М.Н. Белозеров1
1 Национальный исследовательский технологический университет «МИСИС» (Москва, Россия)

1 mnbelozyorov@gmail.com

Постановка проблемы. Прогнозирование спроса на продукцию производственной компании на основе применения математических моделей и методов машинного обучения сопряжено с определенным риском, называемым модельным риском. Этот риск может привести к серьезным негативным последствиям, таким как финансовые проблемы, юридические, репутационные и другие последствия, которые затрагивают как предприятия, так и их клиентов. В связи с этим управление модельными рисками является актуальной и важной задачей.

Цель. Разработать архитектуру системы управления модельными рисками при прогнозировании спроса на продукцию промышленного предприятия.

Результаты. Отмечено, что в промышленных производственных процессах могут использоваться различные прогностические модели. Установлено, что для каждой модели требуется отдельная система управления, основанная на совокупности факторов. Управление модельными рисками в процессах промышленных предприятий основано на предложенной концептуальной схеме, учитывающей экономические факторы.

Практическая значимость. Данная статья носит методологический характер и описывает способ интеграции систем машинного обучения и экспертных знаний для автоматизации управления модельными рисками.

Белозеров М.Н. Методология управления модельными рисками при прогнозировании спроса на продукцию производственной компании // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 3. С. 33–39. DOI: https://doi.org/10.18127/j19998554-202503-05

1. Борисова В.В., Демкина О.В., Савин А.В. Риски цифровизации промышленных компаний // Инновации и инвестиции. 2019. № 12. С. 294–297.
2. Кропачек О.Ю. Исследование диагностических рисков параметрически неопределенной квадратичной дискриминантной функции при диагностике промышленных объектов // Системи управління, навігації та зв'язку. 2017. № 5. С. 56–59.
3. Бочаров Е.П., Алексенцева О.Н., Ермошин Д.В. Оценка рисков промышленных предприятий на основе имитационного моделирования // Прикладная информатика. 2008. № 1. С. 15–24.
4. Хрусталёв О.Е. и др. Модельное обоснование инновационного развития наукоемкого сектора российской экономики // Дайджест-финансы. 2013. № 4. С. 19–29.
5. Рахлис Т.П., Еременко Д.Д. Влияние цифровизации на деятельность крупных промышленных предприятий: рисковый аспект // Сб. докл. «Российские регионы в фокусе перемен» (Екатеринбург, 18–20 ноября 2021 г.). Т. 1. Екатеринбург: УрФУ. 2022. С. 476–479.
6. Шаблаков А.Д., Соловьева И.А. Оценка рисков внедрения сквозных цифровых технологий в промышленности // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2023. Т. 17. № 2. С. 133–143.
7. Кокшаров В.А. Теоретические аспекты управления энерго-эффективностью инновационных технологий промышленного предприятия // Инновации и инвестиции. 2018. № 8. С. 3–7.
8. Матвеева Л.Г., Чернова О.А. Стратегический консорциум как механизм наращивания инновационного потенциала промышленности Юга России // Journal of Economic Regulation (Вопросы регулирования экономики). 2013. Т. 4. № 3. С. 65–72.
9. Пестриков С.А., Тюлькина С.Ю. Проблемы создания эффективной бизнес-среды в автомобильной промышленности // Шум­петеровские чтения. 2013. № 1. С. 66–72.
10. Клочков В.В. Управление инновационным развитием наукоемкой промышленности: модели и решения. М.: ИПУ РАН. 2010.
11. Микуленков А.С. Особенности риск-менеджмента предприятий в эпоху цифровой трансформации // Сб. материалов XXI Междунар. науч.-практич. конф. «Смирновские чтения–2022». 2022. С. 70–84.
12. Никитин Н.А. Вероятностные методы учета модельных рисков при оценке инвестиций в технологии искусственного интеллекта // Инновационное развитие экономики. 2023. Т. 2. С. 123–134.
13. Минасян В.Б., Ивко Д.Г. Анализ модельного риска использования технологии мультипликаторов при оценке акций российских компаний // Финансы: теория и практика. 2019. Т. 23. № 6. С. 91–116.
14. Кирилюк И.Л. Модельные риски в финансовой сфере в условиях использования искусственного интеллекта и машинного обучения // Russian Journal of Economics and Law. 2022. Т. 16. № 1. С. 40–50.
15. Моисеев Е. и др. Метод оценки ИТ-составляющей модельного риска и экономического капитала на его покрытие // Journal of Money and Finance. 2022. Т. 81. № 3. С. 107–127.
16. Xu T. et al. Risk factors assessment of smart supply chain in intelligent manufacturing services using DEMATEL method with linguistic q-ROF information // Journal of Operations Intelligence. 2024. V. 2. № 1. P. 129–152.
17. Zhu D., Li Z., Mishra A.R. Evaluation of the critical success factors of dynamic enterprise risk management in manufacturing SMEs using an integrated fuzzy decision-making model // Technological Forecasting and Social Change. 2023. V. 186. P. 122137.
18. Radanliev P. et al. Cyber risk at the edge: current and future trends on cyber risk analytics and artificial intelligence in the industrial internet of things and industry 4.0 supply chains // Cybersecurity. 2020. V. 3. P. 1–21.
19. Somer P., Thalmann S. Risk management of AI in industry: a literature review // The 15th Mediterranean Conference on Information Systems (MCIS) and the 6th Middle East & North Africa Conference on digital Information Systems (MENACIS). Madrid. 2023.
20. Zadeh L.A. Fuzzy logic / In the book Granular, Fuzzy, and Soft Computing (Ed. by T.-Y. Lin, Ch.-J. Liau, J. Kacprzyk). New York, NY: Springer US. 2023. P. 19–49.