Управление снабжением материальных ресурсов автомобилестроительных предприятий на основе экспертных систем

Обложка

Цитировать

Полный текст

Аннотация

Важность управления снабжением материальных ресурсов стала очевидной в современной экономике, так как оно во многом определяет выживание корпорации и ее успешность на рынке, что особенно актуально в условиях кризиса. Особое влияние на данный процесс оказывают поставки предметов снабжения. Проблема субъективизма при выборе поставщика усиливается в современных условиях, что вынуждает компании для принятия управленческих решений использовать новый инструментарий, такой как системы искусственного интеллекта. Предложена экспертная система управления поставщиками как составная часть системы управления снабжением материальных ресурсов для автомобилестроительных предприятий. Рассмотрена возможность повышения эффективности управления системой снабжения, в частности управления поставщиками, на основе нечеткой экспертной системы. Нечеткие знания, используемые при построении экспертной системы, позволят руководству компании учесть неопределенность при принятии решений о выборе конкретного поставщика, а также увидеть описание критериев поставщика, не поддающихся количественной оценке. Использование экспертной системы становится особенно актуальным, когда возникают сложности объективного принятия решения и выбора из множества альтернатив. В результате работы экспертной системы топ-менеджмент компании получит объективное решение о выборе поставщика.

Об авторах

Полина Александровна Нечаева

Казанский инновационный университет имени В.Г. Тимирясова

Автор, ответственный за переписку.
Email: polina23j@yandex.ru

кандидат экономических наук, доцент, кафедра менеджмента

Российская Федерация, 420111, Республика Татарстан, Казань, ул. Московская, д. 42

Список литературы

  1. Albrecht, S.V., & Stone, P. (2018). Autonomous agents modelling other agents: A comprehensive survey and open problems. Artificial Intelligence, 258, 66-95. https://doi.org/10.1016/j.artint.2018.01.002
  2. Borges, A.F.S., Laurindo, F.J.B., Spinola, M.M., Gonsalves, R.F., & Mattos, C.A. (2020). The strategic use of artificial intelligence in the digital era: Systematic literature review and future research directions. International Journal of Information Management, 57, 102225. https://doi.org/10.1016/j.ijinfomgt.2020.102225
  3. Brodetskiy, G. (2017). The inventory optimization taking into account time value of money and order payment deferrals. International Journal of Logistics Systems and Management, 28(4), 486-506. http://doi.org/10.1504/IJLSM.2017.10008192
  4. Brodetskiy, G. (2019). The influence of the order prepayment on inventory optimisation. International Journal of Logistics Systems and Management, 32(1), 49-68. http://doi.org/10.1134/S0005117917110078
  5. Cook, R.L. (2006). Case-based reasoning systems in purchasing: applications and development. International Journal of Purchasing and Materials Management. https://doi.org/10.1111/ j.1745-493X.1997.tb00023.x
  6. Dwivedi, Y.K., Hughes, L, Aarts, G., et. al. (2019). Artificial intelligence (AI): Multidis-ciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
  7. Epstein, S.L. (2015). Wanted: Collaborative intelligence. Artificial intelligence, 221, 36-45. https://doi.org/10.1016/j.artint.2014.12.006
  8. Giarratano, J.C., & Riley, G.D. (2007). Expert system: Principles and Programing. 4th edition. Moscow, I.D. Vilyms Publ. (In Russ.)
  9. Gupta, Y.P. (1990). Various aspects of expert systems: Applications in manufacturing. Technovation, 10, 487-504. https://doi.org/10.1016/0166-4972(90)90027-H
  10. Hanelt, A., Bohnsack, R., Marz, D., & Antunes C. (2020). A systematic review of the literature on digital transformation: Insights and implications for strategy and organizational change. J. Manag. Stud. https://doi.org/10.1111/joms.12639
  11. Haykin, S. (2006). Neural networks: A comprehensive foundation. 2nd edition. Moscow, I.D. Vilyms Publ. (In Russ.)
  12. Jovanovic, M., Sjodin, D., & Parida, V. (2021). Co-evolution of platform architecture, platform services, and platform governance: Expanding the platform value of industrial digital platforms. Technovation. https://doi.org/10.1016/j.technovation.2020.102218
  13. Ruchkin, V., & Fulin, V. (2009). Universal artificial intelligence and expert system. Saint Petersburg, BVH-Peterburg Publ. (In Russ.)
  14. Shihabudheen, K.V., & Pillai, G.N. (2018). Recent advances in neuro-fuzzy system: A survey. Knowledge-Based System, 152, 136-152. https://doi.org/10.1016/j.knosys.2018.04.014
  15. Zade, L. (1976). The concept of a linguistic variable and its application to making approximate decisions. Moscow, Mir Publ. (In Russ.)

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».