УДК 330.
DOI: 10.36871/ek.up.p.r.2025.12.15.032

Авторы

Абдул-Халид Абдул-Муслимович Айбуев,
Мансур Абдул-Муслимович Айбуев,
ФГБОУ ВО «Грозненский государственный нефтяной технический университет им. акад. М. Д. Миллионщикова», г. Грозный, Россия

Аннотация

В статье рассматриваются теоретические аспекты интеграции систем искусственного интеллекта с традиционными автоматизированными системами управления производством. Показано, что включение интеллектуальных алгоритмов позволяет существенно расширить аналитические и прогнозные возможности АСУ, повысить адаптивность и устойчивость производственных процессов, а также автоматизировать задачи диагностики и оптимизации. Особое внимание уделено функциональным возможностям ИИ в контексте управления:  использованию методов машинного обучения для прогнозирования технологических параметров, реализации самообучающихся моделей и интеллектуального планирования. Также проанализированы технологические и организационные барьеры интеграции: проблемы совместимости архитектур, обеспечения интерпретируемости и безопасности решений, а также трансформация требований к инженерному персоналу.

Ключевые слова

искусственный интеллект, автоматизированные системы управления, адаптивность, прогнозирование, оптимизация

Список литературы

  1. Ахмаров А.В.Модели софинансирования социальных страховых программ: сравнительный анализ и перспективы для России / А.В. Ахмаров, А. М. Мамаева, К. Д. Шахдуллаев // Экономика и управление: проблемы, решения. — 2025. — Т. 11, № 3(156). — С. 211–217. — DOI 10.36871/ek.up. p. r.2025.03.11.022. — EDN AYUZOK.
  2. Беляев А. А., Шерешева М.Ю. Цифровые платформы в агробизнесе: технологическая основа взаимовыгодного взаимодействия игроков рынка // Крестьяноведение. 2024. Т. 9. № 4. С. 257–279.
  3. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94.
  4. Козлова В. В. Оптимизация бизнес-процессов с применением технологий искусственного интеллекта // Вестник Евразийской науки. 2025. Т. 17. № s2. С. 1–16.
  5. Митяков Е. С., Козлов Я. В. Системы искусственного интеллекта в управлении производственными системами // Региональная и отраслевая экономика. 2024. № 1. С. 88–95.
  6. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  7. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  8. Рогулин Р. С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. 2023. № 8. С. 35–53.
  9. Рубцов Ю.В. Оценка метода машинного обучения для системы автоматизированного выбора компонентной базы радиоэлектронной аппаратуры // Автоматизация и измерения в машиностроении. 2025. № 3 (31). С. 47–55.