Как определить время с помощью искусственного интеллекта и автоматизации

Введение

Время является одним из ключевых параметров любой операционной системы. Организация планирует срок выполнения заказа, длительность производства, время рассмотрения заявки, завершение доставки и загрузку сотрудников. Традиционно для этого используются нормативы и средние значения. Такой подход удобен, но предполагает относительную стабильность процесса и слабо учитывает характеристики конкретного случая.

В цифровых системах каждый процесс оставляет журнал событий: идентификатор случая, вид операции, временную метку, исполнителя и дополнительные атрибуты. Process mining позволяет восстанавливать фактическую структуру процессов из таких журналов, а predictive process monitoring расширяет описательный анализ прогнозом будущего: результата, следующего события или оставшегося времени [1]. Именно последнее направление позволяет перейти от вопроса «сколько обычно занимает процесс?» к вопросу «когда завершится именно этот текущий экземпляр?».

Актуальность задачи усиливается автоматизацией. Если прогноз времени существует только в отчёте, он улучшает информированность. Если прогноз встроен в workflow, система может заранее перераспределить ресурс, предупредить клиента или изменить приоритет. Таким образом, AI-прогноз становится управляющим сигналом, и цена ошибки возрастает.

Цель исследования – разработать модель определения временных параметров процесса с помощью искусственного интеллекта и автоматизации. Объект исследования – бизнес- и производственные процессы, фиксируемые в информационных системах. Предмет – методы прогнозирования длительности и оставшегося времени на основе event logs. Научная новизна заключается в гибридной архитектуре, объединяющей нормативную оценку, машинно-обучаемую поправку, интервал неопределённости и отдельный автоматизационный контур.

1. Постановка задачи определения времени

Под определением времени в настоящей работе понимаются четыре взаимосвязанные задачи: прогноз длительности отдельной операции; прогноз полного времени выполнения экземпляра процесса; прогноз оставшегося времени до завершения; прогноз вероятности нарушения установленного срока. Для начавшегося процесса наиболее информативна третья задача, поскольку модель использует уже наблюдавшуюся часть траектории.

Пусть процесс представлен последовательностью событий σ_t = <e_1, e_2, …, e_t>. Для текущего момента требуется оценить T_rem = t_finish − t_now. Простая базовая модель использует среднее оставшееся время для всех исторических случаев, достигших аналогичного этапа. Более развитая модель учитывает тип случая, исполнителей, загрузку очереди, уже затраченное время и последовательность предшествующих событий.

В литературе remaining time prediction относится к центральным задачам predictive process monitoring. Ceravolo и соавторы определяют PPM как применение прогнозных моделей к незавершённым экземплярам процесса для оценки будущих событий, результатов и показателей производительности, включая оставшееся время [1]. В более ранних работах process mining использовался непосредственно для cycle time prediction [2, с. 450-475].

Практическая сложность состоит в том, что время определяется не только внутренней логикой процесса. Важны межпроцессные зависимости: очередь других заказов, загрузка оборудования, рабочий календарь, batch-обработка и доступность исполнителя. Современные исследования remaining-time prediction отдельно подчёркивают необходимость учитывать inter-case dynamics [4].

2. Данные и признаки временной модели

Минимальный event log содержит case_id, activity, timestamp. Для полноценного прогноза этого часто недостаточно. Предлагается разделять признаки на шесть групп: структурные, временные, ресурсные, объектные, календарные и контекстные.

Структурные признаки описывают пройденный путь: количество выполненных действий, последнюю операцию, наличие возвратов, последовательность этапов. Временные признаки включают длительность уже выполненных операций, интервалы ожидания, текущее elapsed time и отклонение от типичного темпа. Ресурсные признаки отражают исполнителя, очередь и текущую загрузку.

Объектные признаки характеризуют конкретный заказ, документ или заявку: тип, объём, стоимость, приоритет, сложность. Календарные признаки учитывают время суток, день недели, праздничные периоды и окончание смены. Контекстные признаки отражают внешние условия: загрузку смежного подразделения, доступность оборудования, сезонность.

