статті, матеріали конференцій https://ir.lib.vntu.edu.ua//handle/123456789/1733 2026-05-25T13:58:37Z 2026-05-25T13:58:37Z Лещенко, Ю. Я. Мороз, І. І. Юхимчук, М. С. Дубовой, В. М. Leshchenko, Yu. Moroz, І. Yukhymchuk, M. Dubovoi, V. https://ir.lib.vntu.edu.ua//handle/123456789/51654 2026-05-22T11:40:30Z 2024-01-01T00:00:00Z

Порівняльний аналіз систем децентралізованої доставки останної милі Лещенко, Ю. Я.; Мороз, І. І.; Юхимчук, М. С.; Дубовой, В. М.; Leshchenko, Yu.; Moroz, І.; Yukhymchuk, M.; Dubovoi, V. Децентралізована доставка "остання миля" є сучасним підходом у сфері логістики, що оптимізує процес доставки за допомогою локальних хабів, або мікрохабів, розташованих неподалік кінцевих отримувачів. Це дозволяє скоротити відстань між хабами та місцем доставки, завдяки чому знижується час транспортування й операційні витрати. Водночас клієнти отримують свої замовлення швидше, що підвищує їхню задоволеність сервісом. Такий підхід є надзвичайно актуальним на тлі зростання популярності електронної комерції, де швидкість і точність доставки мають вирішальне значення для збереження лояльності споживачів. Однак успішне функціонування децентралізованої моделі доставки вимагає складної системи управління логістикою. На допомогу приходять технології штучного інтелекту, які дозволяють вирішувати низку завдань, таких як оптимізація маршрутів, управління запасами та прогнозування попиту. Наприклад, алгоритми машинного навчання здатні в реальному часі адаптувати маршрути кур'єрів відповідно до змін у трафіку, погодних умов і дорожньої обстановки, що зменшує витрати на паливо та скорочує кількість транспортних засобів у дорозі. Це особливо важливо для великих міських районів з інтенсивним рухом, де навіть невеликі затримки можуть значно вплинути на загальний час доставки. ШІ також грає важливу роль в управлінні запасами, дозволяючи більш точно планувати поповнення товарів в окремих локальних хабах, уникати надмірного накопичення продукції або її нестачі. Завдяки аналізу історичних даних про продажі та поведінкових моделей споживачів, системи ШІ можуть прогнозувати попит на різні категорії товарів в окремих районах. Це допомагає мінімізувати витрати на зберігання товарів і забезпечувати наявність продукції у потрібному місці та в потрібний час, що, у свою чергу, підвищує ефективність доставки. Таким чином, децентралізована модель доставки "остання миля" із залученням штучного інтелекту дозволяє логістичним компаніям значно покращити якість обслуговування, підвищити ефективність усіх логістичних процесів і зменшити негативний вплив на навколишнє середовище.; Decentralized last-mile delivery is a modern logistics approach that optimizes the delivery process by using local hubs or microhubs located near the final recipients. This reduces the distance between the hubs and the delivery location, which reduces transportation time and operating costs. At the same time, customers receive their orders faster, which increases their satisfaction with the service. This approach is extremely relevant amid the growing popularity of e-commerce, speed and accuracy of delivery are crucial to maintaining customer loyalty. However, the successful operation of a decentralized delivery model requires a sophisticated logistics management system. Artificial intelligence technologies come to the rescue to solve a number of tasks, such as route optimization, inventory management, and demand forecasting. For example, machine learning algorithms are able to adapt courier routes in real time to changes in traffic, weather conditions, and road conditions, which reduces fuel costs and reduces the number of vehicles on the road. This is especially important in large urban areas with heavy traffic, even small delays can significantly affect the overall delivery time. AI also plays an important role in inventory management, allowing for more accurate planning of replenishment of goods in individual local hubs, avoiding excessive accumulation of products or their shortage. By analyzing historical sales data and consumer behavioral patterns, AI systems can predict the demand for different categories of goods in certain areas. This helps minimize storage costs and ensure that products are available in the right place and at the right time, which in turn increases delivery efficiency. Thus, a decentralized last-mile delivery model involving artificial intelligence allows logistics companies to significantly improve the quality of service, increase the efficiency of all logistics processes, and reduce the negative impact on the environment.

