ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

ROR

ЕДРПОУ 05481984

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

КАТАЛОГ

Синтез технологій штучного інтелекту та нечіткої логіки в моделі оцінювання ризиків для прийняття управлінських рішень
Кузьменко О. О., Віткін Л. М.

Кузьменко О. О., Віткін Л. М. Синтез технологій штучного інтелекту та нечіткої логіки в моделі оцінювання ризиків для прийняття управлінських рішень. Бізнес Інформ. 2026. №8. C. 487–496.
https://doi.org/10.32983/2222-4459-2026-8-487-496

Розділ: Менеджмент і маркетинг

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 330.46:658

Анотація:
Сучасний розвиток цифрових технологій та зростання складності процесів управління зумовлюють необхідність удосконалення підходів до оцінювання ризиків у системах підтримки прийняття управлінських рішень. Незважаючи на значний розвиток моделей, що базуються на використанні технологій штучного інтелекту або нечіткої логіки, більшість наявних підходів орієнтована переважно на застосування лише одного з цих інструментів або не забезпечує їх комплексної інтеграції. Недостатньо дослідженими залишаються питання побудови адаптивних моделей оцінювання ризиків, які одночасно враховують результати інтелектуального аналізу історичних даних, експертні знання та специфіку функціонування випробувальних лабораторій. Саме усунення цієї наукової прогалини визначило напрям проведеного дослідження. Метою дослідження є розроблення та наукове обґрунтування інтегрованої моделі оцінювання ризиків для підтримки прийняття управлінських рішень у діяльності випробувальних лабораторій на основі синтезу технологій штучного інтелекту та нечіткої логіки, а також демонстрація можливостей її практичного застосування шляхом сценарного моделювання. У процесі дослідження використано методи системного та порівняльного аналізу, концептуального й сценарного моделювання, положення теорії нечітких множин, сучасні підходи до застосування технологій штучного інтелекту, а також методи узагальнення та систематизації наукових джерел. Інформаційну основу дослідження становили сучасні наукові праці з проблематики ризик-менеджменту, технологій штучного інтелекту та нечіткої логіки, міжнародні нормативні документи, а також узагальнені матеріали щодо функціонування випробувальних лабораторій. У результаті дослідження проаналізовано сучасні моделі синтезу технологій штучного інтелекту та нечіткої логіки, визначено їхні переваги й обмеження, а також розроблено інтегровану модель оцінювання ризиків, що поєднує модулі інтелектуального аналізу даних, нечіткого логічного виведення, інтегрованого оцінювання ризиків і формування управлінських рекомендацій. Для підтвердження працездатності запропонованого підходу проведено сценарне моделювання типових управлінських ситуацій, наближених до умов діяльності випробувальної лабораторії, яке продемонструвало можливість комплексного використання історичних даних та експертних оцінок під час формування управлінських рішень. Встановлено, що синтез технологій штучного інтелекту та нечіткої логіки підвищує адаптивність процесу оцінювання ризиків, покращує інтерпретованість результатів, зменшує вплив суб'єктивних експертних оцінок і сприяє підвищенню обґрунтованості управлінських рішень в умовах невизначеності. Наукова новизна дослідження полягає у розробленні інтегрованої моделі оцінювання ризиків, яка, на відміну від існуючих підходів, забезпечує комплексне поєднання механізмів інтелектуального аналізу історичних даних із нечітким логічним виведенням для формалізації експертних знань і формування інтерпретованих рекомендацій щодо управління ризиками. Практична цінність одержаних результатів полягає у можливості використання запропонованої моделі в діяльності випробувальних лабораторій, органів оцінки відповідності та інших організацій для підтримки прийняття управлінських рішень, удосконалення процедур оцінювання ризиків, планування коригувальних і запобіжних заходів і підвищення ефективності функціонування систем менеджменту якості.

Ключові слова: штучний інтелект; нечітка логіка; оцінювання ризиків; підтримка прийняття управлінських рішень; випробувальна лабораторія; сценарне моделювання; ризик-менеджмент; системи менеджменту якості.

Рис.: 2. Табл.: 1. Бібл.: 15.

