От математики к интеллекту принятия стратегических решений

Алгоритмическая основа mAInthink

Технологическая основа mAInthink была создана не на скорую руку, а является результатом десятилетий научной работы на стыке математики, алгоритмов и информатики.

Главную роль в этом играет доктор Игорь Кадощук, который с 1980-х годов в университете занимается математическими процессами, алгоритмами оптимизации и принятия решений с помощью компьютера.

Научный опыт: математика и информатика

Доктор Кадощук занимал кафедру в Московском физико-техническом институте (МФТИ ), где работал профессором информатики. Его научная и преподавательская деятельность была сосредоточена, в частности, на следующих направлениях

• математическая оптимизация
• Алгоритмика
• комбинаторные задачи принятия решений
• компьютерное моделирование сложных систем

В ходе многолетней работы возникла главная идея:

Математические методы и компьютерные технологии могут быть организованы таким образом, что при принятии сложных проектных и инвестиционных решений становится объективно очевидным, какой путь является наилучшим.

Оптимизация проекта как математическая задача

Проектные, портфельные и инвестиционные решения в конечном итоге состоят из идентификаторов, переменных, ограничений и чисел. Проблема заключается не в доступности данных, а в комбинаторике.

Даже при наличии всего нескольких проектов количество возможных комбинаций растет в геометрической прогрессии:

• 5 проектов → 32 комбинации
• 10 проектов → 1 024 комбинации
• 20 проектов → более 1 000 000 комбинаций
• 50 проектов → астрономические величины

Традиционные инструменты (например, Excel, простые скоринговые модели или линейные аппроксимации), как правило, не могут полностью отобразить эту сложность, но неизбежно работают с упрощениями.

Гибридный ИИ и многопоточные вычисления

поэтому mAInthink использует гибридные подходы к ИИ, сочетающие классическую математику, эвристическую оптимизацию и алгоритмический поиск с современной многопоточной вычислительной архитектурой.

В результате мы достигаем точности от 97 % до 99,99 % в реальных проектных и инвестиционных сценариях и можем выполнять очень сложные проектные расчеты очень быстро, чего обычные инструменты обычно не могут достичь с такой глубиной и скоростью.

Почему не 100 %?

Если вы теоретически хотите достичь 100 % точности, это означает, что каждая возможная комбинация должна быть рассчитана полностью, точно и без сокращений.

Даже при сегодняшних технических возможностях это означает, что время расчета для крупных портфельных сценариев составит около 75 000 лет. Причина не в отсутствии программного обеспечения, а в экспоненциальном росте пространства принятия решений по мере увеличения количества проектов и плотности ограничений.

Пример: Почему время вычислений растет?

Представьте, что у вас есть портфель с множеством проектов и подпроектов. Каждое решение (проект да/нет, подпакет A/B/C, последовательность, бюджетные ограничения, зависимости, риски) массово увеличивает количество возможных комбинаций. Даже при превышении определенного размера возникает пространство поиска, которое уже невозможно полностью перечислить с помощью классических компьютерных архитектур без увеличения времени вычислений до неприемлемых размеров.

Именно в этом и заключается сила mAInthink: Мы используем гибридный ИИ и параллельные вычисления для получения решений с очень высокой точностью за практическое время - вместо теоретического совершенства за тысячелетия.

Взгляд в будущее: квантовые компьютеры

Квантовые компьютеры не заменят этот подход, но еще больше ускорят его. С ростом промышленной доступности некоторые классы оптимизационных задач можно будет обрабатывать гораздо быстрее. Опираясь на уже сложившуюся математическую логику, mAInthink снова значительно увеличит свою скорость.

Заключение

mAInthink - это научно обоснованный интеллект принятия решений - результат десятилетий математической работы и последовательного совершенствования современных технологий искусственного интеллекта и вычислительной техники.

Решения принимает не интуиция. Не упрощенные модели. А просчитываемая реальность.

FAQ - Алгоритмическая оптимизация проектов и инвестиций в mAInthink

Часто задаваемые вопросы

Кто такой доктор Игорь Кадощук?

Д-р Игорь Кадощук - математик и компьютерный ученый, который с 1980-х годов занимается научными исследованиями в области алгоритмов, математической оптимизации и принятия решений с помощью компьютера. Он занимал кафедру в Московском физико-техническом институте (МФТИ) и был там профессором информатики.

