Нечеткие экспертные системы

В результате изучения данной главы студент должен: знать

• • место экспертных методов и элементов интеллектуального анализа данных в системах поддержки принятия решений;
• • структуру системы нечеткого управления;
• • отличия основных алгоритмов нечеткого вывода; уметь
• • определять этапы и разновидности алгоритмов нечеткого вывода; владеть
• • приемами построения нечетких экспертных систем и возможностями их использования в целях поддержки принятия управленческих решений.

Ключевые слова Мягкие вычисления, бизнес-аналитика, нечеткая экспертная система, алгоритм нечеткого вывода.

Актуальность использования методов интеллектуального анализа данных в системах поддержки принятия решений

Наличие корпоративной информационной системы (КИС) является неотъемлемым условием успешного развития современной организации. Ведение хозяйственной деятельности, в том числе реализация функций стратегического планирования, оперативного контроля, взаимодействия с внешним миром способствует развитию в рамках компании сложной ИС.

Определение.

Корпоративная информационная система организации представляет собой взаимосвязанную совокупность средств, методов и персонала, используемых для хранения, обработки и представления информации в интересах достижения поставленной цели.

Формирующиеся информационные потоки имеют различные характеристики, направленность, конечных пользователей. Характерными особенностями обладают потоки, складывающиеся в рамках непрерывного процесса принятия управленческого решения (УР) в организации, которому свойственны низкая степень формализации и необходимость учета различного рода неопределенностей. Среди особенностей процесса выработки УР можно выделить следующие:

• • использование инструментов перспективного анализа: планирование, прогнозирование;
• • использование различного рода количественных (в том числе неденежных) и качественных показателей;
• • использование не только документально подтвержденных сведений, но и мнений экспертов, предположений.

Формирование допустимого множества УР в конкретной ситуации и выбор оптимального варианта среди альтернатив являются ключевыми задачами управленческого персонала, от качества решения которых зависит успешность компании.

Именно поэтому на уровне отдельной организации, предприятия, фирмы могут создаваться специальные СППР, основной целью которых является помощь лицу, принимающему решение, в принятии обоснованного управленческого решения.

Обратите внимание!

Система поддержки принятия решений, как правило, содержит две части:

• • методологические основы поддержки принятия решений — часть 1;
• • собственно (корпоративная) информационная система (КИС) — часть 2.

Основным содержанием части 1 системы поддержки принятия решений является предоставление Л ПР информации и рекомендаций, используемых и необходимых для принятия тех или иных управленческих решений, — нормативной, методологической, статистической (по источникам) и т. д. Содержанием же части 2 системы являются конкретные методы и модели, по возможности предполагающие использование информационных технологий и программного обеспечения, а также обеспечивающие информационную поддержку ЛПР для формирования обоснованного управленческого решения. Собственно информационная система поддержки принятия решений в современных условиях зачастую является автоматизированной, и в ряде случаев рассматривается как самостоятельная система поддержки принятий решений, без учета ее части 1 «Методологические основы поддержки принятия решений».

В целях формализации, структурирования и обработки значительных объемов разнородной информации в рамках КИС целесообразно выделение отдельных блоков, которые в первую очередь имеют своей целью информационную поддержку СППР, состав которых определяется спецификой сферы деятельности компании и задачами, решаемыми ее менеджментом^[1].

Обратите внимание!

Структура КИС может включать отдельные блоки, обеспечивающие информационную поддержку СППР, состав которых определяется спецификой сферы деятельности и решаемыми задачами.

Принципам и назначению систем, обеспечивающих поддержку управленческих решений в условиях высокой неопределенности, характерной для ведения бизнеса, в наибольшей степени соответствуют методы интеллектуального анализа данных (ИЛД), которые позволяют обрабатывать неточную, трудно формализуемую информацию, выявлять закономерности и обобщать знания, моделируя экспертную деятельность.

Мировые лидеры в разработке КИС высокого уровня, такие как Oracle, SAP, ориентируются на стандарты построения комплексных систем управления предприятием, которые обобщены в так называемых ?7?Р-системах разного уровня. Тем не менее, и отечественные КИС, и зарубежные системы непосредственно не ориентированы на использование широкого спектра методов ИАД и ограничиваются лишь базовыми статистическими и экспертными модулями. Решение задачи расширения аналитических возможностей КИС с использованием методов математического программирования, инструментария гибридных систем (нейронные сети, нечеткие множества, эволюционные вычисления) берут на себя специализированные программные продукты, интегрируемые с КИС, использующие базы данных корпоративной системы. Примерами таких решений могут быть продукты компании Cognos для SAP и Oracle, решения NeroShell и BrainMaker и т. д., из отечественных продуктов — Deductor, продукты компании «Форексис», ряд других программ^[2].