Отдельно следует учитывать качество временных меток. Автоматически сформированный timestamp обычно надёжнее ручной отметки. Если часть событий регистрируется задним числом, модель может выучить искажённые интервалы. Поэтому перед обучением необходим аудит event log, проверка часовых поясов, дубликатов и логически невозможного порядка событий.

Таблица

3. Методы искусственного интеллекта для прогнозирования времени

Наиболее простой класс методов – регрессия по агрегированным признакам. Линейная модель хорошо интерпретируется, но плохо описывает сложные взаимодействия. Деревья решений и градиентный бустинг способны учитывать нелинейность и часто показывают конкурентное качество при умеренных вычислительных затратах. Исследование прогнозирования remaining time подчёркивает, что более сложные deep learning-модели не всегда дают пропорциональный выигрыш относительно методов boosting [6].

Последовательностные модели используют порядок событий непосредственно. LSTM и другие рекуррентные сети получили широкое распространение в predictive process monitoring. Их преимущество – способность учитывать историю без ручной агрегации каждого элемента. Недостатки – сложность объяснения и необходимость достаточного объёма данных. Современные исследования продолжают оптимизировать обучение RNN для remaining-time prediction [7].

Transformer-архитектуры также применимы к журналам событий благодаря механизму внимания, позволяющему учитывать дальние зависимости. Однако для многих корпоративных процессов число исторических случаев ограничено. В такой ситуации ансамблевые табличные модели могут быть практичнее. Выбор метода должен определяться не престижностью архитектуры, а отношением точности, устойчивости, интерпретируемости и стоимости.

Предлагается гибридная модель T_hat = T_norm + ΔT_ML, где T_norm – нормативная или process-mining оценка, а ΔT_ML – поправка, предсказанная машинным обучением. Такая архитектура имеет два преимущества. Во-первых, сохраняется понятная базовая модель. Во-вторых, алгоритм изучает именно отклонение, которое связано с контекстом. Если ML-компонент недоступен, система может временно вернуться к нормативу.

Для текущего экземпляра целесообразно предсказывать не только точку T_hat, но и интервал [T_low, T_high]. Интервал отражает неопределённость и позволяет различать прогноз «10 часов с узким диапазоном» и «10 часов при разбросе от 3 до 24 часов». Автоматизированное действие должно зависеть от верхней границы или вероятности нарушения SLA, а не только от среднего значения.

4. Многофакторная модель оценки временного риска

Прогноз времени становится управленчески полезным, когда преобразуется в оценку риска задержки. Предлагается показатель D = P(T_finish > T_deadline) · I_delay · C, где первая компонента – вероятность нарушения срока, I_delay – последствия задержки, C – контекстная критичность. Это позволяет различать два процесса с одинаковой вероятностью опоздания, но различной ценой задержки.

Такой подход соответствует общему принципу многофакторной оценки систем. В работе В. В. Осадчего многофакторность используется для построения модели коммерческой финансовой системы [8, с. 12-16]. Для временного управления принцип означает, что решение не должно опираться только на прогнозируемое количество часов. Существенны вероятность, критичность, стоимость ускорения и взаимозависимости ресурсов.

Дополнительно вводится коэффициент доверия Q к прогнозу. При низком Q система не должна автоматически менять производственный план. Она может сигнализировать диспетчеру о необходимости ручной проверки. При высоком Q и высоком D допустима автоматическая эскалация. Тем самым неопределённость становится частью бизнес-логики.

Временной риск следует оценивать динамически после каждого значимого события. Если процесс идёт быстрее ожидаемого, вероятность нарушения снижается; если возникает повторный цикл или очередь, она повышается. В результате вместо статичного срока формируется траектория риска во времени.

5. Контур автоматизации на основе прогноза времени

Автоматизация строится вокруг событийного цикла: поступление нового события – пересчёт remaining time – сравнение с SLA – выбор действия – фиксация результата. Действия делятся на информационные и управляющие. Информационные включают обновление ETA и предупреждение сотрудника или клиента. Управляющие изменяют приоритет, ресурс или маршрут процесса.

