Студент РТУ МИРЭА разработал гибридную ИИ-систему для прогнозирования спроса на лекарства

Студент РТУ МИРЭА создал пилотную ИИ-модель для прогнозирования спроса на лекарственные препараты. Система адаптирована к условиям российского фармацевтического рынка с его высокой волатильностью, резкими ценовыми изменениями и короткой историей продаж новых дженериков. Разработанный гибридный подход объединяет алгоритмы машинного и глубокого обучения, что позволяет повысить точность прогнозов как на оперативных (один месяц), так и на среднесрочных (квартал) горизонтах. Об этом CNews сообщили представители РТУ МИРЭА.

Рынок лекарственных препаратов в России крайне динамичен. Ситуация обостряется, когда на рынок выводятся новые дженерики (например, аналоги «Оземпика»), исторические данные по которым отсутствуют, а спрос формируется под влиянием не только сезонных, но и ценовых факторов. Традиционные методы прогнозирования в таких условиях часто дают сбои, а рекурсивное применение популярных алгоритмов машинного обучения приводит к накоплению критической ошибки уже на втором-третьем месяце планирования.

Студент из РТУ МИРЭА Михаил Полубарьев предложил решение, объединяющее сильные стороны разных подходов. Для оперативного планирования на один месяц он использовал ансамбли градиентного бустинга, которые с учетом качественной инженерии признаков (логарифмическая стабилизация дисперсии, циклическое кодирование времени, учет ценовой динамики) показали ошибку прогноза на уровне 16–17% по метрике WMAPE. Однако при переходе к квартальному планированию рекурсивная стратегия этих моделей привела к росту ошибки до 23–26% на третьем месяце. Для среднесрочных горизонтов были задействованы архитектуры глубокого обучения с прямым многошаговым прогнозом. Они продемонстрировали более стабильную деградацию ошибки и отсутствие экспоненциального дрейфа.

«Ключевая проблема фармацевтического рынка — короткая история продаж новых препаратов на фоне высокой волатильности. Классические «трансформеры» требуют огромных объемов данных и часто переобучаются, а бустинг накапливает ошибку на среднесрочных горизонтах. Наш гибридный подход решает эту дилемму через адаптивный выбор модели: бустинг для точных краткосрочных прогнозов, нейросети прямого прогноза — для устойчивого планирования на квартал», — сказал Михаил Полубарьев, студент Института искусственного интеллекта РТУ МИРЭА.

«Проект Михаила не ограничивается сравнением моделей, а создает полноценный конвейер: от логарифмической стабилизации дисперсии и циклического кодирования временных меток до внедрения метрики WMAPE и блочной кросс-валидации. Такая архитектура готова к интеграции в производственные ERP-системы и позволяет управлять запасами, минимизируя риски дефицита или затоваривания», — сказал Андрей Горшенин, профессор РТУ МИРЭА, доктор физико-математических наук, научный руководитель проекта.

Илья Астахов, «Бинго-Софт»: Управление обращениями + ИИ: безопасный путь от трех‑пяти систем к управляемому стеку Импортонезависимость

Практическую ценность разработки подтверждают и представители фармацевтической отрасли, заинтересованные в повышении точности планирования поставок.

«Для «Генериум» точное прогнозирование спроса на лекарственные препараты — стратегическая задача. Ошибка в прогнозе может привести либо к дефициту жизненно важных лекарств, либо к затовариванию складов. Новая модель показывает высокую точность даже в условиях нестабильного рынка, и мы видим большой потенциал для ее внедрения в наши бизнес-процессы», — сказал Данила Малина, руководитель группы управления проектами цифровизации АО «Генериум».

• Подобрать оптимальный тариф на IaaS с GPU-ускорителями на ИТ-маркетплейсе CNewsMarket