Название статьи:
Современные методы автоматизации обработки заявок на основе искусственного интеллекта и теории массового обслуживания
Авторы: Хитрова Т.И., кандидат экономических наук, доцент, кафедра математических методов и цифровых технологий, SPIN-код: 2534-1670, Байкальский государственный университет, г. Иркутск, Российская Федерация,
HitrovaTI@bgu.ru,
Федотов Н.А., аспирант, кафедра математических методов и цифровых технологий, Байкальский государственный университет, г. Иркутск, Российская Федерация,
nikita.fedotov24@gmail.com Для цитирования:
Хитрова Т.И. Современные методы автоматизации обработки заявок на основе искусственного интеллекта и теории массового обслуживания / Н.А. Федотов, Т.И. Хитрова. — DOI 10.17150/2713-1734.2025.7(4).550-562. — EDN RGIMMS // System Analysis & Mathematical Modeling. — 2025. — Т. 7, № 4. — С. 550–562.
В рубрике:
ТЕХНИЧЕСКИЕ НАУКИ
Год: 2025 Том: 7 Номер журнала: 4
Страницы: 550-562
Тип статьи: Научная статья
УДК: 004.09
DOI: 10.17150/2713-1734.2025.7(4).550-562
Аннотация:
Автоматизация обработки заявок на основе искусственного интеллекта и машинного обучения является важным инструментом для повышения эффективности работы службы технической поддержки. В условиях роста потока заявок и необходимости соблюдения соглашений об уровне обслуживания (SLA), традиционные методы распределения задач становятся неэффективными, что приводит к задержкам, перегрузке сотрудников и нарушению стандартов обслуживания. В данной статье предлагается интеллектуальная система обработки заявок, которая сочетает методы машинного обучения и теории массового обслуживания. Это позволяет автоматически классифицировать заявки, прогнозировать время их выполнения и адаптивно распределять нагрузку между специалистами. Использование таких технологий, как NLP (Natural Language Processing) для анализа текстовых данных, нейронные сети (CNN, RNN, LSTM, BERT) для классификации и прогнозирования, а также модели массового обслуживания (M/M/1, M/M/c, Erlang-C), обеспечивает высокую точность и адаптивность системы. Внедрение интеллектуальной системы позволяет сократить время обработки заявок на 50 %, повысить точность маршрутизации до 95 % и снизить затраты на поддержку на 25-30 %. Кроме того, интеграция с корпоративными системами (CRM, ERP) и использование адаптивных алгоритмов маршрутизации обеспечивают гибкость и масштабируемость решения. Система также способна самообучаться на основе новых данных, что повышает её эффективность в условиях изменяющихся нагрузок. Таким образом, предложенное решение представляет собой важный шаг в цифровой трансформации бизнеса, обеспечивая не только операционную эффективность, но и повышение удовлетворенности клиентов.
Ключевые слова: автоматизация обработки заявок, искусственный интеллект, машинное обучение, теория массового обслуживания, SLA, интеллектуальная система, NLP, нейронные сети, классификация заявок, прогнозирование времени выполнения, адаптивное распределение нагрузки, интеграция CRM и ERP, цифровая трансформация
Информация о статье: Дата поступления: 30 июня 2025 г.; дата принятия к публикации: 15 декабря 2025 г.; дата онлайн-размещения: 26 декабря 2025 г.
Список цитируемой литературы: - Горбунова А.В. Об особенностях управления скоростью обслуживания в системах с разделением и параллельным обслуживанием заявок / А.В. Горбунова, А.В. Лебедев. - DOI 10.31857/S0005231024120048. - EDN XUEPRH // Автоматика и телемеханика. - 2024. - № 12. - С. 70-88.
- Ваганова П.А. Современные способы обработки запросов в службу технической поддержки / П.А. Ваганова. - EDN OQFYKK // Вестник науки. - 2024. - Т. 1, № 6 (75). - С. 1403-1408.
- Хинчин А.Я. Теория массового обслуживания / А.Я. Хинчин. - Москва : Наука, 2024. - 320 с.
- Кляйнрок Л. Теория массового обслуживания / Л. Кляйнрок. - Москва : Машиностроение, 1979. - 432 с.
- Лабинский А.Ю. Моделирование системы массового обслуживания с использованием нейронной сети / А.Ю. Лабинский. - EDN NLKXAS // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2019. - № 2. - С. 52-57.
- Фаустова К.И. Нейронные сети: применение сегодня и перспективы развития / К.И. Фаустова. - EDN ZXPNRL // Территория науки. - 2017. - № 4. - С. 83-87.
- Васильев А.П. Искусственный интеллект на основе нейронных сетей / А.П. Васильев, А.Х. Абрамов. - EDN UOEOCK // Academy. - 2018. - № 5 (32). - С. 15-17.
- Хрищатый А.С. Нейронные сети и их применение в анализе данных / А.С. Хрищатый // Актуальные исследования. - 2022. - № 50 (129). - С. 63-68.
- Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. - Москва : ДМК Пресс, 2017. - 652 с.
- Интеграция искусственных нейронных сетей с базами знаний / В.А. Головко, В.В. Голенков, В.П. Ивашенко [и др.]. - DOI 10.18287/2223-9537-2018-8-3-366-386. - EDN VQRUOQ // Онтология проектирования. - 2018. - Т. 8, № 3 (29). - С. 366-386.
- Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar [et al] // Advances in Neural Information Processing Systems 30 : annual Conference on Neural Information Processing Systems, Long Beach, 4-9 December 2017. - Long Beach, 2017. - P. 5998-6008.
- Баранов Л.Л. Классификация заявок пользователей с помощью нейросети / Л.Л. Баранов. - EDN XCQUPL // Молодой ученый. - 2019. - № 32 (270). - С. 7-10.
- Пороховский А.А. Цифровизация и искусственный интеллект: перспективы и вызовы / А.А. Пороховский. - DOI 10.26794/1999-849X-2020-13-2-84-91. - EDN LOWYMA // Экономика. Налоги. Право. - 2020. - Т. 13, № 2. - С. 84-91.
- Федоров А.М. Актуальность применения элементов искусственного интеллекта на предприятиях массового обслуживания / А.М. Федоров. - EDN SXWVOL // Горный информационно-аналитический бюллетень. - 2014. - № 11. - С. 342-344.