The object of research, development or design (in Russian) : Модели глубокого и классического машинного обучения (LSTM, GRU, Temporal CNN, MLP, XGBoost, Autoencoder, IRL), предназначенные для прогнозирования и оптимального управления динамикой производственных систем на основе производственной функции Кобба–Дугласа.

The object of research, development or design (in Kazakh) : Кобб–Дуглас өндірістік функциясы негізінде өндірістік жүйелер динамикасын болжау мен тиімді басқаруға арналған терең және классикалық машиналық оқыту модельдері (LSTM, GRU, Temporal CNN, MLP, XGBoost, Autoencoder, IRL).

Aim of work (in Russian) : Интеграция методов машинного обучения в информационную систему для анализа, прогнозирования и оптимального управления производственными процессами. Разработка API, обеспечивающего двустороннее взаимодействие между обученными моделями и базой данных.

Aim of work (in Kazakh) : Машиналық оқыту әдістерін өндірістік процестерді талдау, болжау және тиімді басқару мақсатында ақпараттық жүйеге интеграциялау. Оқылған модельдер мен деректер базасы арасында екіжақты өзара әрекеттестікті қамтамасыз ететін API әзірлеу.

Методы исследования (на русском) : Методы глубокого и классического машинного обучения для реализации архитектуры LSTM, GRU и Temporal CNN для анализа временных рядов y(t) и u(t). Модели MLP и XGBoost для оценки начальных управлений и краткосрочного прогнозирования. Автоэнкодер с кластеризацией k-means для классификации сценариев устойчивости. Подход обратного обучения с подкреплением для восстановления закономерностей оптимального управления.

Методы исследования (на казахском) : y(t) және u(t) уақыттық қатарларын талдауда LSTM, GRU және Temporal CNN архитектураларын іске асыру үшін терең және классикалық машиналық оқыту әдістері. Бастапқы басқаруларды бағалау және қысқа мерзімді болжау үшін MLP және XGBoost модельдері. Тұрақтылық сценарийлерін жіктеу мақсатында автоэнкодер мен k-means кластерлеу тәсілі біріктіріліп қолданылды. Тиімді басқару заңдылықтарын қалпына келтіру үшін кері оқыту (Inverse Reinforcement Learning) әдісі қолданылды.

Obtained results and novelty (in Russian) : Разработаны и обучены модели LSTM, GRU, Temporal CNN, MLP, XGBoost, Autoencoder и IRL, использующие реальные и симулированные данные для прогнозирования и анализа поведения системы; Построена модель IRL, позволяющая восстанавливать оценочную функцию, описывающую стратегию управления системой; Реализован программный API для автоматизированного взаимодействия между базой данных, аналитическим модулем и обученными моделями; Обеспечена двусторонняя интеграция: экспорт данных из БД в модели и импорт прогнозов обратно в систему; Опубликованы 1 статья в журнале, имеющем 80-й процентиль по CiteScore (Scopus), и 3 статьи — в научных журналах, рекомендованных КОКСНВО. Новизна: интеграция производственной функции Кобба–Дугласа с ML-архитектурами; использование IRL для восстановления закономерностей оптимального управления; формирование синтетических обучающих выборок на основе решений дифференциальных систем.

Obtained results and novelty (in Kazakh) : LSTM, GRU, Temporal CNN, MLP, XGBoost, Autoencoder және IRL модельдері әзірленіп, оқытылды. Бұл модельдер нақты және симуляциялық деректерді пайдаланып, жүйенің әрекетін болжау және талдау үшін қолданылды. Жүйені басқару стратегиясын сипаттайтын бағалау функциясын қалпына келтіруге мүмкіндік беретін IRL моделі құрылды. Деректер базасы, аналитикалық модуль және оқытылған модельдер арасында автоматтандырылған өзара әрекеттестікті қамтамасыз ететін бағдарламалық API іске асырылды. Екіжақты интеграция қамтамасыз етілді, яғни деректер базасынан модельдерге экспорт және болжау нәтижелерін жүйеге қайта импорттау жүзеге асырылды. Scopus деректер базасындағы CiteScore көрсеткіші бойынша 80-процентильге ие журналда 1 мақала және ҚР БҒМ КОКСНВО ұсынған ғылыми журналдарда 3 мақала жарияланды. Жаңалығы: Кобб–Дуглас өндірістік функциясын машиналық оқыту архитектураларымен біріктіру; тиімді басқару заңдылықтарын қалпына келтіру үшін IRL тәсілін қолдану; дифференциалдық жүйелер шешімдері негізінде синтетикалық оқыту жиынтықтарын қалыптастыру.

The main constructive and technical economic indicators (in Russian) : Объём обработанных данных: 8400 статистических записей (2000–2024 гг.); Количество моделируемых сценариев: 300 уникальных комбинаций параметров (A_i, α_i, β_i, θ_i, s_i, γ_i); Сокращение времени вычисления начального управления u(0) до 0,3 с при использовании XGBoost; Реализована база данных с двусторонним обменом данными между SQL и ML-модулями.

The main constructive and technical economic indicators (in Kazakh) : Өңделген деректер көлемі: 8400 статистикалық жазбалар (2000–2024 жж.); Модельденген сценарийлер саны (A_i, α_i, β_i, θ_i, s_i, γ_i параметрлері бойынша) 300 комбинация; XGBoost моделін қолдану нәтижесінде бастапқы басқаруды u(0) есептеу уақыты 0,3 секундқа дейін қысқартылды; SQL және машиналық оқыту модульдері арасында екіжақты деректер алмасуын қамтамасыз ететін деректер базасы іске асырылды.

Level of implementation (in Russian) : Созданные алгоритмы и модели внедрены в тестовую версию информационной системы и прошли апробацию на реальных статистических данных. База данных и вычислительные модули успешно интегрированы с Python-моделями машинного обучения, обеспечивая двусторонний обмен данными. Система продемонстрировала стабильную работу в лабораторных условиях.

Level of implementation (in Kazakh) : Құрылған алгоритмдер мен модельдер ақпараттық жүйенің тестілік нұсқасына енгізіліп, нақты статистикалық деректер негізінде апробациядан өтті. Деректер базасы мен есептеу модульдері машиналық оқытудың Python-модельдерімен сәтті біріктіріліп, екіжақты деректер алмасуы қамтамасыз етілді. Жүйе зертханалық жағдайда тұрақты жұмыс нәтижесін көрсетті.

Efficiency (in Russian) : Точность прогнозов временных рядов достигла 92 %, время вычисления начального управления сократилось до 0,3 с. Интеграция базы данных с ML-модулями ускорила обработку данных и улучшила качество управленческих решений.

Efficiency (in Kazakh) : Уақыттық қатарларды болжау дәлдігі 92 %-ға жетті, бастапқы басқаруды есептеу уақыты 0,3 секундқа дейін қысқартылды. Деректер базасын машыналық оқыту модульдермен біріктіру деректерді өңдеу жылдамдығын арттырып, басқарушылық шешімдердің сапасын жақсартты.

Field of application (in Russian) : Прогнозирование производственных показателей; Оптимизация распределения ресурсов в производственных и телекоммуникационных сетях; Научные исследования в области математического моделирования, машинного обучения и теории управления.

Field of application (in Kazakh) : Өндірістік көрсеткіштерді болжау; Өндірістік және телекоммуникациялық желілерде ресурстарды тиімді үлестіру; Математикалық модельдеу, машиналық оқыту және басқару теориясы саласындағы ғылыми зерттеулер.