ОПТИМИЗАЦИЯ РАЗВИТИЯ ЦИФРОВИЗИРОВАННОЙ ОРГАНИЗАЦИОННОЙ СИСТЕМЫ ОБСЛУЖИВАНИЯ ЗАКАЗОВ НА ОСНОВЕ ИНТЕГРАЦИИ С МАШИННЫМ ОБУЧЕНИЕМ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ

Работа посвящена формированию моделей и алгоритмических процедур оптимизации эффективности цифровизированной организационной системы обслуживания заказов потребителей на стадии развития. Исходя из структурных моделей физической и информационных сред, реализующих процесс обслуживания на базе автоматизированного оборудования и устройств, проведена структуризация функционирования организационной системы в виде временных рядов, позволяющих осуществлять машинное обучение прогностических моделей. Обоснована организация интеллектуальной поддержки решений управляющего центра, направленных на распределение интегрального ресурса развития между временными периодами в рамках горизонта планирования с требованием роста показателей эффективности и учетом возможностей имитационного моделирования в процесс машинного обучения. В этом случае формирование прогностических моделей нацелено на установление зависимостей экстремальных требований от значений оптимизируемых переменных и временных периодов, что приводит к многомерной оптимизационной модели. Показана целесообразность перехода от многомерной постановки к совокупности одномерных задач оптимизации, на основе решения которых для каждого временного интервала принимается управленческое решение по объему ресурсного обеспечения с учетом выполнения балансового условия. This paper explores the development of models and algorithmic procedures for optimizing the efficiency of a digitalized organizational system for servicing customer orders in its development phase. Based on structural models of the physical and information environments implementing the service process using automated equipment and devices, the organizational system’s functioning is structured as a time series, enabling machine learning of predictive models. A rationale is provided for the organization of intelligent decision support for the control center’s decisions, aimed at distributing the integral development resource between time periods within the planning horizon, with the requirement for increased performance indicators and taking into account the capabilities of simulation modeling in the machine learning process. In this case, the development of predictive models is aimed at establishing dependencies between extreme requirements and the values of the optimized variables and time periods, resulting in a multidimensional optimization model. The feasibility of moving from a multidimensional formulation to a set of one-dimensional optimization problems is demonstrated. The solution to these problems, based on which a management decision is made for each time interval regarding the volume of resource provision, taking into account the fulfillment of the balance condition.