Обоснование. В статье рассматривается проблема недостаточной функциональности существующих low-code платформ в части поддержки принятия решений при управлении грузовыми перевозками. Показано, что рост объемов транспортной работы в РФ (на 5,5% в 2024 г.) при одновременном увеличении доли коротких маршрутов и остром кадровом дефиците (нехватка порядка 1 млн специалистов) формирует потребность в новых подходах к автоматизации диспетчерского управления. Установлено, что современные low-code платформы ориентированы преимущественно на учетно-регистрационные функции и не интегрируют алгоритмы оптимизации с инструментами визуализации, а используемые изолированно kanban-доски не обеспечивают замкнутого контура обучения на основе экспертных решений. Цель – разработка и исследование архитектуры low-code платформы гибридного интеллекта, интегрирующей kanban-доски для визуализации статусов перевозок и поддержки принятия решений диспетчером Материалы и методы. В ходе работы применен системный анализ для выявления функциональных пробелов существующих решений. Проектирование архитектуры выполнено с использованием модульного подхода и нотации моделирования бизнес-процессов BPMN 2.0. Для верификации предложенных решений использован метод кейс-стади на примере региональной транспортной компании. Результаты. В данной статье предложена трёхслойная архитектура, включающая уровень low-code конфигурации (kanban-доска с WIP-лимитами, визуальный редактор маршрутов), уровень гибридного интеллекта (ML-модуль оптимизации, LLM-модуль генерации объяснений, оркестратор решений, модуль имитационного моделирования) и уровень данных и интеграции.
Background. The article examines the problem of insufficient functionality of existing low-code platforms in terms of decision support for freight transportation management. It is shown that the growth in freight traffic volume in the Russian Federation (by 5.5% in 2024), coupled with an increase in the share of short-haul routes and an acute personnel shortage (a deficit of about 1 million specialists), creates a need for new approaches to the automation of dispatching management. It has been established that modern low-code platforms are primarily focused on accounting and registration functions and do not integrate optimization algorithms with visualization tools, while Kanban boards, used in isolation, do not provide a closed-loop learning system based on expert decisions. Purpose. Development and research of the architecture of a low-code platform with hybrid intelligence that integrates Kanban boards for visualizing transportation statuses and supporting dispatcher decision-making. Materials and methods. The study employed a systems analysis approach to identify functional gaps in existing solutions. The architecture was designed using a modular approach and the BPMN 2.0 business process modeling notation. A case study method involving a regional transport company was used to verify the proposed solutions. Results. This article proposes a three-layer architecture that includes a low-code configuration layer (a Kanban board with WIP limits, a visual route editor), a hybrid intelligence layer (an ML optimization module, an LLM explanation generation module, a decision orchestrator, a simulation modeling module), and a data and integration layer.