Что является главным результатом его исследований?

Математические методы и компьютерные технологии могут быть объединены таким образом, что можно объективно рассчитать, какой путь инвестирования является наилучшим для сложных проектных и инвестиционных решений - независимо от субъективных оценок.

Почему для этого не подходят традиционные инструменты, такие как Excel?

Традиционные инструменты работают с упрощениями, линейными предположениями или изолированными оценками. Они не могут полностью просчитать экспоненциально растущее число комбинаций, зависимостей и ограничений проекта.

Что означает "гибридный ИИ" в mAInthink?

Гибридный ИИ сочетает в себе классическую математику, эвристические методы оптимизации, алгоритмический поиск и современные методы ИИ с параллельной (многопоточной) вычислительной архитектурой. Это позволяет эффективно анализировать очень большие пространства решений.

Какой точности достигает mAInthink?

В реальных сценариях mAInthink достигает точности от 97% до 99,99%. Это представляет собой технически и экономически оптимальное соотношение между временем вычислений и качеством решений.

Почему точность 100% не является целью?

Полный расчет всех возможных комбинаций потребовал бы - в зависимости от сценария - до 75 000 лет времени вычислений. Такое совершенство технически возможно, но непрактично и экономически нецелесообразно.

Каков простой пример такой сложности?

Всего несколько проектов с зависимостями, бюджетными ограничениями, рисками и альтернативами создают экспоненциальное пространство поиска. Каждая дополнительная переменная умножает количество возможных комбинаций.

Какую роль играют квантовые компьютеры?

В будущем квантовые компьютеры могут значительно ускорить эти вычисления. Математические модели остаются прежними, но расчет множества состояний происходит параллельно. mAInthink архитектурно подготовлен к этому.

Для каких случаев использования mAInthink особенно подходит?

Для оптимизации портфеля, принятия инвестиционных решений, определения приоритетов проектов, распределения бюджета, стратегического планирования и сценариев с высокой сложностью и множеством зависимостей.

Сравнение: классические инструменты против mAInthink

Критерий	Классические инструменты (например, Excel)	mAInthink
Модель расчетов	Линейная, упрощенная	Гибридная: математика + искусственный интеллект + алгоритмы
Количество проектов	Ограниченная практичность	Масштабируется до очень больших портфелей
Зависимости и ограничения	Ручной или сильно упрощенный	Полностью интегрируемый
Глубина комбинаторики	Очень ограничена	Экспоненциальные пространства решений
Время вычислений	Быстро, но неполно	Быстро с очень высокой точностью
Точность	Субъективная / эвристическая	97 % - 99,99 %
Перспективность	Ограниченная	Готовность к квантовым вычислениям

Почему реальные затраты на принятие решений почти всегда выше, чем затраты на вычисления

На практике наибольший экономический ущерб наносится не затратами на вычисления, а неверными решениями: неправильно расставленные приоритеты проектов, слишком оптимистичные бизнес-кейсы или портфели, которые хорошо выглядят на бумаге, но нежизнеспособны в условиях реальных ограничений.

Именно здесь на помощь приходит mAInthink: Математическая оптимизация и гибридный искусственный интеллект используются не только для выбора "хорошего проекта", но и для определения наилучшего пути инвестиций с учетом бюджета, рисков и зависимостей. Решающим моментом здесь является следующее:

Время вычислений стоит минуты - неправильные распределения обходятся в месяцы, годы и зачастую семизначные суммы.

Типичные блоки затрат, которые недооценивают классические инструменты

Блок затрат	Что часто отсутствует в классических инструментах	Типичное влияние в реальности	Как mAInthink решает эту проблему
Обязательства по капиталу	Капитал рассматривается как "данность"; альтернативные издержки отсутствуют	Деньги связаны, даже если существует лучший способ	Оптимизация портфеля и последовательности действий в условиях бюджетных ограничений
Управление и потенциал команды	Ресурсы моделируются грубо или статично	Узкие места, задержки, перегрузка, отставание проектов	Учитывает возможности, зависимости и сроки
Зависимости	Подпроекты оцениваются изолированно	"Хорошие" проекты терпят неудачу из-за отсутствия предварительной работы	Рассчитывает оптимальные цепочки (предшественники/ограничения) с
Риск и неопределенность	Риск управляется как накладные расходы или текстовое поле	Бюджет и сроки увеличиваются, рентабельность инвестиций снижается	Риск и параметры сценария интегрируются математически
Последовательность реализации	Последовательность определяется "на основе опыта"	Денежный поток и рентабельность инвестиций реализуются позже, чем необходимо	Находит последовательность с максимальным эффектом и минимальным блокированием
Издержки, связанные с возможностью	Не видны, поскольку рассматривается только окупаемость проекта	Упущенные рыночные окна, упущенный эффект масштаба	Сравнивает пути инвестиций и показывает упущенные выгоды
Затраты на изменения и доработку	Изменения не управляются как модель затрат	Переделки, перепланирование, дополнительные сделки/партнеры	Оценка надежности: решения, которые вызывают меньше "переделок"

