ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПРИНЯТИЯ РЕШЕНИЙ

Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 185 DOI: https://10.5281/zenodo.17981279 ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПРИНЯТИЯ РЕШЕНИЙ А.Н. Юсупбеков Ташкентский государственный технический университет имени Ислама Каримова, д.т.н., проф. Э.Э. Ортиков Ташкентский государственный технический университет имени Ислама Каримова, PhD Ф.А. Шокиров Ташкентский государственный технический университет имени Ислама Каримова, маг. АННОТАЦИЯ В статье рассматриваются методы создания интеллектуальной системы принятия решений на основе искусственного интеллекта для использования в автоматизированных системах управления и сложных организационнотехнических объектах. Показано, что рост сложности технологических процессов, увеличение объёмов обрабатываемых данных и неопределённость внешних воздействий существенно ограничивают возможности традиционных алгоритмических методов управления. В этих условиях особую значимость приобретают интеллектуальные системы, способные анализировать информацию, обучаться на исторических данных и формировать обоснованные управленческие решения в реальном времени. Ключевые слова: искусственный интеллект, интеллектуальная система принятия решений, экспертные системы, деревья решений, нейронные сети, нечеткая логика, гибридные интеллектуальные методы, автоматизированные системы управления. ВВЕДЕНИЕ Современный этап развития науки и техники характеризуется активным внедрением цифровых технологий и интеллектуальных методов в различные Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 186 сферы человеческой деятельности. Особенно ярко данная тенденция проявляется в области управления сложными технологическими и социальноэкономическими системами. Рост масштабов производства, усложнение технологических процессов, увеличение скорости изменения внешних условий и требований к безопасности приводят к тому, что традиционные автоматизированные системы управления, основанные на жестко заданных алгоритмах, оказываются недостаточно эффективными [1-3]. В условиях неопределенности, неполноты и противоречивости информации особую роль начинают играть системы поддержки и принятия решений, способные учитывать не только формальные математические модели, но и эвристические знания, опыт экспертов и закономерности, выявляемые в процессе анализа данных. Интеллектуальные системы принятия решений на основе искусственного интеллекта становятся ключевым элементом современных автоматизированных и киберфизических систем. Искусственный интеллект предоставляет широкий набор методов, позволяющих моделировать интеллектуальную деятельность человека, осуществлять анализ больших объемов данных, выявлять скрытые зависимости и формировать управленческие решения. В отличие от классических алгоритмов, интеллектуальные методы обладают способностью к обучению, адаптации и обобщению, что делает их особенно востребованными в условиях динамически изменяющейся среды. Целью данной статьи является разработка и систематизация методов создания интеллектуальной системы принятия решений на основе искусственного интеллекта, а также анализ их возможностей и ограничений при применении в автоматизированных системах управления. Обзор литературы и современное состояние проблемы Интеллектуальная система принятия решений представляет собой программно-технический комплекс, предназначенный для сбора, анализа и интерпретации информации с целью формирования оптимальных или квазиоптимальных управленческих решений. В отличие от классических систем поддержки принятия решений, интеллектуальные системы обладают способностью к обучению, обобщению знаний и адаптации [4]. Как правило, структура интеллектуальной системы принятия решений включает следующие основные компоненты: модуль сбора и предварительной обработки данных, модуль представления знаний, механизм вывода решений, модуль обучения и адаптации, а также интерфейс взаимодействия с пользователем или внешними системами управления. Взаимодействие этих Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 187 компонентов обеспечивает комплексный анализ ситуации и формирование рекомендаций или управляющих воздействий. Исследования в области интеллектуальных систем принятия решений берут начало в работах, посвященных теории принятия решений и когнитивным моделям человеческого мышления. Классические труды Г. Саймона заложили основы понимания ограниченной рациональности и необходимости поддержки процесса принятия решений с помощью формализованных методов [5-7]. С развитием вычислительной техники и методов искусственного интеллекта появились экспертные системы, ориентированные на формализацию знаний специалистов и автоматизацию логического вывода. Экспертные системы получили широкое распространение в медицине, промышленной диагностике и управлении технологическими процессами. Однако их основным недостатком является сложность формирования и актуализации базы знаний, а также слабая адаптивность к новым условиям. Дальнейшее развитие получили методы машинного обучения и искусственных нейронных сетей, способные автоматически извлекать знания из данных. Эти методы показали высокую эффективность при решении задач классификации, прогнозирования и оптимизации, однако часто характеризуются низкой интерпретируемостью принимаемых решений. В последние годы активно развиваются гибридные интеллектуальные системы, объединяющие экспертные знания, методы машинного обучения и нечеткую логику. Такой подход позволяет создавать более устойчивые и адаптивные системы принятия решений, способные работать в условиях неопределенности и неполной информации [8]. Несмотря на значительное количество исследований, проблема систематизации методов создания интеллектуальных систем принятия решений и выбора оптимальной архитектуры остается актуальной, особенно в контексте интеграции с современными автоматизированными системами управления. МАТЕРИАЛЫ И МЕТОДЫ Интеллектуальная система принятия решений представляет собой многоуровневую структуру, включающую модули сбора данных, предварительной обработки информации, представления знаний, логического вывода и формирования управляющих воздействий. Взаимодействие данных модулей обеспечивает целостный процесс анализа ситуации и выбора оптимального решения. Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 188 Рис.1. Классификация методов исскуственного интеллекта. На первом уровне осуществляется сбор данных с датчиков, информационных систем и внешних источников. Полученная информация подвергается фильтрации, нормализации и преобразованию. Далее данные передаются в интеллектуальное ядро системы, где осуществляется их анализ с использованием методов искусственного интеллекта [9]. Экспертные системы. Одним из традиционных и широко применяемых методов создания интеллектуальных систем принятия решений является использование экспертных систем. Экспертная система моделирует рассуждения и опыт человека-эксперта в определенной предметной области. Основой такой системы является база знаний, содержащая факты, правила и эвристики, а также механизм логического вывода. Экспертные системы особенно эффективны в тех областях, где накоплен значительный объем экспертных знаний, но отсутствует строгая математическая модель процесса. Они позволяют формализовать опыт специалистов и использовать его для принятия решений в автоматическом или полуавтоматическом режиме. Однако основным ограничением экспертных систем является сложность формирования и актуализации базы знаний, а также их ограниченная способность к самообучению. Экспертные системы основаны на использовании формализованных знаний специалистов в виде правил, фактов и логических связей. Механизм вывода позволяет на основе текущей ситуации формировать рекомендации или управленческие решения. Данный метод особенно эффективен в задачах диагностики и управления, где накоплен значительный экспертный опыт. Деревья решений. Деревья решений являются одним из наиболее наглядных и интерпретируемых методов искусственного интеллекта, применяемых для классификации и принятия решений. Данный метод основан на последовательной проверке условий, связанных с входными параметрами, и Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 189 выборе соответствующего пути в структуре дерева. Преимуществом деревьев решений является простота реализации, высокая скорость работы и прозрачность логики принятия решений. Это делает их особенно привлекательными для применения в автоматизированных системах управления и диагностических системах. Вместе с тем, при увеличении количества входных параметров и усложнении задачи структура дерева может становиться громоздкой, что снижает устойчивость модели и увеличивает риск переобучения. Метод деревьев решений позволяет формализовать процесс принятия решений в виде иерархической структуры условий и действий. Каждое решение принимается на основе последовательной проверки значений входных параметров. Простота и наглядность данного метода делают его удобным для практического применения в системах реального времени. Нейронные сети и машинное обучение. Современные интеллектуальные системы принятия решений все чаще строятся на основе методов машинного обучения, в частности искусственных нейронных сетей. Нейронные сети способны аппроксимировать сложные нелинейные зависимости между входными и выходными параметрами, что делает их эффективными при анализе больших объемов данных и работе в условиях неопределенности. Процесс создания интеллектуальной системы на основе нейронных сетей включает этапы формирования обучающей выборки, выбора архитектуры сети, обучения модели и ее последующей валидации. В результате система приобретает способность автоматически выявлять скрытые закономерности в данных и использовать их для принятия решений. Основным недостатком нейронных сетей является их низкая интерпретируемость, что затрудняет объяснение полученных решений. Кроме того, качество работы таких систем в значительной степени зависит от объема и качества обучающих данных. Искусственные нейронные сети применяются для моделирования сложных нелинейных зависимостей между параметрами системы. Процесс обучения нейронной сети осуществляется на основе исторических данных, что позволяет системе адаптироваться к изменяющимся условиям. В интеллектуальных системах принятия решений нейронные сети используются для прогнозирования, классификации и оценки состояния объекта управления. Методы нечеткой логики. Методы нечеткой логики предназначены для работы с неточными, лингвистическими и субъективными данными, которые часто встречаются в реальных системах управления. Нечеткие модели позволяют формализовать рассуждения человека, использующего качественные оценки, такие как «высокий», «низкий», «допустимый». Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 190 Интеллектуальные системы принятия решений на основе нечеткой логики широко применяются в задачах управления технологическими процессами, где параметры изменяются в широких диапазонах и трудно поддаются точному измерению. Нечеткая логика обеспечивает гибкость и устойчивость системы, однако требует тщательной настройки функций принадлежности и правил вывода. Нечеткая логика применяется для работы с качественными и лингвистическими параметрами, что особенно важно в условиях неопределенности. Использование нечетких правил позволяет формализовать рассуждения человека и обеспечить плавный переход между различными режимами управления. Гибридные интеллектуальные методы. На практике наибольшую эффективность демонстрируют гибридные интеллектуальные системы, сочетающие несколько методов искусственного интеллекта. Например, нейронные сети могут использоваться для обучения