УДК 658.5:004.8:681.3
DOI: 10.36871/2618­-9976.2026.04.013

Авторы

Евгений Леонидович Финогеев,
Аспирант, Национальный исследовательский ядерный университет «МИФИ», Москва, Россия
Павел Иванович Колыхалов,
Кандидат физико-­математических наук, доцент, Национальный исследовательский ядерный университет «МИФИ», Москва, Россия

Аннотация

Статья посвящена разработке математической модели оптимизации архитектуры закупочного процесса в высокорегулируемой отрасли с учётом вероятностных характеристик ошибок нейросетевой верификации рукописных подписей. Актуальность исследования обусловлена значительным объёмом бумажного документооборота в закупочной деятельности и высокой стоимостью ошибок при проверке юридически значимых документов. В условиях цифровизации возникает необходимость формального обоснования границ рационального применения интеллектуальных систем.
Полученные результаты позволяют формализовать компромисс между снижением транзакционных издержек и обеспечением требуемого уровня надёжности закупочной деятельности. Теоретический вклад работы заключается в интеграции методов вероятностного моделирования и оптимизации с экономическим анализом цифровизации закупочных процессов. Практическая значимость состоит в возможности использования разработанной модели в качестве инструмента принятия управленческих решений при внедрении интеллектуальных систем в сфере закупок.

Ключевые слова

закупочная деятельность
транзакционные издержки
оптимизация процессов
вероятностное моделирование
нейросетевые методы
верификация подписей
цифровизация закупок
управление рисками
экономическая эффективность
инструментальные методы в экономике

Список литературы

[1] Ахунджанов У.Ю., Старовойтов В.В. Off­line  верификация  рукописной  подписи  с  применением  свёрточной  нейронной  сети  //  Системный  анализ  и  прикладная  информатика. 2022. № 1. С. 12–18.

[2] Единый отраслевой стандарт закупок (положение о закупке) Государственной корпорации по атомной энергии «Росатом»: утверждён решением наблюдательного совета  Госкорпорации  «Росатом» от  07.02.2012  №  37. URL: https://www.rosenergoatom.ru/upload/iblock/b97/b979013c3f737b9151424975f9b40785.doc.

[3] Нейросеть  в помощь:  роботам  доверили проверять судебные решения. Сфера – информационный юридический портал. 2024. URL: https://legalacademy.ru/sphere/post/ neiroset­v­pomosch­robotam­doverili­proveryat­sudebnye­resheniya.

[4] Применение  искусственного  интеллекта  на  финансовом  рынке:  Доклад  для  общественных  консультаций.  М.:  Банк России, 2023. URL: https://www.cbr.ru/Content/ Document/File/156061/Consultation_Paper_03112023.pdf.

[5] Хохлова Е.Р., Болотников М.К., Волков И.В. Нейросетевой ассистент для верификации  рукописных  подписей  в  экспертном  бюро  //Вестник  науки. 2026.  Т. 4. №  1(94). С. 1154–1163.

[6] Dey S. et al. (2017) SigNet: Convolutional siamese network for writer independent offline signature verification. arXiv. DOI: https://doi.org/10.48550/arXiv.1707.02131

[7] Hafemann L.G., Sabourin R., Oliveira L.S. (2017) Learning features for offline handwritten signature verification using deep convolutional neural networks. Pattern Recognition, vol. 70, pp. 163–176.

[8] Kadam P. (2024) Enhancing Financial Fraud Detection with Human­in­the­Loop Feedback and Feedback Propagation / 2024 International Conference on Machine Learning and Applications (ICMLA). IEEE, pp. 1198–1203.

[9] Kontogiannis T., Malakis S. (2009) A proactive approach to human error detection and identification in aviation and air traffic control. Safety Science, vol. 47, no. 5, pp. 693–706.

[10] Mosqueira­Rey E. et al. (2023) Human­in­the­loop machine learning: a state of the art, Artificial Intelligence Review, vol. 56, no. 4, pp. 3005–3054.

[11] Peña A. et al. (2024) Continuous document layout analysis: Human­in­the­loop AI­based data curation, database, and evaluation in the domain of public affairs. Information Fusion, vol. 108, pp. 102398.

[12] Ramezani­a M. et al. (2025) Artificial intelligence applications in health insurances: a scoping review. Cost Effectiveness and Resource Allocation, vol. 23, no. 1, pp. 53.

[13] Wu X. et al. (2022) A survey of human­in­the­loop for machine learning. Future Generation Computer Systems, vol. 135, pp. 364–381.

[14] Zhang H. et al. (2024) Offline Signature Verification Based on Feature Disentangling Aided Variational Autoencoder / 2024 5th International Conference on Machine Learning and Computer Application (ICMLCA). IEEE, pp. 549–554.