Историческая справка Первые труды 1960— 1970;х гг., посвященные экспертным системам, акцентировались на использовании элементов искусственного интеллекта и естественного языка для представления и обработки информации.

В дальнейшем, в 1980;е гг. в рамках практической коммерческой реализации экспертных систем фокус исследований значительно сместился в сторону использования математически и концептуально более простых моделей, которые обладают легкостью практического использования. Однако подобная методология исследования операций подвергалась критике за невозможность решать проблемы, возникающие в реальном мире, за упрощение моделей и за чрезмерное увлечение математическими изысканиями, которые не всегда находили практическую реализацию.

Таким образом, стала очевидна потребность в возврате к использованию методов ИАД, и были предложены модели и алгоритмы, основанные на теории нечетких множеств (ТНМ), которые в большей степени соответствуют решению практических задач управления.

В настоящий момент самостоятельными актуальными задачами являются адаптация разработанных методов ИАД к специфическим условиям деятельности конкретной компании и выделение достаточного объема ресурсов для поддержки и своевременного пополнения КИС максимальным объемом необходимой информации^[3].

В настоящее время происходит процесс трансформации науки управления и исследования операций под воздействием подходов к анализу данных и моделированию, свойственных направлению оизнес-аналитики, которой уделяется значительное внимание в корпоративном управлении.

Определение.

Бизнес-аналитика — направление, ориентированное на выработку новых подходов и решений, позволяющих повысить эффективность бизнеса, опирающееся на информационные системы, которые обеспечивают максимально широкие возможности обработки данных, информации, знаний в реальном времени.

Как следствие, методы ТНМ или даже более широкий класс методов, определяемый как мягкие вычисления (МВ), могут быть встроены в процесс принятия управленческих решений.

Обратите внимание!

Основной аргумент в пользу использования мягких вычислений: МВ позволяют решать практические задачи управления с приемлемой точностью и при этом они строятся на принципах математической теории.

Факторы, стимулирующие развитие бизнес-аналитики:

• • наличие большого объема данных;
• • высокий уровень развития программных средства анализа;
• • ориентация компаний на использование элементов бизнес-анализа;
• • высокий уровень технической грамотности менеджеров, которые в повседневной деятельности способны применять информационные технологии анализа данных, в том числе благодаря дружественному интерфейсу СПО, позволяющему ЛПР, не обладающему глубокими математическими знаниями, эффективно использовать разнообразные модели и алгоритмы анализа.

Развитие бизнес-аналитики предоставляет широкие возможности по использованию элементов мягких вычислений в рамках управления неполными, неточными данными.

Для решения проблем управления, с которыми приходится сталкиваться в реальном мире, недостаточно классических моделей, опирающихся на использование точных значений и четкого описания объектов предметной области, так как человек мыслит неточными, нечеткими, качественными категориями, что в том числе необходимо для реализации функций обобщения информации, выявления наиболее актуальной информации и знаний из больших массивов.

Один из примеров использования МВ в рамках поддержки принятия решений в сфере бизнеса — применение нечетких реальных опционов для оценки степени финансовой предпочтительности набора альтернатив (например, закрывать бизнес, не закрывать или закрыть в определенный момент позже).

Метод реальных опционов требователен к объему и качеству исходных данных для корректного применения математических моделей, что в большей степени справедливо для финансовых опционов, где благодаря большому объему статистических данных могут быть оценены характеристики вероятностных процессов. Применительно к задачам управления бизнесом параметры реального опциона могут быть определены лишь на основе экспортных оценок, носящих характер качественного представления, неполноты, субъективизма^[4].

• [1] Специфика сферы деятельности и состав решаемых задач также определяют содержаиие части 1 СППР «Методологические основы поддержки принятия решений».
• [2] Забоев М. В. Использование методов интеллектуального анализа данных для принятияуправленческих решений // Модернизация экономики: проблемы и перспективы. Материалы Юбилейной международной научной конференции экономического факультета СПбГУ.СПб., 2010.
• [3] Graham /. Fuzzy logic in commercial expert systems — Results and prospects // Fuzzy Setsand Systems. 1991. Vol. 40. P. 451—472.
• [4] Carlsson С. Soft computing in analytics: handling imprecision and uncertainty in strategicdecision // Fuzzy economic review. November 2012. Vol. XVII. № 2. P. 2—21.