержек, возникающих при поиске подходящего исполнителя.

Рассмотрим процесс детально:

Для решения задачи осуществления закупки, в программном обеспечении реализуются 3 роли: Заказчик, Подрядчик, Координатор.

На входе имеем заказчика с набором потребностей и чётко написанным техническим заданием на выполнение определенных работ, ограниченных сроком, бюджетом (географической привязкой и т.д.) После внесения данных в ПО формируется и публикуется наряд-заказ на соискание подрядчика. Подрядчики реагируют на опубликованные наряд-заказы, затем координатор проекта решает, кто из подрядчиков сможет выполнить работу с наибольшей эффективностью, и рекомендует кандидата заказчику.

Рисунок 1. Схема существующего бизнес-процесса

В качестве задачи предлагается рассмотреть процесс принятия решения об оптимальном подрядчике, за который ответственен координатор, рассмотреть интеллектуальную систему принятия решения для повышения эффективности работы координатора и снижения человеческого фактора в процессе выбора подрядчика.

Цель

Целью работы является разработка программного интеллектуального модуля для оптимизации процесса выбора подрядчика путем многокритериальной оценки. Такое решение позволит сократить время принятия решений и выдавать индивидуальные рекомендации под требования заказчика.

Задачи

Для достижения поставленной цели требуется:

• Провести анализ предметной области и бизнес-процесса
• Составить модель текущего процесса принятия решений координатором, определить сильные и слабые стороны процесса
• Провести анализ существующих решений
• Разработать и протестировать свою модель принятия решений
•  

Актуальность решения обуславливается предложенным методом решения для совершенствования существующего бизнес-процесса. Проводимая экспертная оценка выбора параметров позволит выделить из них наиболее важные, таким образом повысив эффективность бизнес-процесса и уменьшив время, затрачиваемое на принятие решений.

В отличие от существующего метода отбора кандидатов, основанного на выборе кандидата с наименьшей ценой договора, предложенное решение реализует совершенно новый принцип работы с подрядчиками, автоматизируя работу координатора за счет применения интеллектуального аппарата принятия решений.

Основная часть

Выводы и результаты работы ориентированы на совершенствование бизнес-процесса, а именно сокращение времени заключения договора, что приведёт к большему удовлетворению заказчика самим процессом соискания подрядчика для выполнения работ и доказанным приоритетом выбора того или иного подрядчика. Внедрение интеллектуальной системы принятия решений позволит сократить затраты на проведение аналитических работ, что станет безусловным положительным аспектом для бизнеса, а также перераспределить задания между сотрудниками, что приведёт к более эффективному процессу работы сотрудников, исключив анализ и сопоставление имеющихся кандидатов.

В качестве исследуемых параметров для потенциальных подрядчиков предлагается рассмотреть:

• Количество заключенных договоров
• Место регистрации подрядчика (является ли налоговым резидентом РФ)
• Объём уставного капитала
• Возможность выполнить заказ самостоятельно (без привлечения сторонних лиц)
• Наличие сорванных контрактов, судебных дел
• Срок присутствия на рынке
• Локализация производства (импортозамещение)
• Наличие лицензии на осуществление соответствующей деятельности
• Отсутствие долгов в бюджете РФ
• Отсутствие в реестре недобросовестных поставщиков
• Наличие материальных ресурсов в собственности для выполнения заказа
• Необходимое количество работников для выполнения заказа
• Возможность подрядчика выполнить контракт с учётом требований к объекту закупки (функциональные, технические, качественные, эксплуатационные)
• Наличие кредитных обязательств перед банками
• Отсутствие аффилированных лиц в руководстве
• Максимальная и минимальная цены контракта

Анализ существующих технологий

Для решения задач принятия решений используются различные технологии такие как деревья решений и нейронные сети. Рассмотрим их особенности и достоинства.

Дерево решений представляют собой иерархические древовидные структуры, состоящие из решающих правил вида «Если ..., то ...». Правила автоматически генерируются в процессе обучения на обучающем множестве и, поскольку они формулируются практически на естественном языке.

Преимущества деревьев решений:

1. Интуитивность деревьев решений
2. Деревья решений позволяют извлекать правила из базы данных на естественном языке
3. Алгоритм конструирования дерева решений не требует от пользователя выбора входных атрибутов
4. Высокая точность создаваемых моделей [5]

Недостатки деревьев решений:

1. Чувствительность к шумам во входных данных
2. Большие затраты на «переобучение»

Нейронной сетью называется определенная математическая модель и ее программное и аппаратное воплощение. Математическая модель построена непосредственно по принципу организации и функционирования биологических нейронных сетей, т. е. сетей клеток живого организма [6]. Сетью обрабатывается входная информация и в зависимости от изменений своего состояния во времени формируется совокупность выходных сигналов. Основа нейросетевого подхода заключается в рассмотрении очень простых однотипных объектов, соединенных в сложную и крупную сеть [7].

