В представленной работе предлагается комплексный подход, который включает использование теории графов для построения модели производственных маршрутов; применение методов искусственного интеллекта для оптимизации построенных графовых моделей, в том числе алгоритмов поиска кратчайшего пути с учетом изменяющихся ограничений и эвристических оптимизационных стратегий; разработку специальной архитектуры рекуррентной нейронной сети типа LSTM для решения поставленной в исследовании задачи и адаптированной для работы с последовательностями данных о маршрутах; внедрение системы оценки рисков на основе нейросетевого анализа, которая может быть интегрирована в общую архитектуру оптимизации производственных маршрутов с выполнением ключевой задачи выявления потенциальных проблем и разработки превентивных мер; применение математического моделирования для формализации процесса оптимизации как задачи минимизации целевой функции при заданных ограничениях. В результате исследования разработана адаптивная модель оптимизации технологических маршрутов, создана специализированная программа для оценки научно-технических рисков при внедрении новых или усовершенствованных технологий на предприятии, построена архитектура LSTM-нейронной сети с учетом специфики исследуемых отраслевых производственных процессов, а также произведена валидация модели на реальных производственных данных. Проведенное исследование показало, что применение разработанного подхода позволяет значительно сократить сроки принятия проектных решений, проводить оптимизацию технологических маршрутов с учетом множества необходимых критериев, при этом учитывать их важность для того или иного варианта оптимизации, повысить точность прогнозирования при внедрении результатов на производстве, адаптировать технологические процессы под изменяющиеся производственные условия, а также возможность интегрировать представленное решение в существующие САМ и MES-системы.