Интеллектуальная система поддержки принятия решений

В идеале интеллектуальная система поддержки принятия решений должна функционировать как человеческий консультант, поддерживая лиц, принимающих решения: собирать и анализировать данные, выявлять и диагностировать проблемы, предлагать возможные варианты действий и оценивать их. Цель внедрения методов искусственного интеллекта в такие системы — автоматизация этих задач с приближением к человеческим возможностям.

Многие реализации интеллектуальных систем поддержки принятия решений основаны на экспертных системах^[8] — специализированном виде знание-ориентированных систем, которые кодируют знания и эмулируют когнитивное поведение человеческих экспертов с применением предикатной логики. В ряде случаев такие системы демонстрируют результат, превышающий уровень изначальных человеческих экспертов^[9][10]. Экспертные системы возникли как практические приложения в 1980-х годах^[11], базируясь на исследованиях в области искусственного интеллекта, проведённых в конце 1960-х — начале 1970-х годов^[12]. Обычно такие системы объединяют знания по определённой предметной области с механизмом вывода, что позволяет им предлагать решения или ставить диагнозы. Точность и надёжность в оптимальных условиях могут соответствовать, а иногда и превосходить уровень человеческого эксперта (например, при диагностике распространённых заболеваний), но в ситуациях, связанных с новизной или высокой неопределённостью, их эффективность существенно снижается.

Современные исследования в ИИ фокусируются на снабжении систем возможностью гибко реагировать на новые и неопределённые ситуации; эти разработки находят применение и в интеллектуальных системах поддержки принятия решений. Например, интеллектуальные агенты^[13][14], способные выполнять сложные когнитивные задачи без непосредственного участия человека, применяются в различных системах поддержки принятия решений. Возможности таких интеллектуальных агентов включают обмен знаниями, машинное обучение, интеллектуальный анализ данных и автоматический вывод. Среди применяемых методов — рассуждение на основе прецедентов, нечёткие множества^[15] и нечёткая логика, что позволяет повысить эффективность систем поддержки принятия решений в неопределённых условиях.

В 2009 году была предложена многоагентная интеллектуальная система (IILS) для автоматизации процесса решения задач в логистике. Она интегрирует модули искусственного интеллекта, основанные на рассуждении на основе случаев (case-based reasoning), многоагентных системах, нечёткой логике и искусственных нейронных сетях с целью предоставления расширенных логистических решений и поддержки принятия обоснованных и качественных решений для удовлетворения широкого спектра потребностей и задач заказчиков.

Ключевое концептуальное отличие современных интеллектуальных систем поддержки принятия решений от классических СППР заключается в переходе от пассивных инструментов к активным «цифровым советникам». Если классические системы преимущественно предоставляли пользователю данные и модели для самостоятельного анализа, то современные ИСППР способны самостоятельно находить скрытые закономерности и генерировать конкретные рекомендации. Роль системы меняется с пассивного предоставления информации по запросу на проактивное участие в процессе принятия решений^[16][17][18].

Интеллектуальная система поддержки принятия решений обладает многокомпонентной архитектурой, которая объединяет классические подходы систем поддержки принятия решений с методами искусственного интеллекта. Основная цель такой архитектуры — помощь пользователю в анализе сложных, слабоструктурированных задач и выработке оптимальных решений. Выделяются следующие основные взаимодействующие подсистемы:^[19]

• Подсистема данных — отвечает за сбор, хранение и управление данными. Включает в себя базу данных для работы со структурированными данными и хранилище данных для интеграции и долговременного хранения больших объёмов информации^[20].
• Подсистема моделей — содержит разнообразные математические и аналитические модели для обработки данных. В её состав входит база моделей, включающая статистические, финансовые, оптимизационные и другие инструменты^[21].
• Подсистема знаний — ключевой компонент, отличающий интеллектуальную систему от классической. Включает базу знаний (содержит факты, правила и опыт экспертов), механизм вывода (использует знания для формирования рекомендаций) и различные инструменты искусственного интеллекта^[19].
• Пользовательский интерфейс — обеспечивает взаимодействие между пользователем и системой, позволяя получать результаты и управлять процессом анализа^[19].

Для имитации функций человеческого консультанта в интеллектуальных системах поддержки принятия решений применяются различные алгоритмические методы. Одним из ключевых инструментов являются нейронные сети, которые используются для решения задач прогнозирования, классификации и распознавания образов. Кроме того, в подобных системах задействуются алгоритмы кластеризации, методы интеллектуального анализа данных (Data Mining), байесовские сети и эволюционные алгоритмы^[22].

В современных интеллектуальных системах поддержки принятия решений активно применяются большие языковые модели (LLM) и технологии генеративного искусственного интеллекта. Они выступают в роли интеллектуальных ассистентов, интегрированных в корпоративные информационные системы^[23]. Основные направления использования LLM включают взаимодействие с пользователем на естественном языке (в том числе преобразование обычных запросов к базам данных в формальный код), анализ больших объёмов неструктурированных данных (отчётов, контрактов, научных статей) для извлечения фактов и подготовки сводных отчётов, а также генерацию новых гипотез и сценариев на основе существующих данных^[24][25].

