Research on the architecture of a low-code platform for hybrid intelligence with the implementation of the Kanban method for decision support in transportation management

Alla E. Krivonogova *
Kazan (Volga region) Federal University, Naberezhnye Chelny Institute (Naberezhnye Chelny, Russian Federation).
Email: web.programmer2001@gmail.com ORCID 0000-0002-3869-7902
Alexey G. Isavnin
Kazan (Volga region) Federal University, Naberezhnye Chelny Institute (Naberezhnye Chelny, Russian Federation).
Email: isavnin@mail.ru ORCID 0000-0001-6413-3329

* — corresponding author

SECTION: Information Technologies in the Transportation Industry

DOI: 10.12731/3033-5965-2026-16-1-415

EDN: LNOOIG

Vol. 16, No. 1, pp. 132–149

Received: 01.02.2026 | Revised: 05.03.2026 | Accepted: 11.03.2026 | Published: 16.03.2026

© 2026 A.E. Krivonogova, A.G. Isavnin. CC BY-NC-ND 4.0

Abstract

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.

Keywords

low-code platform, hybrid intelligence, Kanban board, decision support, transportation management, TMS, machine learning, simulation modeling

Исследование архитектуры low-code платформы гибридного интеллекта с внедрением метода Kanban для поддержки принятия решений в управлении перевозками

Кривоногова Алла Евгеньевна *
Набережночелнинский институт Казанского (Приволжского) федерального университета (Набережные Челны, Российская Федерация).
Email: web.programmer2001@gmail.com ORCID 0000-0002-3869-7902
Исавнин Алексей Геннадьевич
Набережночелнинский институт Казанского (Приволжского) федерального университета (Набережные Челны, Российская Федерация).
Email: isavnin@mail.ru ORCID 0000-0001-6413-3329

* — корреспондирующий автор

РУБРИКА: Информационные технологии в транспортной отрасли

DOI: 10.12731/3033-5965-2026-16-1-415

EDN: LNOOIG

Т. 16, № 1, с. 132–149

Поступила: 01.02.2026 | Исправлена: 05.03.2026 | Принята: 11.03.2026 | Опубликована: 16.03.2026

© 2026 А.Е. Кривоногова, А.Г. Исавнин. CC BY-NC-ND 4.0

Аннотация

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.

Ключевые слова

low-code платформа, гибридный интеллект, kanban-доска, поддержка принятия решений, управление перевозками, TMS, машинное обучение, имитационное моделирование

Список литературы

1.      ТАСС. (2025, 7 февраля). Перевозки грузов транспортом в РФ за 2024 год выросли на 5,5 %. Получено 16 февраля 2026 г., с: https://tass.ru/ekonomika/23084489.

2.      Ковалева, Н. А., & Муленко, О. В. (2020). Логистика в организации автомобильных перевозок грузов с использованием современных информационных систем. В: Транспорт: наука, образование, производство: Сборник научных трудов Международной научно‑практической конференции (Т. 3, с. 140–144). Ростовский государственный университет путей сообщения. EDN: https://elibrary.ru/XDSHDA

3.      Лозовая, О. В. (2020). Оптимизация работы органов управления автотранспортными перевозками в регионе. В: Роль аграрной науки в устойчивом развитии сельских территорий: Сборник V Всероссийской (национальной) научной конференции (с. 411–414). Издательский центр Новосибирского государственного аграрного университета «Золотой колос». EDN: https://elibrary.ru/KLIWCR

4.      Известия. (2025, 10 августа). Логистической отрасли не хватает порядка миллиона сотрудников. Получено 16 февраля 2026 г., с: https://iz.ru/1753365/2025-08-10/logisticheskoi-otrasli-ne-khvataet-poriadka-milliona-sotrudnikov

5.      Яковлев, Г. С., & Иванов, Ф. Ф. (2020). Использование low‑code платформ при переходе на процессный подход в создании автоматизированных систем. Вестник КРАУНЦ. Физико‑математические науки, 30(1), 120–126. https://doi.org/10.26117/2079-6641-2020-30-1-120-126. EDN: https://elibrary.ru/TDGZHM