2024-01-01T00:00:00Z Лещенко, Ю. Я. Мороз, І. І. Юхимчук, М. С. Лесько, В. О. Leshchenko, Yu. Moroz, І. Yukhymchuk, M. Lesko, V. https://ir.lib.vntu.edu.ua//handle/123456789/51653 2026-05-22T09:33:37Z 2024-01-01T00:00:00Z

Оптимізація децентралізованої доставки останньої милі за допомогою штучного інтелекту Лещенко, Ю. Я.; Мороз, І. І.; Юхимчук, М. С.; Лесько, В. О.; Leshchenko, Yu.; Moroz, І.; Yukhymchuk, M.; Lesko, V. В сучасних умовах розвитку електронної комерції та постійного зростання попиту на швидкі та ефективні послуги доставки, оптимізація останньої милі стає критично важливою для підвищення конкурентоспроможності логістичних компаній. Одним із ефективних рішень є впровадження децентралізованої моделі доставки, яка використовує локальні центри або мікрохаби для оптимізації маршрутів. Це рішення дає змогу скоротити час доставки до кінцевого споживача, знижуючи навантаження на центральні склади, а також підвищує гнучкість і надійність логістичної системи. Штучний інтелект (ШІ) відіграє ключову роль у підвищенні ефективності децентралізованої доставки. Завдяки аналізу великих обсягів даних в реальному часі, ШІ допомагає оптимізувати маршрути доставки, знижуючи витрати на паливо та скорочуючи кількість транспорту, що одночасно позитивно впливає на навколишнє середовище. Алгоритми машинного навчання дозволяють автоматично адаптувати маршрути відповідно до змін дорожньої ситуації, погодних умов і рівня трафіку, що особливо важливо у великих містах із насиченим рухом. Крім того, ШІ забезпечує ефективне управління запасами в локальних центрах, що дозволяє краще планувати поповнення товарів і зменшувати витрати, пов'язані зі зберіганням. Управління останньою милею за допомогою ШІ також сприяє підвищенню якості обслуговування клієнтів. Система може враховувати індивідуальні переваги споживачів, наприклад, визначати оптимальний час доставки для зручності клієнта, а також надавати точну інформацію про час прибуття кур'єра. Це не тільки підвищує рівень задоволеності клієнтів, а й зменшує ймовірність повторних доставок у разі відсутності отримувача на місці. Таким чином, децентралізована модель доставки, оптимізована за допомогою ШІ, не тільки знижує операційні витрати та покращує ефективність логістичних процесів, але й сприяє більш екологічно чистому та орієнтованому на клієнта обслуговуванню.; In today"s e-commerce environment and the ever-growing demand for fast and efficient delivery services, optimizing the last mile is becoming critical to improving the competitiveness of logistics companies. One of the most effective solutions is to implement a decentralized delivery model that uses local centers or micro hubs to optimize routes. This solution reduces the time of delivery to the end consumer, reducing the load on central warehouses, and increases the flexibility and reliability of the logistics system. Artificial intelligence (AI) plays a key role in improving the efficiency of decentralized delivery. By analyzing large amounts of data in real time, AI helps to optimize delivery routes, reducing fuel costs and reducing the number of vehicles, which at the same time has a positive impact on the environment. Machine learning algorithms allow routes to be automatically adapted to changes in traffic, weather conditions, and traffic levels, which is especially important in large cities with heavy traffic. In addition, AI ensures efficient inventory management in local centers, which allows for better planning of replenishment of goods and reduces storage costs. Lastmile management with AI also contributes to the improvement of customer service. The system can take into account individual consumer preferences, for example, determine the optimal delivery time for customer convenience, and provide accurate information about the time of arrival of the courier. This not only increases customer satisfaction, but also reduces the likelihood of repeated deliveries in case the recipient is not at the location. Thus, the decentralized delivery model optimized by AI not only reduces operational costs and improves the efficiency of logistics processes, but also contributes to a more environmentally friendly and customer-oriented service.