Для преодоления ограничений традиционных языковых моделей, таких как склонность к генерации правдоподобной, но фактически неверной информации («галлюцинациям»), применяется технология генерации с дополненной выборкой (RAG). Этот подход интегрирует LLM с внешними корпоративными базами знаний. Данные преобразуются в векторные представления и хранятся в специализированных векторных базах данных, обеспечивающих быстрый семантический поиск. При поступлении запроса система извлекает релевантные фрагменты информации и передаёт их языковой модели в качестве контекста. Использование RAG и векторных баз данных позволяет повысить точность ответов, обеспечить их актуальность без необходимости переобучения всей модели, а также снизить вероятность «галлюцинаций» и предоставить возможность верификации результатов^[26][27][28].

В интеллектуальные системы поддержки принятия решений интегрируются методы объяснимого искусственного интеллекта (Explainable AI, XAI). Это необходимо для обеспечения прозрачности, интерпретируемости и надёжности выводов, генерируемых моделями типа «чёрный ящик», что повышает доверие пользователей к системе. Для интерпретации решений применяются как изначально интерпретируемые алгоритмы (например, линейная регрессия и деревья решений), так и методы пост-фактум объяснения (такие как LIME и SHAP), которые генерируют объяснения для уже обученных сложных моделей^[29].^[30][31].

Интеграция интеллектуальных систем поддержки принятия решений с платформами потоковой аналитики больших данных позволяет обрабатывать информацию в режиме реального времени. Такая обработка данных по мере их поступления даёт возможность системам осуществлять предиктивное моделирование и переходить от реагирования на события к их предвидению^[32].

Интеллектуальные системы поддержки принятия решений (ИСППР) играют значительную роль в предиктивном управлении современными компаниями. Их применение способствует повышению качества и скорости принятия управленческих решений, оптимизации бизнес-процессов и рациональному распределению ресурсов. Ключевой функцией систем является прогнозирование будущих событий на основе анализа исторических данных, что позволяет оценивать различные сценарии и принимать превентивные меры.

В российском корпоративном секторе технологии искусственного интеллекта и ИСППР получили широкое распространение, перейдя от экспериментальных проектов к рабочим инструментам. По данным исследований 2025 года, генеративный искусственный интеллект используют около 71 % крупных российских компаний, а технологии интеллектуальной поддержки принятия решений применяют 50 % крупных и средних организаций, уже внедривших ИИ^[33]. При этом у большинства компаний пока отсутствует формализованная стратегия развития этих технологий.

Системы активно применяются в различных отраслях экономики:

• в финансовом секторе ИСППР используются для автоматизации кредитного скоринга и выявления мошеннических транзакций;
• в промышленности и государственном управлении технологии применяются для анализа данных (например, рентгеновских снимков грузов) и управления беспилотным транспортом;
• в ретейле и электронной коммерции ИИ помогает прогнозировать спрос, анализировать поведение покупателей и формировать персонализированные предложения;
• в сфере управления персоналом и маркетинге системы востребованы для автоматического разбора резюме, ранжирования кандидатов и оптимизации рекламных кампаний.

В здравоохранении интеллектуальные системы применяются в виде систем поддержки принятия врачебных решений (СППВР). Их основными задачами являются повышение качества медицинской помощи, минимизация врачебных ошибок, раннее выявление патологий и помощь специалистам в выборе оптимальной тактики диагностики и лечения.

В России применение подобных технологий регулируется рядом национальных стандартов. В частности, базовые требования устанавливает ГОСТ Р 71671-2024, согласно которому СППВР классифицируются по функциональному назначению на три типа:^[34]

• консультативные — формируют гипотезы и предлагают врачу варианты решений на основе анализа данных^[34];
• информационно-справочные — обеспечивают быстрый доступ к необходимым клиническим данным^[34];
• комбинированные — объединяют функции консультативных и информационно-справочных систем^[34].

В России отсутствует специальное законодательство, однозначно определяющее правовой статус рекомендаций, выдаваемых интеллектуальными системами поддержки принятия решений. Такие рекомендации не имеют обязательной юридической силы, и ответственность за конечное решение лежит на человеке, который их использует.

Вместе с тем ведётся активное формирование нормативной базы. В марте 2026 года Министерство цифрового развития, связи и массовых коммуникаций РФ представило проект федерального закона «Об основах государственного регулирования сфер применения технологий искусственного интеллекта». Документ впервые на законодательном уровне закрепляет право граждан на оспаривание решений, принятых с использованием искусственного интеллекта^[35][36].

Параллельно с разработкой законодательства Верховный суд РФ инициировал проведение масштабного анализа судебной практики по делам, связанным с применением искусственного интеллекта, для выработки единообразных подходов к рассмотрению подобных споров^[37][38].