6.      Рыжов, А. П. (2022). Проблемы разработки систем гибридного интеллекта. Интеллектуальные системы. Теория и приложения, 26(1), 385–389. EDN: https://elibrary.ru/SRPFHY

7.      Мухтар, А. Ш., & Тимофеева, Г. А. (2025). Оптимизация транспортных маршрутов в развивающихся странах на основе графовых моделей. Вестник науки, 5(6‑1(87)), 1019–1027. EDN: https://elibrary.ru/WTBYSH

8.      Батина, М. Ю., & Торосян, Е. К. (2023). Особенности проектного управления в логистике. В: XII Конгресс молодых учёных: Сборник научных трудов (с. 82–85). Национальный исследовательский университет ИТМО. EDN: https://elibrary.ru/ADEVCQ

9.      Пряничников, И. С., Антонов, М. А., & Никонова, Я. И. (2022). Применение цифровых технологий в транспортно‑логистической отрасли. В: Социальные и гуманитарные науки в условиях вызовов современности: Материалы II Всероссийской научно‑практической конференции молодых учёных с международным участием (Т. 1, с. 248–251). Комсомольский‑на‑Амуре государственный университет. EDN: https://elibrary.ru/COSKSF

10.  Панайотов, К. К., & Панайотова, А. Н. (2025). Актуальные проблемы оптимизации грузовых автоперевозок с использованием методов имитационного моделирования. В: Новые исследования новой эпохи. Опыт теоретического и эмпирического анализа (с. 28–52). Международный центр научного партнёрства «Новая Наука». EDN: https://elibrary.ru/MRIDCU

11.  Никифорович, А. А., & Зарипова, Р. С. (2022). Использование имитационного моделирования для управления транспортными потоками. В: Наука и творчество: вклад молодёжи: Сборник материалов Всероссийской молодёжной научно‑практической конференции студентов, аспирантов и молодых учёных (с. 239–242). Типография ФОРМАТ. EDN: https://elibrary.ru/KXGPOH

12.  Таишева, Г. Р., & Гимадеев, Р. А. (2023). Использование систем поддержки принятия решений в задачах бизнес‑планирования логистических процессов. Russian Economic Bulletin, 6(3), 338–342. EDN: https://elibrary.ru/EUTMJP

13.  Чижиков, Д. Д. (2025). Внедрение инструментов оптимизации бизнес‑процессов. Вестник Белгородского университета кооперации, экономики и права, (2), 137–150. https://doi.org/10.21295/2223-5639-2025-2-137-150. EDN: https://elibrary.ru/CKFVMN

14.  Казаков, О. Д., & Азаренко, Н. Ю. (2020). Комбинирование методов машинного обучения и имитационного моделирования социально‑экономических процессов в системах поддержки принятия решений. Вестник Рязанского государственного радиотехнического университета, (71), 97–107. https://doi.org/10.21667/1995-4565-2020-71-97-107. EDN: https://elibrary.ru/NZTTJF

15.  Anggoro, K., & Angga Negoro, D. (2023). Kanban Digital dan Real‑Time Reporting untuk Production Planning Control. Cakrawala Repositori IMWI, 6(1), 75–84. https://doi.org/10.52851/cakrawala.v6i1.183. EDN: https://elibrary.ru/VOXDGG

16.  Rakayeva, A. N. (2024). Optimizing Business Processes with AI, BPMN 2.0, and Workflow Management Systems. Ekonomicheskaya seriya Vestnika ENU im. L.N. Gumileva [Economic Series of the L.N. Gumilyov ENU Bulletin], (4), 129–142. https://doi.org/10.32523/2789-4320-2024-4-129-142. EDN: https://elibrary.ru/VWWZIJ

17.  Research on the Human‑machine Hybrid Decision‑making Strategy Basing on the Hybrid‑augmented Intelligence. (2025). Jixie Gongcheng Xuebao [Journal of Mechanical Engineering], 61(10), 288. https://doi.org/10.3901/jme.2025.10.288. EDN: https://elibrary.ru/VSEKQE

