ОСНОВНІ МЕТОДИ МАШИННОГО НАВЧАННЯ В СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

Анотація

Мета роботи полягає у комплексному огляді та систематизації основних класів методів машинного навчання (МН), які використовуються у системах підтримки прийняття рішень (СППР). Дослідження включає детальний аналіз характерних особливостей, практичних прикладів застосування алгоритмів МН у різноманітних галузях (медицина, фінанси, логістика), а також критичне порівняння переваг і недоліків кожного методу з метою визначення оптимальних умов для їх інтеграції в СППР та підвищення ефективності прийняття рішень. Методологія дослідження базується на комплексному аналізі наукових публікацій, присвячених використанню МН у СППР, застосуванні методів класифікації алгоритмів за типом навчання (кероване, некероване, напівкероване, навчання з підкріпленням, глибоке навчання). Для цього використано методи аналізу, синтезу, порівняльної характеристики можливостей алгоритмів, а також узагальнення результатів їх практичного застосування. У дослідженні додатково враховані фактори якості вхідних даних, на яких тренуються моделі, та потенційні етичні й технологічні обмеження інтеграції цих методів. Наукова новизна проведеного дослідження полягає в тому, що вперше запропоновано цілісну та систематизовану оцінку використання різних категорій методів машинного навчання у СППР з поглибленим аналізом їх переваг, недоліків, сфер найбільш доцільного застосування, а також умов, що визначають ефективність їх інтеграції. Узагальнено та порівняно результати попередніх досліджень, на основі чого сформульовано комплексне бачення перспективних напрямків розвитку інтелектуальних СППР з урахуванням сучасних технологічних та етичних викликів. Висновки дослідження підтверджують, що інтеграція методів машинного навчання суттєво підвищує якість та обґрунтованість управлінських рішень завдяки автоматизації процесу аналізу великих обсягів даних та адаптації рекомендацій на основі накопиченого досвіду. Встановлено, що вибір конкретного класу методів повинен здійснюватися відповідно до особливостей завдання, обсягу доступних розмічених даних, вимог до інтерпретованості моделі та допустимих ресурсних витрат. Подальші перспективи розвитку цієї наукової проблематики пов’язані із розробкою методологічних рекомендацій щодо оптимального вибору методів для різних типів СППР, підвищенням прозорості та інтерпретованості алгоритмів, а також створенням ефективних механізмів забезпечення їх етичності, надійності та безпечності використання у практичних задачах.