Данное исследование посвящено актуальной теме - потребностью предприятий в технологиях предиктивной аналитики для управления текучестью персонала. Ручной анализ кадровых отчетов требует значительных временных затрат, зависит от опыта HR-специалистов и подвержен риску субъективных ошибок. Интеллектуальные системы на основе моделей глубокого обучения позволяют выполнять прогнозирование индивидуальных и групповых рисков увольнений, выявлять ключевые факторы и формировать рекомендации по retention, повышая точность планирования и оперативность реагирования. Объектом исследования является процесс управления текучестью персонала в ОАО «РЖД».Предмет исследования - методы и алгоритмы машинного обучения, применяемые для предиктивного анализа табличных кадровых данных. Целью исследования - разработка интеллектуальной подсистемы прогнозирования рисков текучести кадров и формирования рекомендаций по их снижению, предназначенной для помощи HR-специалистам и руководителям филиалов. Для достижения поставленной цели проведен анализ деятельности объекта исследования, состава и структуры действующей информационной системы, а также перспектив использовать технологий искусственного интеллекта. Проектируемая подсистема предназначена для поддержки HR-специалистов и руководителей и не заменяет их решения: финальная ответственность полностью остаётся на специалисте. Подсистема должна загружать данные из существующей информационной системы, рассчитывать индивидуальные и групповые риски увольнений с помощью модели TabNet, выделять ключевые факторы риска, генерировать targeted рекомендации и формировать структурированные отчёты. Результаты интегрируются в ЕК-АСУТР и корпоративные дашборды для последующего анализа. В качестве интеллектуального решения использован TabNet - глубокая нейронная сеть, специально разработанная для табличных данных. TabNet использует последовательный механизм внимания (sequential attention), позволяющий на каждом шаге решения динамически выбирать наиболее информативные признаки. Это обеспечивает разреженное использование признаков и повышает обобщающую способность модели. Обучение нейронной сети проводилось на историческом наборе кадровых данных из ЕК-АСУТР ОАО «РЖД» за период 2015-2024 годов, предназначенном для решения задачи бинарной классификации риска увольнения сотрудника в ближайшие 12 месяцев. Проведена оценка эффективности внедрения подсистемы, подтверждающая оптимизацию HR-процессов, сокращение времени анализа (на 70-80%) и повышение точности прогнозов.