Мультиагентная онтологическая кластеризация как инструмент повышения эффективности факторинговых решений

В работе предложен инновационный подход к управлению факторинговыми заявками на основе мультиагентной онтологической кластеризации с использованием механизма обратной связи. В отличие от традиционных методов кластеризации, рассматриваемый подход учитывает не только числовые параметры заявок, но и их семантическую близость, определяемую на основе онтологий. Система реализована через взаимодействие автономных агентов-заявок и агентов-кластеров, между которыми ведётся двусторонний обмен сообщениями с расширенным переговорным протоколом. Это позволяет агентам адаптивно присоединяться к существующим кластерам, создавать новые или реорганизовывать имеющиеся для поддержания внутренней смысловой однородности. Особенностью предлагаемого метода является встроенный механизм автоматической корректировки отклонённых заявок путём подбора наиболее близких одобренных аналогов в пределах семантически однородных кластеров. Это существенно повышает адаптивность и эффективность принятия решений в факторинговых системах. Проведённое сравнение с классическими алгоритмами кластеризации показало, что предложенный подход превосходит их по критериям гибкости, устойчивости к шумам и способности учитывать семантические связи между данными. Предлагаемая методика открывает широкие перспективы для практического применения в банковских, страховых и государственных системах, где важна не только точность анализа данных, но и возможность обоснованных рекомендаций по корректировке и улучшению заявок.

1. Albi G., Herty M., Segala Ch. Robust Feedback Stabilization of Interacting Multi-agent Systems Under Uncertainty. Applied Mathematics & Optimization. 2024;89(1). https://doi.org/10.1007/s00245-023-10078-2

2. Cao J., Zhao Ch.Q., Chen X., et al. From First Draft to Final Insight: A Multi-Agent Approach for Feedback Generation. arXiv. URL: https://arxiv.org/abs/2505.04869 [Accessed 18th May 2025].

3. Скобелев П.О. Ситуационное управление и мультиагентные технологии: коллективный поиск согласованных решений в диалоге. Онтология проектирования. 2013;(2):26–48.

4. Жиляев А.А. Онтологии как инструмент создания открытых мультиагентных систем управления ресурсами. Онтология проектирования. 2019;9(2):261–281.

5. Grachev S., Skobelev P., Mayorov I., Simonova E. Adaptive Clustering Through Multi-Agent Technology: Development and Perspectives. Mathematics. 2020;8(10). https://doi.org/10.3390/math8101664

6. Андреев В.В., Волхонцев Д.В., Ивкушкин К.В. и др. Мультиагентная система извлечения знаний. В сборнике: Применение искусственного интеллекта в инженерии XIII: Труды 3-ей Международной конференции по проблемам управления и моделирования сложных систем, 04–09 сентября 2001 года, Самара, Россия. Самара: СНЦ РАН; 2001. С. 206–212.

7. Rzevski G., Skobelev P., Minakov I. Data mining. № GB2411015A. Espacenet. URL: https://worldwide.espacenet.com/patent/search/family/032011806/publication/GB2411015A?q=GB2411015A [Accessed 18th May 2025].

8. Боряев Р.О., Чуваков А.В. Построение онтологии системы поддержки принятия факторинговых решений на основе квантовых вычислений. Современные наукоемкие технологии. 2024;(5–2):269–275. https://doi.org/10.17513/snt.40039

9. Чуваков А.В., Боряев Р.О. Система поддержки принятия факторинговых решений на основе оптимизированных квантовых алгоритмов QMC. Информатика и автоматизация. 2025;24(2):657–683. https://doi.org/10.15622/ia.24.2.11

10. Chaimontree S., Atkinson K., Coenen F. A Multi-Agent Based Approach to Clustering: Harnessing the Power of Agents. In: Agents and Data Mining Interaction: 7th International Workshop, ADMI 2011, 02–06 May 2011, Taipei, Taiwan. Berlin, Heidelberg: Springer; 2012. P. 16–29. https://doi.org/10.1007/978-3-642-27609-5_3