М.Н. Белозёров1, А.Н. Смирнов2

1 Национальный исследовательский технологический университет «МИСИС» (Москва, Россия)
2 ПАО «СберБанк России», центральный аппарат (Москва, Россия)
1 mnbelozyorov@gmail.com, 2 asmirnov889@yandex.ru

Постановка проблемы. В настоящее время перед промышленными предприятиями ставится задача контроля качества продукции на этапе эксплуатации. При этом переход к бизнес-процессам, основанным на использовании искусственного интеллекта и машинного обучения, сопряжен с риском финансовых потерь из-за ошибок в работе этих моделей. Эти потери могут быть сопоставимы с кредитными, рыночными или операционными рисками, что делает актуальным управление модельным риском.

Цель. Рассмотреть постановку задачи контроля качества продукта в процессах управления модельным риском и дать описание специализированной информационной системы, имитирующей производственные процессы как цифрового двойника предприятия для моделирования и оперативного реагирования на изменения.

Результаты. Установлено, что для повышения эффективности подготовки производства необходимы сквозные инструменты управления, которые содержат информацию о всех этапах производственного процесса, моделируют процессы принятия решений и автоматически пересчитывают решения при изменении внешних или внутренних факторов.

Практическая значимость. Предложенный подход был апробирован в процессах управления модельным риском СберБанка России. Отдельные элементы данного подхода были апробированы в компаниях пищевой и металлургической промышленности.

Белозёров М.Н., Смирнов А.Н. Задача контроля качества продукта в процессах управления модельным риском // Нелинейный мир. 2025. Т. 23. № 1. С. 72–78. DOI: https://doi.org/10.18127/ j20700970-202501-08

1. Белозеров М.Н. Диалоговая процедура расчета потребности в исходных материалах и управление сырьевыми запасами в условиях многовариантности технологий использования сырья.
2. Сбер ждет около 450 млрд рублей доходов в 2024 году от внедрения ИИ // Интерфакс [Электронный ресурс]. URL https://www.interfax.ru/business/950133 (дата обращения: 01.09.24).
3. Греф оценил эффект от искусственного интеллекта в Сбербанке в 2021 году в 80–85 млрд руб. // ТАСС. URL https://tass.ru/ekonomika/10997599 (дата обращения: 01.09.24)
4. Доход Сбера от внедрения искусственного интеллекта в 2022 году превысит 200 млрд рублей // ТАСС. URL https://tass.ru/ekonomika/16293069 (дата обращения: 01.09.24).
5. Пудовкин А.П., Панасюк Ю.Н., Москвитин С.П. Непрерывный контроль качества многослойных материалов // Радиотехника. 2013. № 9. С. 120–123.
6. Власов А.И. и др. Применение нейронных сетей в обнаружении дефектов печатных плат // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 6. С. 5–19.
7. Мудар К. и др. Анализ основных подходов к моделированию аварийных ситуаций для управления рисками в социотехнических системах // Динамика сложных систем – XXI век. 2021. Т. 15. № 1. С. 22–37.
8. Wang S. et al. A deep learning-enhanced Digital Twin framework for improving safety and reliability in human–robot collaborative manufacturing. Robotics and computer-integrated manufacturing. 2024. V. 85. P. 102608.
9. Qin B. et al. Machine and Deep Learning for Digital Twin Networks: A Survey. IEEE Internet of Things Journal. 2024.
10. Yuan G. et al. Multi-objective coupling optimization of electrical cable intelligent production line driven by digital twin. Robotics and Computer-Integrated Manufacturing. 2024. V. 86. P. 102682.
11. Wang T. et al. Pipeline condition monitoring towards digital twin system: A case study. Journal of Manufacturing Systems. 2024. V. 73. P. 256–274.
12. Zhang Z. et al. Enabling collaborative assembly between humans and robots using a digital twin system. Robotics and Computer-Integrated Manufacturing. 2024. V. 86. P. 102691.
13. Usiagu G.S. et al. Simulation techniques in industrial engineering: A USA and African perspective review. Magna Scientia Advanced Research and Reviews. 2024. V. 10. № 1. P. 265–272.
14. Ahmad S.A. et al. Mathematical modeling techniques to predict the compressive strength of pervious concrete modified with waste glass powders. Asian Journal of Civil Engineering. 2024. V. 25. № 1. P. 773–785.
15. Palakurti N.R., Kolasani S. AI-Driven Modeling: From Concept to Implementation. Practical Applications of Data Processing, Algorithms, and Modeling. IGI Global/ 2024. С. 57–70.
16. Malik A. et al. Industrial revolution and environmental sustainability: an analytical interpretation of research constituents in Industry 4.0. International Journal of Lean Six Sigma. 2024. V. 15. № 1. P. 22–49.
17. Soltaninejad M. et al. Using Machine Learning Techniques to Forecast Mehram Company's Sales: A Case Study. Journal of Business and Management Studies. 2024. V. 6. № 2. P. 42–53.
18. Arefin S. et al. Retail Industry Analytics: Unraveling Consumer Behavior through RFM Segmentation and Machine Learning. 2024 IEEE International Conference on Electro Information Technology (eIT). IEEE. 2024. P. 545–551.
19. Jauhar S.K. et al. A deep learning-based approach for performance assessment and prediction: A case study of pulp and paper industries. Annals of Operations Research. 2024. P. 1–27.
20. Torkul O., Selvi I. H., Şişci M. Smart seru production system for Industry 4.0: a conceptual model based on deep learning for real-time monitoring and controlling. International Journal of Computer Integrated Manufacturing. 2024. V. 37. № 4. P. 385–407.