На первом уровне система только прогнозирует. На втором автоматически отправляет уведомление при высокой вероятности задержки. На третьем предлагает вариант перераспределения. На четвёртом выполняет заранее разрешённые изменения самостоятельно. Поэтапность необходима, поскольку ошибка временного прогноза может вызвать каскадное изменение очереди и ухудшить другие процессы.

Оптимизация требует учитывать системный эффект. Если каждая задерживающаяся заявка автоматически получает высший приоритет, система быстро потеряет управляемость. Поэтому решение может формулироваться как задача минимизации суммарных ожидаемых потерь при ограничениях ресурсов. AI-прогноз предоставляет параметры, а оптимизационный модуль выбирает допустимое действие.

В производстве это может означать изменение очереди партии; в логистике – выбор другого маршрута; в документообороте – эскалацию согласования; в сервисе – перераспределение тикета. Принцип остаётся единым: прогноз превращается в действие только через установленную политику.

6. Дрейф процесса и контроль качества

Временная модель особенно чувствительна к process drift. Изменение регламента, штата, оборудования или внешней нагрузки меняет распределение длительности. Модель, которая была точной полгода назад, может систематически ошибаться. Поэтому вместе с ошибкой прогноза требуется контролировать изменение признаков и структуры маршрута.

Ключевыми метриками являются MAE, RMSE и процентная ошибка, но для бизнеса полезны дополнительные показатели: доля случаев, в которых реальное время попало в прогнозный интервал; точность предупреждения о SLA-нарушении; среднее время упреждения предупреждения; экономический эффект предпринятого действия.

Нельзя оценивать модель только на случайном разбиении исторических данных, если процесс менялся со временем. Более реалистична временная валидация: обучение на более раннем периоде и проверка на более позднем. Это показывает способность работать с будущими случаями.

Если качество снижается, система должна уметь перейти в безопасный режим – например, использовать нормативную оценку T_norm и помечать прогноз как некалиброванный. Возможность контролируемой деградации является важным свойством промышленной AI-системы.

7. Области практического применения

В логистике remaining-time prediction позволяет формировать динамический ETA с учётом фактической траектории и очереди. В складских процессах прогноз времени завершения outbound-операций может использоваться для координации транспорта; современные исследования демонстрируют применение deep learning и boosting к реальным журналам складских процессов [6].

В производстве прогноз cycle time помогает управлять незавершённым производством, очередью оборудования и сроками заказа. В сервисных организациях аналогичный подход применим к тикетам поддержки и ремонту. В документообороте – к согласованию договора, закупки или заявки.

В проектном управлении данные менее стандартизированы, однако AI может прогнозировать длительность типовых задач на основе истории команды, сложности и зависимостей. Здесь особенно важно избегать превращения прогноза в жёсткий норматив: творческая задача имеет более высокую неопределённость, чем повторяющаяся транзакционная операция.

Наиболее благоприятными для внедрения являются процессы, где события фиксируются автоматически, имеется достаточное число повторений и существует экономически значимое действие, которое можно выполнить до наступления задержки. Если прогноз нельзя превратить в действие, его практическая ценность ограничивается аналитикой.

Заключение

Искусственный интеллект позволяет определять временные параметры не как фиксированный норматив, а как динамический прогноз, учитывающий текущее состояние конкретного процесса. Основным источником данных выступают event logs, а методологической основой – process mining и predictive process monitoring.

Предложена гибридная модель, в которой нормативное время дополняется машинно-обучаемой поправкой и интервалом неопределённости. Для управленческого использования прогноз преобразуется в многофакторную оценку риска задержки. Автоматизационный контур применяет результат для уведомления, перераспределения ресурсов и изменения приоритета только в рамках установленной политики.

Перспективы исследования связаны с оценкой inter-case dynamics, развитием методов conformal prediction для надёжных интервалов, интеграцией прогнозов с оптимизационными алгоритмами и экспериментальной проверкой на реальных процессах. Наиболее важным принципом является переход от «предсказать время» к «предсказать время с известной неопределённостью и использовать прогноз для контролируемого действия».