Конкретный пример: "быстрые решения" часто обходятся дорого

Классический сценарий из портфельной практики:

• Проект А кажется ТОП-проектом, потому что на бумаге его рентабельность самая высокая.
• Однако проект A на ранних этапах задействует критически важные ресурсы и бюджет.
• Это задерживает два меньших проекта (B и C), которые вместе обеспечили бы более быстрый денежный поток и более стабильную структуру рисков.

Результат: проект A выигрывает в Excel - в реальности портфель теряет время, денежный поток и гибкость.

mAInthink не только рассчитывает, "какой проект выглядит лучше", но и определяет, какой путь инвестирования достигает наилучшего общего эффекта в условиях реальных ограничений.

Ключевой момент для лиц, принимающих решения

Время расчетов - это фактор затрат, а неправильные решения - мультипликатор.

Данные на входе. Максимальная рентабельность инвестиций. Без подсказок. Без создания стратегии.

Подход mAInthink и алгоритмического решения StratePlan заведомо ясен и практичен:

Клиент предоставляет свою стратегию проекта - мы проводим оптимизацию.

Для этого mAInthink нужны только существующие данные планирования клиента, например, в виде:

• Файлы XLS / Excel
• JSON-файлы

Никаких подсказок, никаких текстовых инструкций ИИ и никаких семантических интерпретаций не требуется. StratePlan работает на основе данных и моделей, а не на основе подсказок.

Важный принцип: стратегия исходит от заказчика

mAInthink не создает стратегию проекта. Это сознательное и главное решение при проектировании.

Почему? Потому что генеральный директор, финансовый директор, руководитель проекта или руководитель уровня C:

• знают свои рынки
• понимают свои риски
• могут оценить нормативные, политические и операционные условия

Никакой ИИ не может и не должен заменить эти знания рынка и контекста.

Наша задача заключается в другом:
Мы проверяем существующую стратегию - и в целом оптимизируем ее.

Валидация и оптимизация вместо переосмысления

Более чем в 95 % случаев оказывается, что существующие стратегии проектов или инвестиций

• не имеют оптимальной математической приоритетности
• Не полностью учитывают зависимости
• Упускаются из виду альтернативные издержки

Результат:

Оптимизация, как правило, составляет от 10 % до 60 %+
с точки зрения рентабельности инвестиций, сроков поступления денежных средств или структуры рисков - без изменения содержания стратегии.

Динамичные рынки = динамичная стратегия

Рынки меняются. Меняются бюджеты. Меняются риски.

Вот почему создатель стратегии может

• загрузить адаптированный план
• интегрировать новые предположения или ограничения
• отразить изменившуюся рыночную ситуацию

Затем StratePlan пересчитывает оптимизированную или подтвержденную стратегию.

В этом смысле StratePlan - это своего рода GPS для бизнеса:
Независимо от того, идет ли речь о корректировке цен, изменении рынка или новых рамочных условиях - система всегда рассчитывает наилучшую стартовую позицию для принятия обоснованных решений генеральным директором.

Почему аргумент "ROI не соответствует реальности" не работает

Распространенным аргументом является то, что оптимизированный ROI может уменьшиться в реальности из-за внешних обстоятельств.

Это верно - но применимо к любому методу, включая традиционные инструменты.

Решающее различие:

Сценарий	Классическое планирование	Оптимизация StratePlan
Расчетная рентабельность инвестиций (планирование)	7 %	35 %
Внешние воздействия во время внедрения	-4 %	-8 %
Реальная рентабельность инвестиций после внедрения	3 %	27 %

Оба подхода зависят от изменений на рынке. Разница заключается в отправной точке.

