Модель сопряжения потока знаний между организациями и совместного принятия решений агентами на основе глубоких нейронных сетей

Почему более «умный» обмен между организациями важен

Компании, больницы и государственные учреждения всё больше зависят от взаимной информации при принятии решений — будь то планирование производства, маршрутизация поставок или реагирование на кризис. Тем не менее в большинстве реальных сетей знания и решения обрабатываются раздельно: одна команда собирает и делится данными, другая выбирает действия. В этой статье исследуется, что произойдёт, если рассматривать эти два процесса как тесно связанную систему, и применяется современный искусственный интеллект для моделирования того, как информация течёт между организациями и как программные агенты учатся согласовывать свои решения поверх этого потока.

От разрозненных фактов к живой сети знаний

Авторы исходят из простого наблюдения: знания не застывают. Отчёты, прогнозы и экспертные оценки перемещаются между фирмами через партнёрства, общие платформы и личные контакты — и теряют ценность со временем, если их не обновлять. Традиционные исследования «потока знаний» описывают, кто с кем связан и что облегчает или затрудняет обмен, например доверие, расстояние и совместимость. В этой работе эти идеи сохраняются, но встраиваются в цифровую сеть, где каждая организация представлена узлом, у которого запас знаний меняется по мере поступления информации, её убывания и усиления при использовании. Компонент глубокого обучения, называемый графовой сетью с механизмом внимания, обучается определять, какие связи важны в каждый момент, акцентируя пути, которые стабильно передают своевременную и высококачественную информацию.

Агенты, которые учатся решать вместе

Поверх этой сети знаний располагаются многочисленные программные агенты, каждый из которых представляет собой принимающего решения, например планировщика завода или координатора логистики. Вместо централизованного управления эти агенты учатся сотрудничеству с помощью обучения с подкреплением: они многократно действуют, наблюдают результаты и корректируют стратегии, чтобы улучшить совместные показатели — например снизить затраты или уменьшить дефицит. Ключевым является то, что их представление о мире включает не только локальные факты, но и эволюционирующее состояние знаний их собственной и партнёрских организаций. Механизм внимания помогает каждому агенту фокусироваться на других агентах и фрагментах информации, наиболее релевантных текущей задаче, поддерживая гибкие коалиции вместо жёстких командных цепочек.

Двусторонняя связь между знанием и действием

Сердцевина статьи — «сопряжение» знаний и решений. Вместо предположения, что лучшая информация просто влияет на выбор, модель допускает двунаправленную связь. Когда агенты принимают успешные совместные решения, система рассматривает поддерживающие знания как более ценные, укрепляет соответствующие информационные каналы и замедляет их деградацию. Когда координация даёт сбой, система отмечает недостающую или вводящую в заблуждение информацию, стимулируя сеть искать лучшие источники или новых партнёров. Это создаёт петлю обратной связи, в которой обмен знаниями и стратегии принятия решений со-воз evolve. Сила этой связи отслеживается во времени, показывая, насколько тесно изменения в информации коррелируют с изменениями в эффективности.

Тестирование модели в симулированных и реальных условиях

Чтобы понять, приносит ли такой сопряжённый подход практическую пользу, авторы провели обширные компьютерные эксперименты. Они построили большие синтетические наборы данных, описывающие тысячи организаций, миллионы передач знаний и множество типов задач многопользовательского принятия решений — от распределения ресурсов до достижения консенсуса. Сравнивали их фреймворк с несколькими альтернативами, которые либо моделируют знания без учёта решений, либо решения без знаний, либо просто объединяют оба компонента без петли обратной связи. По множеству бенчмарков сопряжённая модель повышала точность передачи знаний и показатели успеха решений на 8–24% и обучалась более стабильным стратегиям быстрее, даже при росте сложности сценариев. Наконец, систему развернули в региональной цепочке поставок с участием производителей, логистических провайдеров и дистрибьюторов. Там модель помогла партнёрам умнее обмениваться сигналами спроса, сократив общие затраты на 18,5%, уменьшив дефицит запасов на 71% и увеличив оборачиваемость инвентаря на 42,7%.

Что это значит для повседневных организаций

Для неспециалистов ключевая мысль такова: информационные системы и системы принятия решений работают лучше, когда их проектируют совместно. Рассматривать знания как живую сеть, которая одновременно формирует и формируется повседневными решениями, приводит к более надёжным прогнозам, более бережным запасам и более быстрым, скоординированным реакциям на изменения. Хотя техническая часть опирается на глубокие нейронные сети и продвинутые алгоритмы обучения, базовая идея интуитивна: организациям стоит обращать внимание не только на то, что они знают, но и на то, как использование этих знаний изменяет то, что будет передаваться дальше. Предложенная в статье структура даёт практический план по превращению этой интуиции в инструменты, которые помогут фирмам, цепочкам поставок и другим сетям действовать умнее в целом, а не как разрозненные части.

Цитирование: Li, M., Yu, W. & Li, Y. Deep neural network-based coupling model of inter-organizational knowledge flow and agent collaborative decision-making. Sci Rep 16, 6923 (2026). https://doi.org/10.1038/s41598-026-37838-8

Ключевые слова: обмен знаниями, мультиагентные системы, совместное принятие решений, графовые нейронные сети, координация цепочки поставок