Анализ существующих подходов и применение методов искусственного интеллекта при моделировании бизнес-процессов

Написать диплом по теме «Анализ существующих подходов и применение методов искусственного интеллекта при моделировании бизнес-процессов»

Тема «Анализ существующих подходов и применение методов искусственного интеллекта при моделировании бизнес-процессов» требует сочетания теоретической глубины и практической реализации. В работе студент анализирует традиционные методы моделирования (BPMN, IDEF), сравнивает их с современными подходами на основе ИИ, а затем реализует прототип системы, например, с использованием машинного обучения для оптимизации цепочек задач. Ключ — в доказательстве эффективности ИИ-подходов на реальных или синтетических данных.

Нужен разбор вашей темы Анализ существующих подходов и применение методов искусственного интеллекта при моделировании бизнес-процессов? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Зачем внедрять ИИ в моделирование бизнес-процессов? Потому что традиционные методы — BPMN, IDEF, UML — статичны. Они описывают «как есть», но не предсказывают, как будет. А вот модели на основе машинного обучения могут.

По данным исследования Gartner (2024), 60% крупных компаний уже используют процесс-майнинг с ИИ для автоматического выявления узких мест. В России, по данным АНО «Цифровая экономика» (2025), только 22% организаций применяют ИИ в управлении процессами, что открывает большой потенциал для автоматизации.

Конкретный пример: в логистической компании обработка заявок занимала в среднем 47 минут. После внедрения модели на основе алгоритма классификации CatBoost для распределения задач — время сократилось до 28 минут. Эффект — 40%. Такие цифры и нужны в вашей ВКР.

Цель и задачи

Цель исследования: разработка и оценка эффективности подхода к моделированию бизнес-процессов с применением методов искусственного интеллекта на примере организации из сферы услуг или производства.

Задачи:

1. Проанализировать существующие методы моделирования бизнес-процессов (BPMN, IDEF, ARIS).
2. Изучить современные подходы к применению ИИ: процесс-майнинг, NLP для анализа журналов событий, предиктивное моделирование.
3. Выбрать объект исследования — например, отдел продаж или службу поддержки.
<4>Собрать данные о процессе (логи, временные метки, статусы).
4. Разработать модель на основе машинного обучения для прогнозирования времени выполнения задач.
5. Оценить точность модели (MAE, R²) и сравнить с традиционными методами.
6. Рассчитать экономическую эффективность внедрения.

Задачи соответствуют структуре методички ВШЭ: анализ → проектирование → разработка → экономика.

Объект и предмет исследования

• Объект: бизнес-процессы отдела технической поддержки ООО «ТехноСервис» (можно адаптировать под реальную или вымышленную организацию).
• Предмет: применение алгоритмов машинного обучения для моделирования и оптимизации цепочек обработки обращений клиентов.

Объект — где происходит процесс. Предмет — что именно вы исследуете. Не путайте.

Ожидаемые результаты и практическая значимость

Что вы должны получить:

• Прототип модели на Python, предсказывающей длительность этапа обработки заявки.
• Сравнение точности ИИ-подхода с экспертными оценками.
• Расчёт экономического эффекта: сокращение времени обработки на 30–40%, снижение нагрузки на сотрудников.

Практическая значимость: разработанная модель может быть интегрирована в систему управления процессами (например, Camunda или Bizagi) для динамического планирования.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

Современные бизнес-процессы становятся всё более сложными. Традиционные методы моделирования, такие как BPMN и IDEF, позволяют визуализировать потоки, но не адаптируются к изменениям в реальном времени. Возникает потребность в динамических подходах, способных анализировать и прогнозировать поведение процессов. Одним из перспективных направлений является применение методов искусственного интеллекта, в частности, машинного обучения, для автоматического извлечения моделей из логов событий и предсказания их поведения.

В работе рассматривается возможность использования алгоритмов классификации и регрессии для моделирования процесса обработки обращений в службе поддержки. Исследование основано на анализе реальных данных (или синтетических, при отсутствии доступа). Цель — доказать, что ИИ-подход позволяет повысить точность прогнозирования и сократить время выполнения задач.

Как написать заключение по Прикладная информатика

В ходе исследования были проанализированы существующие подходы к моделированию бизнес-процессов. Показаны их ограничения в условиях динамичной среды. На основе анализа выбран метод процесс-майнинга с применением машинного обучения. Разработана модель на Python, которая показала точность прогнозирования времени выполнения задач на уровне R² = 0,87.

Экономический эффект от внедрения составил 35% сокращения времени обработки заявок. Рекомендуется использовать подобные подходы в компаниях с высокой нагрузкой на процессы. Для дальнейшего развития работы — интеграция с системой управления процессами и добавление NLP для анализа текста обращений.

Требования к списку литературы ВШЭ

Список оформляется по ГОСТ Р 7.0.100-2018. Обязательно включить:

• Не менее 20 источников.
• 10% — за последние 2 года.
• Государственные стандарты, научные статьи, методички.

Примеры реальных источников:

1. ГОСТ Р 34.602-2020. Информационная технология. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. — https://docs.cntd.ru/document/1200179283
2. Van der Aalst, W.M.P. Process Mining: Data Science in Action. — Springer, 2022. — 420 p.
3. Отчёт Gartner «Top Trends in Process Mining, 2024» — https://www.gartner.com/en/articles/top-trends-in-process-mining-2024

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, вы можете использовать датасет из репозитория UCI или библиотеку Scikit-learn. Главное — показать, как вы её применили к своей задаче. Научрук оценит именно ваш вклад: выбор признаков, настройка гиперпараметров, интерпретация результатов.

Сколько страниц должна быть практическая часть?

Рекомендуемый объём — 30–40 страниц. Включайте: диаграммы процессов, код модели, визуализации (графики, тепловые карты), результаты тестирования. Если используете Camunda или другую платформу — добавьте скриншоты экранов и описание интеграции.

Можно ли использовать open-source решения?

Не только можно — нужно. Библиотеки вроде PM4Py, Scikit-learn, TensorFlow — стандарт в academia. Главное — не копировать, а объяснять, как вы их использовали. Например: «Для извлечения процесса из логов применён алгоритм Alpha Miner из PM4Py, с модификацией порога шума до 0.1».

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?