Лекция 12. Экспертные системы в экономике

Управление персоналом

Сценарий — «Профилирование менеджеров отдела продаж по ключевым показателям эффективности».

Определение эффективности менеджеров (удержание, поиск клиентов, эффективность коммуникаций, инкассация условной и безусловной дебиторской задолженности, удельные показатели эффективности на клиента и т. д.) представляет интерес не только с точки зрения формирования системы материального стимулирования менеджеров, но и с точки зрения эффективного нормирования параметров их деятельности.

· Алгоритм — «Деревья решений».

  Прогнозные атрибуты — ключевые показатели эффективности отдела продаж (количество ключевых клиентов, коэффициенты оттока и привлечения, упущенный доход в месяц, привлеченный доход в месяц, доход в месяц с клиента, суммарные поступления от клиентов и т. д.).

· Основные факторы — количество активных клиентов, выручка, доход, удельные показатели на клиента, эффективность коммуникации. В зависимости от прогнозных атрибутов состав факторов может существенно варьироваться.

· Пример закономерности. Менеджеры, обеспечивающие лучшие показатели инкассации дебиторской задолженности (отношение поступлений ДС к выручке), имеют коэффициент удержания больше 0,8, коэффициент привлечения больше 0,25, количество одновременно открытых сделок не более 15, но не менее 10, интенсивность событий в день не более 10, но не менее 3, количество активных клиентов в периоде от 50, но не более 100.

ЭС – компьютерная система, которая вмещает в себя опыт экспертов, который базируется на их знаниях в определенной отрасли. Она может давать интеллектуальные советы, принимать решения на уровне эксперта – профессионала, а также по желанию пользователя пояснять ход решения.

Характеристика ЭС:

1. Ограничена определенной и довольно узкой предметной областью;

2. Умеет принимать решения при неполных и неточных данных;

3. Умеет объяснять свои действия при решении задач;

4. Система должна иметь возможность расширения и наращивания;

5. Должна имитировать деятельность высококвалифицированного специалиста;

6. При решении задач использует не точные алгоритмы, а эвристики, то есть методы, которые опираются на опыт и знания эксперта.

Главные отличия систем обработки данных от экспертных систем:

1. На выходе экспертной системы пользователь получает не таблицу с данными, а рекомендацию в текстовом виде;

2. В основы ЭС положена технология обработки символьной информации, которая задается в виде правил;

3. В обобщенном виде системы обработки данных можно сопоставить такую конструкцию:

Данные + Алгоритм = СОД

ЭС можно изобразить так:

Знание + Логический вывод = ЭС;

4. Архитектура ЭС отличается от архитектуры СОД. Отличия состоят в наличии у ЭС таких блоков:

1) База знаний;

2) Пояснений;

3) Накопление знаний.

Рисунок 12.1 – Архитектура экспертной системы

Чтобы спроектировать экспертную систему, специалист, называемый инженером знания, очень тесно работает с одним или большим количеством экспертов в изучаемой области. Инженеры знания пробуют узнавать все относительно способа, которым эксперт принимает решения. Знание, полученное инженером знания, затем загружается в компьютерную систему, в базу знаний (рис. 12.1). Эта база знаний содержит правила и заключения, которые используются в принятии решений, - параметры, или факты, необходимые для решения.

Другие главные фрагменты экспертной системы это –

· создатель заключения - логический каркас, который автоматически проводит линию рассуждения;

· интерфейс пользователя - блок, используемый конечным пользователем;

· подсистема объяснения - чтобы разъяснять доводы, что система движется в направлении решения;

· подсистема накопления знания - чтобы помочь инженеру знания в регистрации правил заключения и параметров в базе знаний;

· рабочая область - чтобы использовать компьютер, поскольку решение сделано.

База знаний – совокупность сведений о предметной области.

Знания 1 рода – общеизвестные факты, явления, закономерности данной области.

Знания 2 года – набор эмпирических правил и интуитивных выводов, которыми пользуются специалисты в условиях неопределенности и противоречивости.

В БЗ преимущественно знания 1 рода.

Инженер по знаниям записывает значения, поданные экспертами, в БЗ. Все знания в БЗ делятся на интенсиональные или абстрактные, которые представляют собой понятийные (концептуальные) знания про объекты предметной области и связи между ними.

Виды знаний.

Знания это – „Основные закономерности предметной области, позволяющие человеку решать конкретные производственные, научные и другие задачи, т.е. факты, понятия, взаимосвязь, оценка, правила, эвристика – фактические знания, а также стратегии принятия решений в этой области – стратегические знания.

