Россия
УДК 004.8 Искусственный интеллект
УДК 339.543 Таможенная политика. Таможенные пошлины. Системы таможенных тарифов
Актуальность исследования обусловлена критической необходимостью перехода таможенного администрирования Российской Федерации от автоматизации отдельных операций к интеллектуальным контурам поддержки принятия решений в соответствии со Стратегией развития до 2030 г. При этом сохраняется высокая цена ошибки должностного лица, растут требования к обоснованности проверок и адресности контроля. Возникает противоречие между необходимостью интеллектуализации постконтроля на основе искусственного интеллекта и высокой ответственностью инспекторов, ограниченностью времени, ростом слабых сигналов риска и недоверием к непрозрачным моделям типа «чёрного ящика». Цель работы – разработка архитектуры системы интеллектуального и объяснимого анализа рисков для контроля после выпуска товаров, ориентированной на безопасную апробацию в формате низкорискового пилота. Метод исследования базируется на проектировании четырёхконтурной микросервисной архитектуры, интегрирующей извлечение открытых сигналов, детерминированную интерпретацию искусственного интеллекта, оркестрацию действий по ситуации и интеллектуальный интерфейс к документам, а также на экономико-математическом моделировании нелинейного риск-скоринга и минимизации функции ожидаемых операционных потерь. В статье впервые обоснована концепция встроенной объяснимости, при которой контекстная компонента данных (источник, доверие, статус) обрабатывается синхронно с числовыми признаками, обеспечивая 100 % воспроизводимый трассировочный след решения. Представлена адаптивная система маршрутизации на основе атрибутированного мультиграфа, переводящая аналитический вывод в параметризованные сценарии реагирования, и когнитивная мультиагентная архитектура, симулирующая работу опытного инспектора с механизмом мета-когнитивной верификации. Показана эффективность трёхклассовой логики принятия решений, при которой промежуточный класс аналитической неопределённости обрабатывается автоматически, что снижает долю необоснованных глубоких проверок. Практическая значимость заключается в предоставлении концептуальной модели для бесшовной интеграции в действующие системы Федеральной таможенной службы Российской Федерации через защищённые API, а также в регламентации безопасного пилотирования в закрытом контуре на базе квантизованных Small Language Models. Экспериментальная апробация на синтетическом датасете подтвердила внутреннюю логическую связность архитектуры, работоспособность сквозной маршрутизации и математическую гарантию аддитивности объяснений детерминированной интерпретации искусственного интеллекта. Предложенный подход позволяет трансформировать стандартный риск-скоринг в процессуально обоснованный полуавтоматический контроль, обеспечивая юридическую значимость выводов искусственного интеллекта. Помимо таможенного администрирования, архитектура может применяться для построения доверенных систем поддержки принятия решений в других регуляторных органах, требующих верифицируемой аналитики и безопасной работы с данными.
объяснимый искусственный интеллект, постконтроль, управление рисками на основе данных, оркестрация действий, мультиагентная архитектура
1. Vijayakumar S. Technology–centric and Data‑Driven Customs Risk Management for Supply Chain Security // World Customs Journal. 2025. Vol. 19. № 1. P. 38–63.
2. Gao Q., Kuang Z. Can robotic process automation technology enable risk data analysis for customs’ post-clearance audit: a China customs case study // World Customs Journal. 2023. Vol. 17. № 2. P. 93–104.
3. Афонин П.Н., Лебедева А.Ю. Применение искусственного интеллекта для анализа массива данных, формируемых с использованием интегрированной информационной системы пункта пропуска // Вестник Российской таможенной академии. 2024. № 1. С. 97–112.
4. Прокопенко А.А. Концептуальная модель развития сквозного процесса документального и фактического таможенного контроля // Вестник Российской таможенной академии. 2024. № 1. С. 173–182.
5. Kostopoulos G., Davrazos G., Kotsiantis S. Explainable artificial intelligence–based decision support systems: a recent review // Electronics. 2024. Vol. 13. № 14. P. 2842.
6. Грызунов В.В. Формальный фреймворк для OSINT-нарушителя и защитника // Информационно-управляющие системы. 2025. № 5 (138). С. 22–34. DOIhttps://doi.org/10.31799/1684-8853-2025-5-22-34
7. Грызунов В.В., Шестаков А.В. Модель системы адаптивного управления киберполигоном МЧС России на основе операторного уравнения // Вопросы кибербезопасности. 2024. № 6. С. 140–149. DOI:https://doi.org/10.21681/2311-3456-2024-6-140-149
8. Интеллектуальная система AIVANT для поддержки пользователей и автоматизации продаж: свидетельство о государственной регистрации программы для ЭВМ № 2026619865, 08.04.2026. Заявка № 2026618861.
9. Gryzunov V.V. Model of a distributed information system solving tasks with the required probability // Information and Control Systems. 2022. № 1 (116). P. 19–29. DOIhttps://doi.org/10.31799/1684-8853-2022-1-19-29
