Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: intelligent information system, demand forecasting, system architecture, logical architecture, machine learning, MLOps, model lifecycle management, closed adaptation loop, digital transformation, интеллектуальная информационная система, прогнозирование спроса, архитектура системы, логическая архитектура, машинное обучение, жизненный цикл модели, замкнутый контур адаптации, цифровая трансформация
Аннотация: В статье рассматривается задача проектирования логической архитектуры интеллектуальной информационной системы прогнозирования спроса в условиях цифровой трансформации предприятий. Отмечается, что эффективность прогнозирования определяется не только используемыми методами машинного обучения, но и архитектурными решениями, обеспечиваПоказать полностьюющими управление жизненным циклом моделей и их адаптацию к изменяющимся условиям формирования спроса. Проведён анализ ограничений традиционных архитектур систем прогнозирования, в которых отсутствуют механизмы автоматизированного мониторинга качества и переобучения моделей. На основе сформулированных требований разработана логическая архитектура интеллектуальной системы, включающая этапы интеграции данных, предобработки, формирования признаков, обучения моделей и представления результатов. Ключевым элементом предложенной модели является замкнутый контур адаптации, реализующий механизм обратной связи, оценку точности прогнозов и автоматизированное переобучение моделей при превышении допустимых порогов ошибки. Предложенная архитектурная модель формирует концептуальную основу для разработки самообучающихся корпоративных систем прогнозирования спроса и повышения устойчивости управленческих решений в условиях динамично изменяющейся рыночной среды. The paper addresses the problem of designing the logical architecture of an intelligent demand forecasting information system in the context of enterprise digital transformation. It is emphasized that forecasting efficiency depends not only on the applied machine learning methods but also on architectural solutions that ensure lifecycle management of predictive models and their adaptation to changing demand conditions. The limitations of traditional forecasting system architectures lacking automated quality monitoring and model retraining mechanisms are analyzed. Based on the defined requirements, a logical architecture of the intelligent system is developed, including data integration, preprocessing, feature engineering, model training, and result presentation stages. A key element of the proposed model is a closed adaptation loop implementing feedback mechanisms, forecast accuracy evaluation, and automated model retraining when predefined error thresholds are exceeded. The proposed architectural model provides a conceptual foundation for the development of self-learning corporate demand forecasting systems and enhances the stability of managerial decision-making under dynamic market conditions.
Журнал: Инновации и инвестиции
Выпуск журнала: № 3
Номера страниц: 611-613
ISSN журнала: 2307180X
Место издания: Москва
Издатель: Общество с ограниченной ответственностью "Русайнс"