Знания разделяют также на 2 большие категории – факты и эвристика. Факты – хорошо известные в той или иной области обстоятельства. Такие знания еще называются текстовыми, имея в виду достаточную их освещенность в специальной литературе. Эвристика основана на индивидуальном опыте специалиста в предметной области, накопленном в результате многолетней практике. Сюда относятся такие знания, как „способы удаления бесполезных гипотез”, „способы использования нечеткой информации”, „способы разрешения противоречий”.

Интенсиональные знания – это знания о связях между атрибутами (признаками) объектов данной предметной области. Они оперируют абстрактными объектами, событиями и отношениями.

Экстенсиональные знания – данные об объектах, количественная характеристика, значения параметров в пространстве и времени.

Знания делят также на глубинные и поверхностные.

В глубинных знаниях отражается понимание структуры предметной области, назначение и взаимосвязь отдельных понятий. (в фундаментальной науке – это законы и теоретические основания).

Поверхностные знания обычно касаются внешних эмпирических ассоциаций с каким-либо феноменом предметной области. Например, для разговора по телефону требуются лишь поверхностные знания о …

Большинство экспертных систем основано на применении поверхностных знаний. Это, однако, нередко не мешает достигать вполне удовлетворительных результатов. Но опора на глубинные представления помогает создавать более мощные, гибкие и интеллектуальные адаптированные системы. Например, медицина. Здесь молодой врач действует по простым схемам: „если кашель, то пить таблетки от кашля” и т.д. Опытный врач, основываясь на глубинных знаниях, способен порождать разнообразные способы лечения одной и той же болезни в зависимости от индивидуальных особенностей пациента.

Глубинные знания являются результатом обобщения первичных понятий предметной области в некоторые абстрактные структуры. Степень глубины и уровень обобщенности знаний непосредственно связаны с опытом экспертов и могут служить показателем их профессионального мастерства.

Жесткие знания позволяют получать однозначные четкие рекомендации при заданных начальных условиях.

Мягкие знания допускают множественные „размытые” решения и различные варианты рекомендаций.

Модули ЭС могут быть использованы внутри СОД и СППР.

Модели преставления знаний:

- Логическая модель;

- Продукционная модель;

- Фреймовая модель;

- Модель семантической сети.

Самая распространенная модель знаний – модель продукции.

Продукционная модель: если <условие> то <вывод или действие>

Примеры:

1) Пример фрагмента правил продукции ЭС, которая функционирует на фондовой бирже для начинающих брокеров.

1. ЕСЛИ < процентная ставка = падает > ТО < уровень цен на бирже = растет >

2. ЕСЛИ < процентная ставка = растет > ТО < уровень цен на бирже = падает >

3. ЕСЛИ < валютный курс доллара = падает > ТО < % ставки = растут >

4. ЕСЛИ < валютный курс доллара = растет> ТО < % ставки = падают >

Пусть пользователь для определения поведения на бирже обратился с таким вопросом: «валютный курс доллара падает по отношению к валютам других стран». Система выдаст ответ:

«Если валютный курс доллара падает, то процентные ставки растут и уровень цен на бирже падает».

2) Если <животное = птица> то <умеет = летать> КУ = 90%;

3)Если <боль = в груди и отдает в левую руку> то <диагноз = инфаркт миокарда> КУ = 90%.

Блок решений необходим для поиска и построения логических выводов, которое выдает пользователю ЭС. Действия этого блока похожи на рассуждения человека-эсперта и предлагают его гипотетическое решение. Этот блок выполняет функции управления процессом поиска решений, то есть он определяет способ и последовательность использования различных правил и процедур. Количество правил в ЭС колеблется от 500 до нескольких тысяч.

Блок пояснений служит для выдачи по запросу пользователя последовательности логических выводов и рассуждений, которыми оперировала система в процессе поиска решений. Наличие такого блока в ЭС дает возможность использовать ее не только для принятия решений, но и как обучающую систему.

Оценка ЭС пользователей в значительной степени зависит от качества пояснений, которую система дает в качестве ответов на те вопросы пользователя, которые вызывают сомнения. Все вопросы пользователя можно разделить на такие группы:

1) Связанные с процессом решения, как и почему? С какой целью, и с чего следует?

2) Относительно значений терминов, которые приняты в ЭС при организации диалога с пользователем;

3) Относительно последствий, которые выплывают их данного пользователем ответа на вопрос, поставленный системой (что будет, если).

Пояснения записываются в БЗ по правилу.

Если <условие> то <вывод или действие> потому что <обоснование>.

Блок общения с пользователем или интерфейсом пользователя необходим для организации диалога система-пользователь.

Блок накопления знаний дает возможность экспертам загружать базу знаний и корректировать ее. Все больший интерес приобретает процесс автоматизированного получения знаний через процесс обучения ЭС. Правда, этот процесс достаточно проблематичен.