Даже если часть оптимизированного ROI теряется из-за внешних факторов, результат обычно остается значительно выше уровня классических расчетов.

Заключение

StratePlan не заменяет стратегию - он делает ее лучше.

Ваша стратегия остается вашей стратегией.
Наши алгоритмы гарантируют, что вы получите максимум от нее в условиях реальных ограничений.

Данные на входе. Максимальная рентабельность инвестиций.

Внешние исследования подтверждают смену парадигмы

Ведущие экономические и исследовательские институты независимо друг от друга пришли к однозначному однозначному выводу: традиционные финансовые модели и модели планирования систематически достигают своих при принятии сложных инвестиционных решений систематически достигают своего предела.

Исследования McKinsey & Company, Bain & Company и ОЭСР показывают, что компании с капиталом, основанным на данных и моделях Добиваются значительно лучших результатов, чем те, которые полагаются на оценки отдельных проектов, линейные оценки отдельных проектов или линейные модели Excel.

Исследование д-ра Игоря Кадощука по теме NP-трудные задачи финансового менеджмента обеспечивают математическую Многие реальные инвестиционные решения представляют собой точные оптимизационные задачи, которые не могут быть полностью решены классическими методами.

Избранные ссылки

• McKinsey & Company (2023). Отчет об оптимизированном распределении капитала.
• PwC (2022). Стратегии управления рисками для достижения конкурентных преимуществ.
• Кадощук, И.Т. (2021). Экспериментальные алгоритмы решения NP-трудных задач финансового менеджмента.
• Кадощук, И.Т. (2018). Вершины, которые мы выбираем.
• Harvard Business Review (2021, 2023).
• MIT Sloan Management Review (2023).
• Всемирный экономический форум (2022).

Источники и ссылки

1. Всемирный экономический форум (2023) - Как искусственный интеллект изменит процесс принятия решений
   https://www.weforum.org/stories/2023/09/how-artificial-intelligence-will-transform-decision-making/
2. Всемирный экономический форум (2025) - Инвестиционные компании могут ответственно использовать ИИ, чтобы получить преимущество
   https://www.weforum.org/stories/2025/02/ai-redefine-investment-strategy-generate-value-financial-firms/
3. Всемирный экономический форум (2025) - Искусственный интеллект в финансовых услугах (отчет в формате PDF)
   https://reports.weforum.org/docs/WEF_Artificial_Intelligence_in_Financial_Services_2025.pdf
4. Bain & Company (2025) - Будущее финансового планирования - автономность
   https://www.bain.com/insights/the-future-of-financial-planning-is-autonomous/
5. SSRN (2023) - Роль искусственного интеллекта в принятии финансовых решений... (Abstract/Download Page)
   https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4628237
6. Академический PDF (вторичная ссылка) - Принятие решений на основе данных (PDF-хост)
   https://prosiding.areai.or.id/index.php/ICEAT/article/download/54/79/322
7. Журнал Al-Basaer (вторичное исследование PDF) - Интеграция искусственного интеллекта в финансовое планирование (скачать PDF)
   https://www.albasaer.org/index.php/abjbr/article/download/21/6/192

StratePlan на практике: чего нельзя добиться традиционным планированием

Многие компании и организации располагают хорошими данными, опытными лицами, принимающими решения, и устоявшимися процедурами планирования. Несмотря на это, регулярно возникают неоптимальные портфели, задержки в реализации и ненужные капиталовложения. Причина редко кроется в недостатке информации, а скорее в ограниченности классических инструментов и моделей мышления перед лицом высокой сложности.

1) Проектное и финансовое планирование - это проблема расчетов, а не интуиции

Традиционное финансовое планирование часто терпит неудачу из-за структурных факторов: разрозненных решений, несогласованных приоритетов, Упрощения в моделях и эмоциональные или политически мотивированные индивидуальные решения. В сложных проектных ландшафтах результат не является "неправильным", но редко бывает оптимальным.

Именно здесь на помощь приходит StratePlan: Он отображает решения в виде вычисляемой модели и оптимизирует распределение капитала и проектов в условиях реальных ограничений.

