Белозёров М.Н.1, Смирнов А.Н.2

1 Национальный исследовательский технологический университет «МИСИС» (Москва, Россия)

2 ПАО «СберБанк России» Центральный аппарат (Москва, Россия)

1mnbelozyorov@gmail.com, 2asmirnov889@yandex.ru

Постановка проблемы. В управлении бизнес-процессами применяют моделирование для обеспечения программно-аппаратного инструментария оптимизации, прогнозирования и анализа больших данных с целью принятия стратегически обоснованных решений. В то же время внедрение моделей машинного обучения в производственную среду сопряжено с модельными рисками, которые существенным образом влияют на эффективность деятельности предприятия. В связи с этим задача управления модельными рисками для их минимизации является актуальной.

Цель. Разработать схему автоматического управления модельными рисками на производственном предприятии.

Результаты. Разработан системный подход к управлению модельными рисками (УМР), в котором система управления функционирует без необходимости участия человека. Показано, что предлагаемое решение позволяет на этапе промышленной эксплуатации оперативно выявлять проблемы и своевременно обновлять версию модели.

Практическая значимость. Предложенный подход к работе с моделями позволяет решать задачи, связанные с разработкой и внедрением моделей в бизнес-процессы. Такая автоматизация снижает стоимость процесса УМР, минимизирует влияние человеческого фактора и значительно сокращает время, в течение которого модель несет риски.

Белозёров М.Н., Смирнов А.Н. Системный подход к автоматическому управлению модельными рисками // Информационно-измерительные и управляющие системы. 2026. Т. 24. № 3. С. 19−25. DOI: https://doi.org/10.18127/j20700814-202603-02

1. Никитин Н.А. Вероятностные методы учета модельных рисков при оценке инвестиций в технологии искусственного интеллекта // Инновационное развитие экономики. 2023. Т. 2. С. 123−134.
2. Дядюнов Д.А. Машинное обучение для риск-менеджмента в банке: возможности и вызовы // Вестник науки. 2025. Т. 1. № 1 (82). С. 265−273.
3. 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.
4. Свистунова С.А., Музалёв С.В. Использование машинного обучение в процессе риск-менеджмента предметных рисков // Russian Journal of Management. 2021. Т. 9. № 3. С. 126−130.
5. Navarro C.L.A. et al. Risk of bias in studies on prediction models developed using supervised machine learning techniques: systematic review // BMJ. 2021. Т. 375.
6. Lin S.S. et al. Risk assessment and management of excavation system based on fuzzy set theory and machine learning methods // Automation in Construction. 2021. V. 122. P. 103490.
7. Baryannis G. et al. Supply chain risk management and artificial intelligence: state of the art and future research directions // International journal of production research. 2019. V. 57. № 7. P. 2179−2202.
8. Song L., Mittal P. Systematic evaluation of privacy risks of machine learning models // 30th USENIX Security Symposium (USENIX Security 21). 2021. P. 2615−2632.
9. Schröer C., Kruse F., Gómez J.M. A systematic literature review on applying CRISP-DM process model // Procedia Computer Science. 2021. V. 181. P. 526−534.
10. Peker S., Kart Ö. Transactional data-based customer segmentation applying CRISP-DM methodology: A systematic review // Journal of Data, Information and Management. 2023. V. 5. № 1. P. 1−21.
11. Brzozowska J. et al. Data engineering in CRISP-DM process production data-case study // Applied Computer Science. 2023. V. 19. № 3.
12. Saltz J.S. CRISP-DM for data science: strengths, weaknesses and potential next steps // IEEE International Conference on Big Data (Big Data). 2021. P. 2337−2344.