Достоинства:

- В классе проблем: диагностика дефектов, терапия, геологоразведка;

- Они могут решать задачи лучше человека;

- Дают многим организациям возможность лучше управлять;

- Могут работать с сомнительной и менее точной информацией;

- Могут использовать тренировочные инструментальные средства, чтобы улучшить опыт человека; их экспертиза недорогая;

- Могут быть изменены, чтобы отразить изменения в окружении, например политику, правила, рабочие процедуры.

Ограничения и недостатки:

- Работают только в узких областях;

- Не имеют „здравого смысла ”, не могут рассмотреть проблему на нескольких уровнях, с разных точек зрения. Не могут глубоко знать логику правил или достоверность правил, не знают тогда стоит нарушить правила;

- Не могут сами учиться;

- Есть проблемы производительности во многих системах;

- Могут быть дорогими и рискованными. Собирание человеческого опыта, его кодирование, сохранение в БЗ для использования в экспертных системах требуют очень много времени, а часто и мастерства, необходимого для этого, не хватает;

- Успешные экспертные системы могут привести к реальным изменениям в организации и технологиях, чему могут быть не готовы пользователи

Несмотря на ограничения, многие компьютерные корпорации разработали и разрабатывают ЭС:

1) Компания Du Pont имеет > 600 ЭС в действии и получает ежегодные сбережения налогов, которые оцениваются в сотни млн.

2) ЭС кредитного разрешения, которая используется American Express (the Credit Authorizer’s Assistant – ассистент того, кто дает разрешение на кредит). Эта система оценивает риски более 23 млн. держателей кредитных карточек. Она следит шаг за шагом за процессом мышления одного из своих опытных аудиторов кредита, но время решения сокращено на 25%. American Express получила на основе этой системы до 60 % сокращения затрат от фальсифицированных операций. Ожидаемые преимущества от уменьшения риска, уменьшения стоимости и усовершенствования статей дохода оценивается в $27 млн. в год.

3) Корпорация Австралии Lend Lease – одна из крупнейших, построила ЭС, чтобы оценить реальное время разработки и конструирования больших проектов. Эти оценки потом используются для более точных оценок строительных затрат на ранних стадиях.

4) British Petroleum разработала, внедрила много ЭС. Возможно, наилучшая из известных систем – система-советник по проектированию распределительных систем газ/нефть. Использование ее обеспечило экономию затрат в несколько млн. фунтов стерлингов в год.

5) Много японских компаний сделали реальные инвестиции в ЭС со значительным выигрышем.

6) ЭС: Geogracom 5W – перспективные направления развития транспортной системы региона

Модули ЭС могут быть использованы внутри СОД и СППР.

Рекомендуемая литература

1. Годин В.В., Корнев И.К. Управление информационными ресурсами. Т. 17 Модульная программа для менеджеров.
2. Ситник В.Ф. Основи інформаційних систем: навч. Посібник. К.: КНЕУ, 2001.
3. Бутинець Н.Ф. Інформаційні системи бухгалтерского обліку.
4. Кравченко В.Г. Проектування автоматизованих інформаційних систем: навч. Посібник. – К.: КНЕУ, 2008. – 360с.
5. Білик В.М., Костирко В.С. Інформаційні технології та системи: навч.посібник. – К.: Центр навчальної літератури, 2006- 232с.
6. Клоков И.В. Бизнес-план на компьютере: быстро и просто. –СПб.: Питер, 2008. -176с.
7. Петров К.Н. Как разработать бизнес-план. Практическое пособие с примерами и шаблонами. М.: ООО «И.Д.Вильямс», 2007. – 384с.
8. Ситник В.Ф. Краснюк М.Т. Інтелектуальний аналіз даних (Data Mining). Навч. Посібник. – К.: КНЕУ, 2007. -376с.

Приложения – Примеры функциональных диаграмм

Диаграммы потоков данных используются для описания документооборота и обработки информации. Их можно использовать как дополнение к модели IDEF0 для более наглядного отображения текущих операций документооборота в корпоративных системах обработки информации. В BPwin для построения диаграмм потоков данных используется нотация Гейна-Сарсона. DFD, в соответствии с этой нотацией, строится из следующих элементов:

Элемент	Описание	Обозначение
Процесс (функция, работа)	Действие, выполняемое моделируемой системой. Процессы преобразуют входящие потоки данных в выходящие.
Поток данных	Объект, над которым выполняется действие.
Хранилище данных	Структура для хранения информационных объектов. Хранилища данных не изменяют потоки данных, а служат только для хранения поступающих объектов
Внешняя сущность	Внешний по отношению к системе объект, обменивающийся с нею потоками данных. Данный элемент обеспечивает связь с внешними объектами, находящимися за границами моделируемой системы.

Дата добавления: 2014-01-04