18.  Kavka, L., Kodym, O., & Cempírek, V. (2018). Smart units in control of logistics processes. В: 18th International Multidisciplinary Scientific GeoConference SGEM 2018: Conference proceedings (Vol. 18, pp. 701–708). STEF92 Technology. https://doi.org/10.5593/sgem2018/2.1/S07.089. EDN: https://elibrary.ru/GHXNIG

19.  Miasnikov, D., & Mikhajlov, F. (2025). Digital technologies in the personnel management system in conditions of personnel shortage. В: Proceedings of the International Scientific Conference “Digital Future: Science, Education, and Innovative Development of Socio‑Economic Systems” (Samara, 23–24 мая 2025 года) (Vol. 1552, pp. 153–160). https://doi.org/10.1007/978-3-031-99598-9_23. EDN: https://elibrary.ru/PHJZZG

20.  Isavnin, A., Kosorukova, I., Madaminov, I., Laxmi, L., & Satapathy, S. (2024). Analysis of banking and financial sector services using artificial intelligence (AI). Lecture Notes in Networks and Systems, 1056, 121–128. https://doi.org/10.1007/978-981-97-4892-1_10. EDN: https://elibrary.ru/FKAZEY

21.  Begishev, I., Isavnin, A., Nedelkin, A., Lydia, L. E., & Kumar, K. V. (2024). AI and IoT in smart cities: A methodology, transformation, and challenges. Lecture Notes in Networks and Systems, 1057, 305–318. https://doi.org/10.1007/978-981-97-4895-2_25. EDN: https://elibrary.ru/FROVWX

References

1.      TASS. (2025, February 7). Freight transportation in the Russian Federation increased by 5.5 % in 2024. Retrieved February 16, 2026, from: https://tass.ru/ekonomika/23084489.

2.      Kovaleva, N. A., & Mulenko, O. V. (2020). Logistics in organizing road freight transportation using modern information systems. In Transport: science, education, production: Proceedings of the International Scientific and Practical Conference (Vol. 3, pp. 140–144). Rostov State Transport University. EDN: https://elibrary.ru/XDSHDA

3.      Lozovaya, O. V. (2020). Optimizing the work of road transport management bodies in the region. In The role of agricultural science in sustainable rural development: Proceedings of the 5th All‑Russian (national) scientific conference (pp. 411–414). Publishing Center of Novosibirsk State Agrarian University “Zolotoy Kolos”. EDN: https://elibrary.ru/KLIWCR

4.      Izvestia. (2025, August 10). The logistics industry lacks about one million employees. Retrieved February 16, 2026, from: https://iz.ru/1753365/2025-08-10/logisticheskoi-otrasli-ne-khvataet-poriadka-milliona-sotrudnikov

5.      Yakovlev, G. S., & Ivanov, F. F. (2020). Using low‑code platforms when transitioning to a process‑based approach in developing automated systems. Bulletin of the KRAUNTS. Physical and Mathematical Sciences, 30(1), 120–126. https://doi.org/10.26117/2079-6641-2020-30-1-120-126. EDN: https://elibrary.ru/TDGZHM

6.      Ryzhov, A. P. (2022). Problems of developing hybrid intelligence systems. Intelligent Systems. Theory and Applications, 26(1), 385–389. EDN: https://elibrary.ru/SRPFHY

7.      Mukhtar, A. Sh., & Timofeeva, G. A. (2025). Optimizing transport routes in developing countries using graph models. Bulletin of Science, 5(6‑1(87)), 1019–1027. EDN: https://elibrary.ru/WTBYSH

8.      Batina, M. Yu., & Torosyan, E. K. (2023). Features of project management in logistics. In 12th Congress of Young Scientists: Proceedings (pp. 82–85). ITMO National Research University. EDN: https://elibrary.ru/ADEVCQ

9.      Pryanichnikov, I. S., Antonov, M. A., & Nikonova, Ya. I. (2022). Applying digital technologies in the transport and logistics industry. In Social and humanities in the face of modern challenges: Proceedings of the 2nd All‑Russian Scientific and Practical Conference of Young Researchers with International Participation (Vol. 1, pp. 248–251). Komsomolsk‑on‑Amur State University. EDN: https://elibrary.ru/COSKSF

