Студент РТУ МИРЭА Михаил Полубарьев разработал гибридную ИИ-систему для прогнозирования спроса на лекарства, адаптированную к условиям российского фармацевтического рынка. Рынок характеризуется высокой волатильностью, резкими ценовыми изменениями и короткой историей продаж новых дженериков, что делает классические методы прогнозирования малоэффективными. Традиционные алгоритмы машинного обучения при рекурсивном применении накапливают критическую ошибку уже на втором-третьем месяце планирования, а глубокие модели вроде трансформеров требуют огромных объемов данных.
Предложенное решение объединяет сильные стороны двух подходов. Для оперативного планирования на один месяц используется ансамбль градиентного бустинга с качественной инженерией признаков: логарифмическая стабилизация дисперсии, циклическое кодирование времени и учет ценовой динамики. Это позволяет достичь ошибки на уровне 16–17% по метрике WMAPE. Однако при переходе к квартальному горизонту рекурсивная стратегия бустинга приводит к росту ошибки до 23–26% на третьем месяце. Для среднесрочных горизонтов задействованы архитектуры глубокого обучения с прямым многошаговым прогнозом, которые демонстрируют более стабильную деградацию ошибки без экспоненциального дрейфа. «Наш гибридный подход решает эту дилемму через адаптивный выбор модели: бустинг для точных краткосрочных прогнозов, нейросети прямого прогноза — для устойчивого планирования на квартал», — пояснил Михаил Полубарьев.
| Метод | Горизонт | Ошибка (WMAPE) |
|---|---|---|
| Градиентный бустинг (рекурсивный) | 1 месяц | 16–17% |
| Градиентный бустинг (рекурсивный) | 3 месяц (квартал) | 23–26% |
| Нейросеть прямого многошагового прогноза | 3 месяц (квартал) | Стабильная деградация, без дрейфа |
Проект не ограничивается сравнением моделей — он формирует полноценный конвейер, включающий блочную кросс-валидацию и метрику WMAPE. Как отметил научный руководитель проекта, профессор Андрей Горшенин, такая архитектура готова к интеграции в производственные ERP-системы и позволяет управлять запасами, минимизируя риски дефицита или затоваривания. Практическую ценность подтвердили в компании «Генериум», где руководитель группы цифровизации Данила Малина заявил о большом потенциале внедрения модели в бизнес-процессы для повышения точности планирования поставок.
