Details

Данная работа посвящена разработке цифровой системы технологического скаутинга для автоматизированного поиска и комплексной оценки перспективности технологий на наукоемком предприятии. Задачи, которые решались: - Анализ существующих подходов и цифровых платформ технологического скаутинга, включая Inventorus, и выявление их ключевых ограничений. - Разработка концепции и модульной архитектуры цифровой системы технологического скаутинга. - Разработка алгоритма многокритериальной скоринговой оценки перспективности технологий с настраиваемыми весами критериев. - Реализация программного прототипа системы с применением методов NLP и машинного обучения (K-Means, Random Forest). - Тестирование и апробация системы на практических сценариях поиска технологий, оценка качества классификации. - Оценка экономической эффективности внедрения разработанной системы. Работа проведена с применением методов обработки естественного языка на базе библиотек spaCy и scikit-learn, алгоритмов кластеризации K-Means и классификации Random Forest. Апробация системы выполнялась на двух тематических сценариях — компрессоростроение и аддитивное производство металлических компонентов. По результатам тестирования на эталонной выборке получены: точность классификации (Precision) — 0,917, полнота (Recall) — 0,846. Время одного цикла поиска и первичной оценки технологий сократилось примерно в 20 раз по сравнению с ручным поиском. На основании проведённой работы разработана цифровая система технологического скаутинга, обеспечивающая автоматизированный цикл от сбора данных до формирования рейтинга перспективных технологий. Разработанная система может применяться на наукоёмких предприятиях для повышения обоснованности выбора технологий и снижения неопределённости при принятии инновационных решений.

This work is devoted to the development of a digital technology scouting system for the automated search and comprehensive assessment of technology prospectiveness at a knowledge-intensive enterprise. Tasks that were solved: - Analysis of existing approaches and digital technology scouting platforms, including Inventorus, and identification of their key limitations. - Development of the concept and modular architecture of the digital technology scouting system. - Development of a multi-criteria scoring algorithm for technology prospectiveness assessment with customizable criterion weights. - Implementation of a software prototype using NLP and machine learning methods (K-Means, Random Forest). - Testing and validation of the system on practical technology search scenarios, classification quality assessment. - Evaluation of the economic efficiency of implementing the developed system. The work was carried out using natural language processing methods based on the spaCy and scikit-learn libraries, K-Means clustering and Random Forest classification algorithms. The system was validated on two thematic scenarios — compressor engineering and additive manufacturing of metal components. Testing on the reference sample yielded the following results: classification precision — 0.917, recall — 0.846. The time required for one technology search and primary assessment cycle was reduced approximately 20-fold compared to manual search. Based on the work carried out, a digital technology scouting system was developed that provides an automated cycle from data collection to the formation of a prospective technology ranking. The developed system can be applied at knowledge-intensive enterprises to improve the validity of technology selection and reduce uncertainty in innovation decision-making.