Кузьменко Олександр Олександрович – аспірант, кафедра управлінських технологій, Університет економіки та права «КРОК» (вул. Табірна, 30-32, Київ, 03113, Україна)
Email: [email protected]
Віткін Леонід Михайлович – доктор технічних наук, професор, кафедра управлінських технологій, Університет економіки та права «КРОК» (вул. Табірна, 30-32, Київ, 03113, Україна)
Email: [email protected]

Список використаних у статті джерел

Гармідер Л. Д., Коротка Л. І., Бажан С. А., Аніськевич Д. В. The application of fuzzy sets theory in the methodological approach to assessing personnel risks of an enterprise. Academy Review. 2024. № 1 (60). С. 192–205. DOI: https://doi.org/10.32342/2074-5354-2024-1-60-14
Нечаєва І., Дончик Д. Використання технології «Краватка-метелик» (BowTie) в практиці оцінки ризиків. Економіка та суспільство. 2021. DOI: https://doi.org/10.32782/2524-0072/2021-33-51
Кузьменко О. О., Віткін Л. М. Розроблення математичної моделі на основі нечіткої логіки для визначення ризику в діяльності випробувальної лабораторії. Вчені записки Університету «КРОК». 2024. № 1 (73). С. 188–194. DOI: https://doi.org/10.31732/2663-2209-2024-73-188-194
Хавіна І. П., Гнусов Ю. В., Можаєв О. О. Застосування нечіткої логіки для оцінки ризиків автоматизованих систем. Застосування інформаційних технологій у правоохоронній діяльності: матеріали Круглого столу (Харків, 14 груд. 2023 р.). Харків : ХНУВС, 2023. С. 71–73. URL: https://dspace.univd.edu.ua/handle/123456789/19414
Mousavi S. A., Seiti H., Hafezalkotob A., Asian S., Mobarra R. Application of risk-based fuzzy decision support systems in new product development: an R-VIKOR approach. Applied Soft Computing. 2021. Vol. 109. Article 107456. DOI: https://doi.org/10.1016/j.asoc.2021.107456
ANSI/ISA-62443-3-2-2020. Security for industrial automation and control systems – Part 3-2: security risk assessment for system design. URL: https://www.isa.org/products/ansi-isa-62443-3-2-2020-security-for-industrial-a
Bian L. Design of computer network security defense system based on artificial intelligence and neural network. Wireless Personal Communications. 2023. DOI: https://doi.org/10.1007/s11277-023-10721-9
Chen S.-M., Sanguansat K. Analyzing fuzzy risk based on a new fuzzy ranking method between generalized fuzzy numbers. Expert Systems with Applications. 2011. Vol. 38(3). P. 2163–2171. DOI: https://doi.org/10.1016/j.eswa.2010.08.002
Cinar U., Cebi S., Kahraman C. A hybrid risk assessment method for mining sector based on QFD, fuzzy inference system, and AHP. Journal of Intelligent & Fuzzy Systems. 2020. Vol. 39(5). P. 6047–6058. DOI: https://doi.org/10.3233/JIFS-189078
Dubois D., Prade H. The treatment of uncertainty in knowledge-based systems using fuzzy sets and possibility theory. International Journal of Intelligent Systems. 1988. Vol. 3 (2). P. 141–165. DOI: https://doi.org/10.1002/int.4550030204
Pamucar D., Behzad M., Bozanic D., Behzad M. Designing a fuzzy decision support framework for assessing solid waste management in the South European region. Environmental Science and Pollution Research. 2022. Vol. 29 (28). P. 42862–42882. DOI: https://doi.org/10.1007/s11356-022-18891-y
Sakalli A., Kumbasar T., Mendel J. M. Towards systematic design of general type-2 fuzzy logic controllers: analysis, interpretation, and tuning. IEEE Transactions on Fuzzy Systems. 2021. Vol. 29. No. 2. P. 226–239. DOI: https://doi.org/10.1109/TFUZZ.2020.3016034
Testik O. M., Unlu E. T. Fuzzy FMEA in risk assessment for test and calibration laboratories. Quality and Reliability Engineering International. 2023. Vol. 39 (2). P. 575–589. DOI: https://doi.org/10.1002/qre.3198
Petry F. E., Yager R. R. Interval-valued fuzzy sets aggregation and evaluation approaches. Applied Soft Computing. 2022. Vol. 124. Article 108887. DOI: https://doi.org/10.1016/j.asoc.2022.108887
Siami M., Naderpour M., Ramezani F., Lu J. Risk assessment through big data: an autonomous fuzzy decision support system. IEEE Transactions on Intelligent Transportation Systems. 2024. Vol. 25. No. 8. P. 9016–9027. DOI: https://doi.org/10.1109/TITS.2024.3392959