Abstract
<jats:p>В статье рассматривается актуальное состояние подготовки производства в судоремонте, выделяются его основные проблемы и существующие решения. Предметом исследования являются процессы подготовки производства в судоремонтной отрасли и возможности их оптимизации с применением технологий машинного обучения. Цель работы – разработка концептуальной модели и методологии внедрения инструментов на базе машинного обучения для повышения эффективности планирования и организации ремонтных работ. Методологическую основу исследования составили системный анализ, методы интеллектуального анализа данных, прогнозирования и оптимизации. Рассмотрены возможности применения регрессионных и классификационных моделей, обработки естественного языка, прогнозирования сроков поставок и алгоритмов оптимизации для оценки трудоёмкости, длительности ремонта и рисков дополнительных работ. Предложена концептуальная модель внедрения машинного обучения, основанная на сквозном цифровом контуре «данные – прогноз – управленческое решение – обратная связь». Разработана методология интеграции, включающая стандартизацию ремонтной документации, формирование обучающих выборок и модульное внедрение.</jats:p> <jats:p>The article examines the current state of production preparation in ship repair, identifies its key challenges, and analyzes existing solutions. The subject of the study is the production preparation processes in the ship repair industry and the possibilities for their optimization through the application of machine learning technologies. The objective of the research is to develop a conceptual model and a methodology for implementing machine learning-based tools to improve the efficiency of planning and organizing repair operations. The methodological framework of the study includes systems analysis, data mining methods, forecasting, and optimization techniques. The paper explores the potential application of regression and classification models, natural language processing, supply lead-time forecasting, and optimization algorithms for assessing labor intensity, repair duration, and the risks of additional work. A conceptual model for implementing machine learning is proposed, based on an end-to-end digital loop: “data – forecast – managerial decision – feedback”. A methodology for integration has been developed, including the standardization of repair documentation, the formation of training datasets, and modular implementation. </jats:p>