10.  Panayotov, K. K., & Panayotova, A. N. (2025). Current issues of optimizing freight road transportation using simulation modeling methods. In New research of the new era. Experience of theoretical and empirical analysis (pp. 28–52). International Center for Scientific Partnership “New Science”. EDN: https://elibrary.ru/MRIDCU

11.  Nikiforovich, A. A., & Zaripova, R. S. (2022). Using simulation modeling to manage transport flows. In Science and creativity: youth’s contribution: Proceedings of the All‑Russian Youth Scientific and Practical Conference of Students, Postgraduates, and Young Researchers (pp. 239–242). Format Printing House. EDN: https://elibrary.ru/KXGPOH

12.  Taisheva, G. R., & Gimadeev, R. A. (2023). Using decision support systems in business planning of logistics processes. Russian Economic Bulletin, 6(3), 338–342. EDN: https://elibrary.ru/EUTMJP

13.  Chizhikov, D. D. (2025). Implementing business process optimization tools. Bulletin of Belgorod University of Cooperation, Economics and Law, (2), 137–150. https://doi.org/10.21295/2223-5639-2025-2-137-150. EDN: https://elibrary.ru/CKFVMN

14.  Kazakov, O. D., & Azarenko, N. Yu. (2020). Combining machine learning and simulation modeling of socio‑economic processes in decision support systems. Bulletin of Ryazan State Radio Engineering University, (71), 97–107. https://doi.org/10.21667/1995-4565-2020-71-97-107. EDN: https://elibrary.ru/NZTTJF

15.  Anggoro, K., & Angga Negoro, D. (2023). Digital kanban and real‑time reporting for production planning control. Cakrawala Repositori IMWI, 6(1), 75–84. https://doi.org/10.52851/cakrawala.v6i1.183. EDN: https://elibrary.ru/VOXDGG

16.  Rakayeva, A. N. (2024). Optimizing business processes with AI, BPMN 2.0, and workflow management systems. Economic Series of the L. N. Gumilyov ENU Bulletin, (4), 129–142. https://doi.org/10.32523/2789-4320-2024-4-129-142. EDN: https://elibrary.ru/VWWZIJ

17.  Research on the human‑machine hybrid decision‑making strategy based on hybrid augmented intelligence. (2025). Journal of Mechanical Engineering (Jixie Gongcheng Xuebao), 61(10), 288. https://doi.org/10.3901/jme.2025.10.288. EDN: https://elibrary.ru/VSEKQE

18.  Kavka, L., Kodym, O., & Cempírek, V. (2018). Smart units in control of logistics processes. In 18th International Multidisciplinary Scientific GeoConference SGEM 2018: Conference proceedings (Vol. 18, pp. 701–708). STEF92 Technology. https://doi.org/10.5593/sgem2018/2.1/S07.089. EDN: https://elibrary.ru/GHXNIG

19.  Miasnikov, D., & Mikhajlov, F. (2025). Digital technologies in the personnel management system in conditions of personnel shortage. In Proceedings of the International Scientific Conference “Digital Future: Science, Education, and Innovative Development of Socio‑Economic Systems” (Samara, May 23–24, 2025) (Vol. 1552, pp. 153–160). https://doi.org/10.1007/978-3-031-99598-9_23. EDN: https://elibrary.ru/PHJZZG

20.  Isavnin, A., Kosorukova, I., Madaminov, I., Laxmi, L., & Satapathy, S. (2024). Analysis of banking and financial sector services using artificial intelligence (AI). Lecture Notes in Networks and Systems, 1056, 121–128. https://doi.org/10.1007/978-981-97-4892-1_10. EDN: https://elibrary.ru/FKAZEY

21.  Begishev, I., Isavnin, A., Nedelkin, A., Lydia, L. E., & Kumar, K. V. (2024). AI and IoT in smart cities: A methodology, transformation, and challenges. Lecture Notes in Networks and Systems, 1057, 305–318. https://doi.org/10.1007/978-981-97-4895-2_25. EDN: https://elibrary.ru/FROVWX