2) Почему оптимизация быстро становится "NP-трудной"

Реальные проектные и инвестиционные решения редко бывают линейными. Как только появляются зависимости, бюджеты, мощности, сроки, риски и Альтернативы (например, варианты проектов), пространство поиска растет экспоненциально. Многие из этих классов задач являются NP-трудными - это означает, что точный расчет всех комбинаций теоретически возможен, но на практике часто нереален.

Следствие: если вы все же хотите вычислить "абсолютно точно", вы платите за это неподъемным временем вычислений.

3) Почему 100-процентная точность не имеет смысла на практике

Для 100-процентного вычисления потребовалось бы полностью перечислить и оценить все возможные комбинации. Начиная с определенного Определенного порядка величины, это становится чистой теорией. Именно поэтому StratePlan опирается на сочетание математических методов и экспериментальных/гибридных алгоритмов оптимизации, которые обеспечивают очень высокий уровень точности на практике - при приемлемом Время вычислений.

Результат: решения просчитываются не "как-то быстрее", а с такой глубиной, которой классические инструменты обычно не достигают обычно не достигают.

4) Гибридные алгоритмы вместо логики Excel или оперативного ИИ

StratePlan - это не генеративный текстовый ИИ. Он не интерпретирует подсказки и не генерирует "вероятные ответы". Система работает на основе данных и моделей и сочетает в себе

• классическую математическую оптимизацию
• алгоритмический поиск и эвристику
• масштабируемое распараллеливание (многопоточные вычисления)

В результате получается система оптимизации, которая вычисляет последовательно - вместо "угадывания".

5) Скорость - это фактор успеха, а не просто удобство

На динамичных рынках важен не только лучший портфель, но и правильный выбор времени. StratePlan ускоряет принятие решений, быстро просчитывая сложные сценарии и обеспечивая итеративную оптимизацию.

Практическая польза: Возможности могут быть использованы до того, как рамочные условия снова изменятся.

6) StratePlan как слой проверки и оптимизации (стратегия остается на уровне C)

Главный принцип: mAInthink не создает стратегию проекта. Генеральный директор, финансовый директор или менеджер проекта могут сделать это лучше, потому что они знают рынки, Цели, политические условия и операционные ограничения.

Клиент предоставляет свою стратегию в виде модели данных - обычно в формате XLS или JSON:

• Данные: Список проектов, бюджеты, зависимости, ограничения, цели
• Выходные данные: проверка, расстановка приоритетов, оптимальная последовательность, распределение бюджета, результаты сценариев

На практике очень часто бывает так, что даже хорошие стратегии можно измеримо улучшить за счет оптимизации (например, за счет лучшей последовательности, распознавания скрытых альтернативных затрат или более надежного структурирования с учетом рисков).

7) Итерация вместо одноразового плана: StratePlan как "бизнес GPS"

Рынки, затраты, цепочки поставок, процентные ставки и политические условия меняются. Поэтому стратегия не должна быть "идеальной один раз", но должна постоянно обновляться.

В этом смысле StratePlan - это GPS для бизнеса:

• Адаптация стратегии
• загрузить новый файл
• пересчитать
• получить оптимизированную отправную точку для принятия новых решений

Таким образом, планирование сохраняет способность действовать даже в случае изменения курса и появления новых ограничений.

8) Окупаемость инвестиций динамична - это относится ко всем методам (разница заключается в отправной точке)

Типичный контраргумент заключается в том, что оптимизация может уменьшиться в реальности из-за внешних обстоятельств. Это правда, но это относится к любому методу планирования, включая классические инструменты. Решающим фактором является отправная точка.

Пример	Классическое планирование	Оптимизированный StratePlan
Рассчитанная рентабельность инвестиций (план)	9 %	42 %
Внешние воздействия во время реализации	-5 %	-10 %
Реальный возврат инвестиций после внедрения	4 %	32 %

Оба подхода имеют отклонения от реальности. Разница в том, что более высокая, оптимизированная стартовая позиция, как правило, остается обычно остается выше результата классических расчетов.

9) "Ноль галлюцинаций" - потому что StratePlan рассчитывает, а не интерпретирует

StratePlan не вызывает галлюцинаций, потому что он не "отвечает" на основе текста. Он не генерирует свободные интерпретации, а вычисляет Результаты на основе определенной модели данных (идентификаторы, числа, ограничения). Это означает, что результат детерминированно отслеживается и может быть проверен внутри компании.

Свяжитесь с нами прямо сейчас