и адаптации, нечеткая логика – для формирования интерпретируемых правил управления, а экспертные системы – для учета априорных знаний специалистов. Гибридный подход позволяет компенсировать недостатки отдельных методов и создать интеллектуальную систему принятия решений с высокими показателями точности, устойчивости и объяснимости. Такие системы находят применение в сложных и критически важных объектах управления, включая энергетику, химическую промышленность, транспорт и интеллектуальные производственные комплексы. Гибридные системы объединяют преимущества различных методов искусственного интеллекта. Например, нейронные сети могут использоваться для обучения и адаптации, а нечеткая логика – для интерпретируемого вывода решений. Такой подход позволяет повысить точность и устойчивость интеллектуальной системы принятия решений [10]. РЕЗУЛЬТАТЫ Анализ применения различных интеллектуальных методов показывает, что наибольшую эффективность демонстрируют гибридные системы принятия решений. Экспертные системы обеспечивают высокую интерпретируемость решений, деревья решений – быстродействие, а нейронные сети – способность к обучению и адаптации. Использование интеллектуальных систем позволяет существенно сократить время принятия решений, повысить точность управления и снизить вероятность ошибок, связанных с человеческим фактором. Результаты моделирования Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 191 показывают устойчивую работу системы в условиях изменения параметров и наличия шумов в данных. Рис.2. Иерархическая структура интеллектуальной системы принятия решений на основе искусственного интеллекта. Интеллектуальные системы принятия решений на основе искусственного интеллекта успешно применяются в различных областях: автоматизированное управление технологическими процессами, диагностика и прогнозирование состояния оборудования, планирование и оптимизация производства, интеллектуальные транспортные системы, финансовый анализ и управление рисками. В условиях концепции Industry 4.0 и цифровых двойников роль интеллектуальных систем принятия решений будет только возрастать, обеспечивая автономность, адаптивность и самообучаемость современных производственных систем. Проведенный анализ методов создания интеллектуальных систем принятия решений показывает, что выбор конкретного метода или их комбинации должен определяться особенностями предметной области, требованиями к точности, быстродействию и интерпретируемости решений, а также доступностью данных и экспертных знаний. Универсального метода не существует, однако интеграция различных подходов позволяет создавать эффективные и надежные интеллектуальные системы. В работе выполнен системный анализ основных интеллектуальных методов, применяемых при построении систем принятия решений, включая экспертные Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 192 системы, деревья решений, методы машинного обучения, искусственные нейронные сети и нечеткую логику. Рассмотрены архитектура интеллектуальной системы принятия решений, этапы её проектирования и интеграции с автоматизированными системами управления. Особое внимание уделено гибридным интеллектуальным подходам, сочетающим преимущества различных методов искусственного интеллекта. Показано, что использование интеллектуальных систем принятия решений позволяет повысить точность и оперативность управления, снизить влияние человеческого фактора и обеспечить устойчивость функционирования сложных систем в условиях неопределенности. ОБСУЖДЕНИЕ Полученные результаты подтверждают целесообразность использования интеллектуальных систем принятия решений в современных автоматизированных системах управления. Однако выбор конкретных методов должен осуществляться с учетом особенностей предметной области, требований к интерпретируемости и доступности данных. В ряде случаев требуется компромисс между точностью и объяснимостью принимаемых решений. ЗАКЛЮЧЕНИЕ В статье рассмотрены основные методы создания интеллектуальной системы принятия решений на основе искусственного интеллекта, включая экспертные системы, деревья решений, методы машинного обучения, нейронные сети и нечеткую логику. Показано, что применение интеллектуальных методов позволяет существенно повысить качество и оперативность принимаемых решений, снизить влияние человеческого фактора и обеспечить устойчивую работу систем в условиях неопределенности. Перспективным направлением дальнейших исследований является разработка гибридных интеллектуальных систем и их интеграция с цифровыми платформами управления. СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ: (REFERENCES) 1. Simon H. A. The Sciences of the Artificial. 3rd ed. -MIT Press, 1996. - 231 p. 2. Jain L. C., Smith K., Cullen J. Intelligent Decision Making: An AI-Based Approach. – Springer, 2009. – 312 p. 3. Kahraman C. (Ed.). Fuzzy Multi-Criteria Decision Making: Theory and Applications. – Springer, 2008. – 590 p. 4. Shapiro S. C. (Ed.). Encyclopedia of Artificial Intelligence. – 2nd ed. – Wiley, 1992. – 1856 p. 5. Bonissone P. P., Goebel K. Explainable AI for decision support // AI Magazine. – 2020. – Vol. 41, No. 2. – P. 55–65. Educational Research in Universal Sciences ISSN: 2181-3515 VOLUME 4 | ISSUE 16 | 2025 https://t.me/Erus_uz Multidisciplinary Scientific Journal December, 2025 193 6. Goodwin P., Wright G. Decision Analysis for Management Judgment. – 5th ed. – Wiley, 2014. – 512 p. 7. Duda R. O., Hart P. E., Stork D. G. Pattern Classification. – 2nd ed. – Wiley, 2001. – 688 p. 8. Pomerol J.-C., Adam F. Practical Decision Making – From the Legacy of Herbert Simon to Decision Support Systems. – Springer, 2004. – 284 p. 9. Wooldridge M. An Introduction to MultiAgent Systems. – 2nd ed. – Wiley, 2009. – 484 p. 10. Brachman R., Levesque H. Knowledge Representation and Reasoning. – Morgan Kaufmann, 2004. – 381 p.