Open Access2.1. APPLICATION OF MACHINE LEARNING METHODS TO OPTIMIZE LOGISTICS BUSINESS PROCESSES
Author(s) -
О.М. Михов,
Sergey Barykin
Publication year - 2021
Publication title -
audit i finansovyj analiz na cd-rom/audit i finansovyj analiz
Language(s) - English
Resource type - Journals
eISSN - 2618-9836
pISSN - 2618-9828
DOI - 10.38097/afa.2021.42.39.032
Subject(s) - computer science , business process , process management , manufacturing engineering , machine tool , industrial engineering , artificial intelligence , machine learning , engineering , operations management , work in process , mechanical engineering
В статье рассмотрены возможности использования машинного обучения для оптимизации бизнес-процессов производственного предприятия. Целью исследования является анализ направлений и возможностей оптимизации бизнес-процессов производственных предприятий посредством внедрения инструментов машинного обучения. В качестве результата исследования выступает алгоритм оптимизации бизнес-процессов производственного предприятия с помощью инструментария машинного обучения. Авторами разработано формализованное математическое описание цикличности логистических бизнес-процессов. Результаты можно распространить на решение проблемы машинного обучения, что позволит прогнозировать процессинговые параметры логистической деятельности.[1] Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований в рамках научного проекта №20-014-00029 The article discusses the possibilities of using machine learning to optimize the business processes of a manufacturing enterprise. The aim of the study is to analyze the directions and possibilities of optimizing the business processes of manufacturing enterprises through the introduction of machine learning tools. The result of the study is an algorithm for optimizing the business processes of a manufacturing enterprise using machine learning tools. The authors have developed a formalized mathematical description of the cyclical nature of logistics business processes. The results can be extended to solving the machine learning problem, which will allow predicting the processing parameters of logistics activities.