2024-01-01T00:00:00Z Коваленко, В. П. Ковалюк, О. О. Kovalyuk, O. https://ir.lib.vntu.edu.ua//handle/123456789/50330 2025-12-26T11:15:53Z 2025-01-01T00:00:00Z

Аналіз використання штучного інтелекту для автоматизації процесів управління інфраструктурою підприємства Коваленко, В. П.; Ковалюк, О. О.; Kovalyuk, O. This paper research the application of artificial intelligence (AI) for automating enterprise infrastructure management processes. The increasing complexity of IT systems and the volume of operational data have rendered traditional monitoring and control approaches inefficient. In response, AI-driven solutions — particularly those involving machine learning (ML), deep learning (DL), and natural language processing (NLP) — have emerged as effective tools for enhancing reliability, adaptability, and operational efficiency. The study focuses on three core areas of AI integration: resource monitoring and optimization, automation of technical support, and intelligent document processing. In resource management, ML/DL algorithms outperform rule-based systems in anomaly detection, load forecasting, and fault prevention. The use of deep reinforcement learning enables adaptive resource allocation and improved fault tolerance in dynamic environments. In technical support, NLPbased chatbots can classify tickets, generate automated responses, and self-improve over time, significantly reducing mean time to resolution and enhancing user satisfaction. Intelligent document management systems, powered by neural networks and hybrid semantic-rule-based approaches, support automated classification, data extraction, and compliance checking in real time. To guide AI adoption, a structured methodology is proposed, comprising stakeholder identification, resource and data flow analysis, model selection, and staged integration. The paper introduces the concept of AI as a full-fledged participant in business processes rather than a passive tool. Within the Augmented Intelligence paradigm, AI agents and human experts collaborate—combining algorithmic precision with ethical reasoning and creativity. The practical implementation could demonstrate that AI integration leads to measurable improvements in efficiency, responsiveness, and decision quality across infrastructure-related workflows. Furthermore, it fosters a shift toward cognitive enterprise models, in which AI agents continuously learn and adapt to evolving business requirements. The findings offer a foundation for future research on human-AI collaboration, organizational transformation, and intelligent process design.; У статті проаналізовано можливості використання штучного інтелекту (ШІ) для автоматизації процесів управління інфраструктурою підприємства. Розглянуто ключові напрями впровадження ШІ: моніторинг ІТ-ресурсів, автоматизація технічної підтримки та інтелектуальне управління документообігом. Запропоновано алгоритм аналізу бізнес-процесів та впровадженні систем на основі ШІ. Особливу увагу приділено розгляду ШІ-агентів як учасників бізнеспроцесів.

2025-01-01T00:00:00Z Kovtun, V. Yasniy, O. Kovaliuk, O. Ковтун, В. В. Ковалюк, О. О. https://ir.lib.vntu.edu.ua//handle/123456789/50329 2025-12-26T11:19:39Z 2025-01-01T00:00:00Z

Markov model of controlled load distribution in the edge-IoT subsystem Kovtun, V.; Yasniy, O.; Kovaliuk, O.; Ковтун, В. В.; Ковалюк, О. О. The article presents a hybrid Markov model of adaptive load distribution within edge-IoT subsystems operating under conditions of stochastic traffic and heterogeneous environments. The proposed approach formalises the set of admissible and critical system states and introduces a routing policy with a probabilistic guarantee of stabilisation within QoS-defined configurations. For the first time, an integral efficiency criterion is proposed, combining the probability of remaining in desirable states with the minimum probability of stabilisation under perturbations. The model enables the development of adaptive routing strategies that minimise servicing costs and enhance resilience against node degradation and traffic fluctuations. Experimental results demonstrate the superiority of the proposed approach over classical strategies (round-robin and random) in terms of average delay, resource utilisation, and the loss function. The model has practical relevance for 6G edge architectures, autonomous systems, eHealth, and critical IoT infrastructures.

2025-01-01T00:00:00Z