Существуют различные виды нейронных сетей, например:

• однослойный персептрон, являющийся простейшей нейронной сетью прямого распределения [8
• , свёрточная нейронная сеть, предназначенная для работы с распознаванием образов [9]
•  сети Кохонена, представляющие из себя самоорганизующуюся карту признаков (состоит из двух слоёв) [10]
•  вероятностные нейронные сети, предназначенные для обработки текстовой информации для последующей классификации [11].

Если же задача не может быть сведена ни к одному из известных типов нейросети, приходится решать сложную проблему синтеза новой конфигурации [12].

Преимущества нейронных сетей

1. Решение задач в условиях неопределённости
2. Устойчивость к шумам во входных данных
3. Гибкость структуры нейронных сетей [13]
4. Отказоустойчивость

Недостатки нейронных сетей

1. Необходимость поиска оптимального соотношения параметров модели и её характеристик
2. Необходимость нахождения достаточного количества обучающих примеров [14].

Согласно исследованиям авторов, искусственные нейронные сети демонстрируют лучшие результаты по сравнению с классическими параметрическими методами построения [15].

Вывод

Таким образом, можно сделать вывод о том, что для полного осуществления интеллектуальных способностей, связанных с анализом и обобщением исходной информации по системе организации закупок, а также принятии верного решения по выбору подрядчика должно быть реализовано решение при помощи современных информационных автоматизирующих технологий, которые должны быть способны легко адаптироваться в меняющихся условиях и быть гибкими к изменению параметров.

Поэтому одним из наиболее перспективных путей построения интеллектуального модуля принятия решений и интеллектуального анализа данных является использование нейронных сетей, которые позволяют использовать неограниченное количество параметров для исследования, выдавая на выходе оптимальный выбор, способствующий оптимизации бизнес-процесса в целом.

Cписок литературы:

1. Суслова, Е. В. Интеллектуальные системы поддержки принятия решений / Е. В. Суслова. — Текст : непосредственный // Молодой ученый. — 2017. — № 3 (137). — С. 171-174.
2. Ольховская И.В., Ишанходжаев М.А. Использование бизнес-интеллекта и бизнес-аналитики в организациях // Экономика и бизнес: теория и практика. 2018. №4. С. 1-3.
3. О. В. Тиханычев Об информационном обеспечении поддержки принятия решений // Программные продукты и системы. 2018. №2. С. 1-5.
4. Гулякина Н.А., Давыденко И.Т., Шункевич Д.В. Методика проектирования семантической модели интеллектуальной справочной системы, основанная на семантических сетях // Программные системы и вычислительные методы. 2016. № 1. С. 56–68.
5. Зайцева Т.В., Васина Н.В., Пусная О.П., Смородина Н.Н. Программная реализация метода деревьев решений для решения задач классификации и прогнозирования / Научные ведомости белгородского государственного университета. Серия: экономика. Информатика – С.121-127.
6. Еремеев Е.А. Распознавание образов в экспертных системах принятия -решений // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 4. С. 704–713.
7. Бугаков, С. С. Перспективы внедрения нейронных сетей в реализацию систем поддержки принятия решений / С. С. Бугаков. -// Молодой ученый. — 2016. — № 4 (108). — С. 343-346.
8. Кощеев Максим Игоревич, Славутский Александр Леонидович, Славутский Леонид Анатольевич //Элементарный персептрон как инструмент анализа переходных процессов // Вестник ЧГУ. 2020. №3 - С. 84-93.
9. Wang H., Raj B. On the Origin of Deep Learning //ArXiv:1702.07800v4. 2017 - С.1527-1554
10. Юнусова Лилия Рафиковна, Магсумова Алия Рафиковна Кластеризация с помощью нейронных сетей и поиск зависимостей // Наука, образование и культура. 2019. №7 (41) - С. 1-5.
11. Бодянский Е.В., Рябова Н.В., Золотухин О.В. Классификация текстовых документов с помощью нечеткой вероятностной нейронной сети // ВЕЖПТ. 2011. №2 (54) - С. 39-45.
12. Горбачевская Елена Николаевна Классификация нейронных сетей // Вестник ВУиТ. 2012. №2 (19) - С. 1-6.
13. Szegedy C., Toshev A., Erhan D. Deep neural networks for object detection / In: Adv. in Neural Information Processing Systems. 2013 С. 1-9.
14. Гусева М.В. Обзор методов и алгоритмов систем поддержки принятия решений // Математическое и программное обеспечение информационных систем: Межвуз. сб. науч. тр. / Под ред. А.Н. Пылькина. – М.: Горячая линия - Телеком. – 2007. – С. 38 – 43
15. Звежинский Станислав Сигизмундович, Духан Андрей Евгеньевич, Духан Евгений Изович, Парфенцев Игорь Валерьевич Интеллектуализация принятия решений в системах физической защиты объектов // T-Comm. 2018. №1 - С. 40-43.