Интеллектуализация принятия решений по закупке изделий с использованием поискового агента при многовариантном анализе атрибутов изделий

Актуальность данного исследования обусловлена необходимостью развития методов использования значительных объемов текстовой информации при принятии управленческих решений. В связи с этим статья направлена на выявление основных факторов и особенностей интеллектуальных программных агентов, используемых для поиска и обработки информации из открытых источников. Рассмотрены факторы, влияющие на принятие управленческого решения при распределении ресурсов на закупку изделий. Определена ситуация поиска информации в ограниченном временном промежутке, которая приводит к принятию управленческого решения в условиях неполной информации об изделиях. Предложены описания поиска информации без использования интеллектуального поискового агента и с использованием интеллектуального поискового агента. Определены требования к используемому поисковому агенту, заключающиеся в точности поиска информации, ограничении времени на поиск информации, ограничении ресурсов на разработку поискового агента. Предложено описание выбора используемой модели искусственного интеллекта, предъявляемых требований по времени на принятие решения, требований по точности и затрачиваемому времени на поиск текстовой информации, а также оценке показателя стоимости разработки поискового агента. Реализация предлагаемой модели поискового агента проверена на 100 наименованиях изделий, относящихся к оборудованию с числовым программным управлением. Выявлены взаимосвязи между количеством известных атрибутов и точностью поиска новых атрибутов.

1. Hill-Yardin E.L., Hutchinson M.R., Laycock R., Spencer S.J. A Chat(GPT) About the Future of Scientific Publishing. Brain, Behavior, and Immunity. 2023;110:152–154. https://doi.org/10.1016/j.bbi.2023.02.022

2. Zhou K.-Q., Nabus H. The Ethical Implications of DALL-E: Opportunities and Challenges. Mesopotamian Journal of Computer Science. 2023;2023:16–21. https://doi.org/10.58496/MJCSC/2023/003

3. Gozalo-Brizuela R., Garrido-Merchán E.C. A Survey of Generative AI Applications. arXiv. URL: https://arxiv.org/abs/2306.02781 [Accessed 10th October 2025].

4. Murphy K.P. Probabilistic Machine Learning: An Introduction. Cambridge: The MIT Press; 2022. 864 p.

5. Kolt N. Governing AI Agents. arXiv. URL: https://arxiv.org/abs/2501.07913 [Accessed 10th October 2025].

6. Намиот Д.Е., Ильюшин Е.А. Архитектура LLM-агентов. International Journal of Open Information Technologies. 2025;13(1):67–74.

7. Bannett M. Deep Learning Powered Architectures for Intelligent Workflow Dynamics, Adaptive Task Scheduling, and Autonomous Orchestration of Complex Processes in n8n. MetaVision Journal of Multidisciplinary Studies (MVJMS). 2024;1(3):1–19.

8. Prakash Pradhan S. Working with Power Virtual Agent. In: Power Platform and Dynamics 365 CE for Absolute Beginners: Configure and Customize Your Business Needs. Berkeley: Apress; 2022. P. 193–222. https://doi.org/10.1007/978-1-4842-8600-5_5

9. Аветисян Т.В., Львович Я.Е., Преображенский А.П., Преображенский Ю.П. Методика управления ресурсами для IT-компании, занимающейся сервисным обслуживанием. Наука Красноярья. 2023;12(1-1):172–198. https://doi.org/10.12731/2070-7568-2023-12-1-172-198

10. Юсупова Н.И., Богданова Д.Р., Бойко М.В. Математическое обеспечение для поддержки принятия решений при управлении качеством продукции на основе анализа текстовой информации. Современные проблемы науки и образования. 2014;(3). URL: https://science-education.ru/ru/article/view?id=13024

11. Пирматов А.З., Азимов Б.А., Камалов С.С. Искусственный интеллект с использованием Python: технологии и применение. Бюллетень науки и практики. 2023;9(11):288–295. https://doi.org/10.33619/2414-2948/96/37

12. Брагин А.В., Бахтизин А.Р., Макаров В.Л. Большие языковые модели четвёртого поколения как новый инструмент в научной работе. Искусственные общества. 2023;18(1). https://doi.org/10.18254/S207751800025046-9

13. Palakurti A., Kodi D. Building Intelligent Systems with Python: An AI and ML Journey for Social Good. In: Advancing Social Equity Through Accessible Green Innovation. IGI Global Scientific Publishing; 2025. P. 77–92. https://doi.org/10.4018/979-8-3693-9471-7.ch006

14. Arslan M., Ghanem H., Munawar S., Cruz Ch. A Survey on RAG with LLMs. Procedia Computer Science. 2024;246:3781–3790. https://doi.org/10.1016/j.procs.2024.09.178